1
Este Capítulo esclarece os principais fatores que contribuíram
para a proposta de uma discussão sobre os conceitos
metodológicos que auxiliam o processo de tomada de decisão
no planejamento do Estado. Além disso, expõe a organização
da dissertação.
1. INTRODUÇÃO
1.1. Problemática
De acordo com dados estatísticos, como propor uma nova metodologia para a
classificação municipal? Esta classificação deverá auxiliar a Administração Estadual
no processo de distribuição das verbas provenientes do poder público. Distribuição
esta que deve ser feita de forma justa e eficiente. A consideração das características
sócio-econômicas e das necessidades de cada município na tomada de decisão é
um fator crucial. Uma avaliação que não considere o conjunto desses fatores pode
acarretar má definição de prioridades e investimentos.
Como propor uma classificação municipal que considere simultaneamente os
principais aspectos sociais do Estado do Rio de Janeiro? Aspectos que abrangem
indicadores de educação, longevidade e renda, por exemplo. A análise integrada
dos aspectos sociais pode reduzir a incidência e a intensidade das inconsistências
no processo de tomada de decisão.
Alguns países desenvolvidos já não associam mais, por exemplo, a saúde à
ausência de doenças e sim a conceitos mais abrangentes, como os de qualidade de
vida. A Organização Mundial de Saúde, define saúde como um estado de completo
bem-estar físico, mental e social, não consistindo apenas na ausência de doença ou
de enfermidade (ONUPORTUGAL, 2004).
As decisões estratégicas municipais, na maioria das vezes, se baseiam em
dados imprecisos e métodos falhos de apoio à tomada de decisão, contribuindo para
a criação de estratégias ineficazes e para a definição de prioridades de
investimentos
onerosas
(GRAEML
e
ERDMANN,
1998).
Boas
estratégias
possibilitam projetos de baixo custo relativo e alto impacto político, econômico e
social. Existe uma grande dificuldade de obtenção de dados e informações
2
estruturadas, precisas e atualizadas que permitam apoiar a elaboração de um
planejamento urbano adequado (BORTOLANZA, 1999).
1.2. Objetivo
O objetivo desta pesquisa é desenvolver um estudo comparativo entre
diferentes paradigmas neurais, gerando ferramentas que contribuirão para
observação, acompanhamento e tratamento de dados referentes aos aspectos
sociais do Estado. Ou seja, a otimização dos diversos processos realizados nas
secretarias de planejamento do Estado do Rio de Janeiro.
Como objetivo intermediário tem-se o desenvolvimento de dois classificadores
neurais que, através da extração de características da base de dados, proporão uma
classificação para os municípios que compõem o Estado. A base de dados
estatísticos é proveniente do ADHB (Atlas do Desenvolvimento Humano no Brasil)
(ATLAS, 2003).
O propósito é promover a discussão acerca dos conceitos metodológicos
utilizados, atualmente, no cálculo do IDH-M (Índice de Desenvolvimento Humano
Municipal). Logo os classificadores neurais implementados não calcularão o IDH-M e
sim, classificarão os municípios de acordo com os mesmos indicadores (educação,
longevidade e renda).
Inclui-se nos objetivos da pesquisa proposta, propiciar o conhecimento sobre
as realidades municipais, que possibilite a elaboração de estratégias para o
desenvolvimento social, facilitando previsões de demandas em diversos setores.
Dessa forma, se torna viável a possibilidade de acompanhamento do retorno dos
investimentos, a avaliação da eficiência baseada nos desempenhos anteriores da
própria cidade e a avaliação da eficácia das estratégias com relação ao
desempenho de outras cidades.
1.3. Hipótese
As propostas que trabalham com classificação municipal baseada em
indicadores sociais, em sua maioria, apresentam estudos com base em ordenação,
desconsiderando o agrupamento em classes que sirvam como padrões de
referência.
3
Propõe-se uma metodologia alternativa, para tratamento dos indicadores
utilizados na medida do desenvolvimento humano, que será apresentada no
decorrer deste estudo. A pesquisa aqui apresentada propõe uma nova análise sobre
dados estatísticos que representam o grau de desenvolvimento municipal.
Inicialmente, apresenta-se uma RNA (Rede Neural Artificial) de treinamento
supervisionado que se deterá em classificar os municípios de forma correta, após
treinamento com os dados de saída desejados. Posteriormente, apresenta-se uma
RNA de treinamento não supervisionado que, a partir dos dados de entrada, cria
mapas topológicos, representando as diversas características dos municípios que
compõem o Estado.
A diferença fundamental entre um projeto de uma RNA e o processamento de
informação clássico (classificação de padrões) é que, neste último caso,
normalmente procede-se primeiramente formulando um modelo matemático das
observações do ambiente, validando o modelo com dados reais, e então
estruturando o projeto com base neste modelo. O projeto de uma RNA, ao contrário,
é baseado diretamente nos dados do mundo real, permitindo–se que o conjunto de
dados fale por si mesmo. Assim, a RNA fornece o modelo implícito do ambiente no
qual ela está inserida (HAYKIN, 2001).
Na programação matemática ou otimização, a modelagem é feita pelo uso de
relações lineares e/ou não-lineares. A modelagem em RNA é baseada em dados. É
na etapa de treinamento da RNA que se forma o modelo do problema. Não existe a
criação de restrições.
Não se pode negar a utilidade dos modelos tradicionais, porém os mesmos
apresentam características que geram dificuldades operacionais para sua efetiva
aplicação, como o problema inerente em se trabalhar com modelos estatísticos
complexos, suas hipóteses restritivas a serem satisfeitas e a dificuldade em se
alcançar conclusões e resultados por não especialistas (BENITE, 2003). Modelos de
RNAs, mais especificamente os mapas auto-organizáveis, possuem a vantagem de
não exigirem do pesquisador a aplicação de nenhuma teoria acerca da organização
destes dados, e podem fornecer subsídios para a atualização ou mesmo formulação
de novas teorias acerca do assunto em questão, o que possibilita seu emprego
como alternativa a estes modelos.
A utilização de modelos neurais no controle e monitoramento de sistemas,
geralmente apresenta resultados mais positivos do que aqueles obtidos por técnicas
4
matemáticas tradicionais, tanto em relação a uma maior eficácia na realização das
tarefas, quanto no menor dispêndio computacional. Pode-se, ainda, considerar que o
operador da ferramenta não necessita de especialização. Dessa forma, observa-se
uma crescente utilização desta metodologia em problemas computacionais e de
engenharia (BENITE, 2003).
A hipótese apresentada é a de implementação de classificadores neurais para
classificação dos municípios do Estado, segundo indicadores sociais. Os municípios
serão agrupados de acordo com dados estatísticos referentes a diversos aspectos
sociais. Aspectos que abrangem indicadores de educação, longevidade e renda, por
exemplo.
1.4. Relevância
É cada vez mais expressiva uma nova cultura que passa a compreender a
informação como insumo fundamental em todas as esferas da sociedade. Por esta
razão, torna-se necessária a implantação de uma relação mais dinâmica e planejada
entre o poder público e a sociedade civil em suas variadas formas de organização.
Esta nova cultura deverá estar mais visível no campo das políticas públicas e em
todos os níveis da Administração - União, Estados e Municípios.
Isto é, exige-se, nestes tempos, a ampliação de conhecimentos e capacidade
de ação tecnicamente sustentável, eficiente e passível de avaliação pelos governos
e pela sociedade (CIDE, 2004).
As mudanças estruturais que alcançaram o mercado de trabalho na última
década, e que com grande dinamismo ainda estão em curso, têm exigido cada vez
mais dos planejadores públicos a busca, dentre outras coisas, da construção de
instrumentos de avaliação e acompanhamento da maneira como se comporta esse
mercado, com o objetivo de informar políticas públicas voltadas para a geração de
emprego e renda. Dada a natureza do processo, cabe enfatizar que as principais
características de tais instrumentos devem ser a precisão e a agilidade com as quais
são ou serão capazes de descrever e identificar as futuras tendências.
O Governo tem que estar atento aos dados e informações básicas
necessárias ao conhecimento e acompanhamento de sua realidade física,
econômica, social e ambiental. Os dados extraídos de procedimentos de estudo da
realidade sócio-econômica servem de subsídio para formulação de políticas públicas
5
com vistas ao desenvolvimento, em base sustentável. A divulgação desses estudos
tem possibilitado a atração de investimentos para o Estado, com a conseqüente
geração de novos postos de trabalho e a melhoria da renda familiar.
Essa é a motivação, já que a cidadania é ampliada, uma vez que possibilita
aos governantes, investidores e entidades sociais o acesso a informações que
sirvam de subsídio para geração de programas e ações transformadoras, visando o
bem-estar da sociedade.
Desse modo, considerando as soluções na área de tecnologia da informação,
é apresentada a proposta de implementação de ferramentas com base em
algoritmos matemáticos, cujo acesso possibilita a disseminação de informação
utilizando-se recursos de consulta e cruzamento de dados.
Deve ser considerada, ainda, a importância de se unir técnicas de Engenharia
de Produção, que tratem de interpretar a subjetividade, a processos administrativos
públicos, que buscam não só a sobrevivência, como também o desenvolvimento do
município. O desenvolvimento de tais processos está diretamente ligado à
experiência dos decisores que precisam tomar decisões relacionadas à distribuição
de verbas em suas organizações.
RNAs têm sido muito empregadas como estruturas computacionais para
apoio à tomada de decisão e ganho popularidade em diversas áreas como
engenharia, filosofia, estatística, entre outras (BRAGA, 2000).
Como exemplo, temos a atividade de programação da produção, também
chamada scheduling, que se encontra no nível mais detalhado e complexo de um
sistema de planejamento e controle da produção. Devido à sua natureza
combinatorial, vários métodos têm sido propostos como alternativas de solução para
resolvê-la. Entre eles encontram-se as técnicas de simulação de sistemas e
abordagens por inteligência artificial (TERRA, 2000).
Na atualidade, a Inteligência Computacional (RNA, Lógica Fuzzy e Sistemas
Especialistas) já é incorporada a áreas da engenharia de produção, mais
especificamente à Pesquisa Operacional. De acordo com as diretrizes curriculares
para os cursos de Engenharia (ABEPRO, 2005), todo curso, independente de sua
modalidade, deve possuir em seu currículo um núcleo de conteúdos básicos,
versando sobre diversos tópicos, inclusive a Informática com a utilização de
6
ferramentas computacionais e redes, técnicas e linguagens de programação e
aplicações de engenharia auxiliada por computadores.
Estamos vivendo uma época na qual, por diversas razões, está sendo iniciado
um processo de modernização dos sistemas de produção. Na prática das empresas
isto inclui o desenvolvimento e a incorporação de equipamentos microeletrônicos,
desde computadores até robôs, passando pelo desenvolvimento de software
aplicativo para o qual se usam os modernos conceitos de Inteligência Artificial
(UNESP, 2005).
1.5. Estrutura da Dissertação
Capítulo 1 – Introdução, esclarece os principais fatores que contribuíram
para a proposta de uma discussão sobre os conceitos metodológicos que auxiliam o
processo de tomada de decisão no planejamento do Estado. Além disso, expõe a
organização da dissertação.
Capítulo 2 – Fundamentação Teórica, descreve os principais tópicos
referentes à base teórica formada para a concepção do presente estudo, e é dividido
em quatro seções. A primeira expõe o Estado da Arte, a segunda especifica os
indicadores sociais escolhidos, a terceira trata da priorização de investimentos, e a
quarta descreve os conceitos teóricos que compõem a tecnologia de RNAs.
Capítulo 3 – Metodologia, explica o tipo de pesquisa adotado, o universo de
pesquisa e a amostra, o tratamento dos dados e propõe um modelo de solução para
o problema.
Capítulo 4 – Estudo de Caso, apresenta a aplicação das ferramentas
propostas, de acordo com os dados estatísticos provenientes do ADHB,
relacionados ao IDH-M.
Capítulo 5 – Análise dos Resultados e Conclusão, expõe todos os
resultados obtidos, propondo uma análise para os mesmos. Além disso, encerra a
dissertação, apresentando algumas constatações, bem como sugestões de
trabalhos futuros.
Apêndice 1 – Adaptação do IDH (Índice de Desenvolvimento Humano) para o
nível municipal.
Apêndice 2 – Guia de instalação das ferramentas.
7
Anexo 1 – Disco com os arquivos necessários para a utilização das
ferramentas propostas neste estudo.
Anexo 2 – Notícia publicada no site do PNUD (Programa das Nações Unidas
para o Desenvolvimento), a respeito do uso de ferramentas computacionais voltadas
à otimização da administração pública.
Anexo 3 – Notícia publicada no site do PNUD, a respeito da distribuição de
verbas públicas com base no IDH.
Bibliografia – Bibliografia básica com os principais textos utilizados na
abordagem da problemática e sugestões de leitura.
8
Este Capítulo descreve os principais tópicos referentes à base
teórica formada para a concepção do presente estudo, e é
dividido em quatro seções. A primeira expõe o Estado da Arte,
a segunda especifica os indicadores sociais escolhidos, a
terceira trata da priorização de investimentos, e a quarta
descreve os conceitos teóricos que compõem a tecnologia de
RNAs.
2. FUNDAMENTAÇÃO TEÓRICA
2.1. Estado da Arte
Várias pesquisas têm sido realizadas no âmbito do desenvolvimento regional.
Uma importante vertente neste tema é a classificação do nível de desenvolvimento
municipal.
Com base no que foi consultado é possível concluir que, as metodologias
aplicadas à classificação municipal e publicadas pelos órgãos que divulgam tais
estudos, fundamentam-se basicamente em métodos compensatórios (média
ponderada). As metodologias não consideram a subjetividade inerente ao problema
em questão (por exemplo, não aplicam fundamentos como os da Lógica Fuzzy ou
Análise Multicritério). Porém, muitos estudos vêm sendo publicados a respeito do
tratamento da subjetividade. Observa-se ainda que, apesar da existência e
publicação de novas metodologias, existe ainda uma carência de ferramentas
científicas capazes de tratar o problema de avaliação e classificação do grau de
desenvolvimento municipal.
Os dados que alimentarão os classificadores neurais serão extraídos do
ADHB, que é um banco de dados eletrônico feito com o objetivo de democratizar o
acesso e aumentar a capacidade de análise sobre informações socioeconômicas
relevantes dos 5.507 municípios brasileiros e das 27 Unidades da Federação.
Baseado nos microdados dos censos de 1991 e de 2000 do IBGE (Fundação
Instituto Brasileiro de Geografia e Estatística), este sistema disponibiliza informações
sobre o IDH-M e 124 outros indicadores georreferenciados de população, educação,
habitação, longevidade, renda, desigualdade social e características físicas do
9
território. ADHB é uma parceria PNUD, IPEA (Instituto de Pesquisa Econômica
Aplicada) e FJP (Fundação João Pinheiro) (ATLAS, 2003).
Trabalhos dessa natureza têm sido desenvolvidos pelo Observatório
Socioeconômico da Região Norte Fluminense, situado no CEFET (Centro Federal de
Educação Tecnológica) em Campos dos Goytacazes, que tem a finalidade principal
de coletar, analisar e disponibilizar dados e informações que possam dar suporte à
tomada de decisões de agentes públicos e privados e que auxiliem a concepção de
políticas e estratégias municipais que venham melhorar a qualidade de vida da
população. Seus estudos estão direcionados para as áreas de emprego, renda,
saúde, educação, habitação e saneamento dos municípios da Região Norte
Fluminense: Campos dos Goytacazes, Macaé, São João da Barra, Quissamã,
Conceição de Macabu, Carapebus, São Fidélis, São Francisco de Itabapoana e
Cardoso Moreira (CEFETCAMPOS, 2004).
Em GOMES (2003), publica-se um estudo com o objetivo principal de propor
uma metodologia para classificação municipal e comparar os resultados obtidos com
os publicados pelo CIDE (Centro de Informações e Dados do Rio de Janeiro), que
utiliza média ponderada, mostrando e analisando diferenças conceituais. A
metodologia baseia-se na apresentação do IQMM (Índice de Qualidade Municipal
Multicritério) para classificação do IQM (Índice de Qualidade Municipal) (IQM, 1998).
Fundamenta-se no método ELECTRE TRI (ELimination Et Choice Traidusaint La
REalité) para modelagem do problema de avaliação e classificação dos índices de
qualidade dos municípios. Concluiu-se que a metodologia proposta classifica em
níveis mais altos aqueles municípios que têm melhor desempenho em um maior
número de critérios, independente do valor alcançado pelos municípios na média
ponderada. Este fato, segundo o autor, elimina o efeito compensatório da média
ponderada.
O IQM da Fundação CIDE (CIDE, 2004), que em 1997 estabeleceu um
ranking entre os 91 municípios fluminenses para medir o potencial de
desenvolvimento econômico, foi definido com uma metodologia diferente em 2002:
uma análise multicritério, aplicada desde 1995 pelo Laboratório de Engenharia de
10
Produção da UENF (Universidade Estadual do Norte Fluminense). A informação é
da Secretaria de Ciência e Tecnologia do Rio de Janeiro. Oito pesquisadores da
Universidade trabalharam com a equipe da Fundação CIDE para a elaboração do
IQM 2002. No lugar de um ranking numérico classificando os municípios do 1o ao
92o lugar, a técnica criada pela UENF classifica as cidades fluminenses em faixas de
qualidade — A, B, C, D e E. Considera-se o PIB (Produto Interno Bruto), o número
de chefes de domicílio com renda de 20 ou mais salários mínimos, os investimentos
públicos e os depósitos bancários. Os dados obtidos pelo IBGE no Censo 2000
também foram utilizados na pesquisa. Na análise multicritério fica na frente quem
tiver o melhor desempenho no maior número de critérios. Desenvolvido no final da
década de 60, por universidades nos Estados Unidos e na França, o método é
aplicado por algumas universidades brasileiras desde o início dos anos 70 (ABIPT,
2004).
Através de um convênio entre a UFF (Universidade Federal Fluminense) e a
UENF, desenvolvem-se pesquisas sobre problemas que envolvam avaliações
subjetivas à luz de múltiplos critérios. Como fruto destas pesquisas, cita-se o
trabalho reportado em GOMES et al. (2001). No referido artigo, apresenta-se um
avanço desta proposta, juntamente com um exemplo de aplicação da mesma à
Região Noroeste Fluminense. A metodologia proposta fundamenta-se no Método
ELECTRE TRI. A simulação está concentrada na análise de apenas um dos grupos
de indicadores presentes no IQM e apenas uma Região Geográfica do Estado do
Rio de Janeiro. Foram considerados os critérios que constituem o grupo RIQ
(Riqueza e Potencial de Consumo) no cálculo do IQM. (COSTA, 2001).
Em GOMES e LINS (2000) apresenta-se uma aplicação da integração entre
SIG (Sistemas de Informação Geográfica) e metodologias multicritério no apoio à
decisão espacial. Para tal, é exposto um estudo de caso hipotético de seleção do
município ideal do Estado do Rio de Janeiro, em qualidade de vida urbana,
utilizando-se como enfoque multicritério a PLMO (Programação Linear Multiobjetivo).
São analisados critérios de infra-estrutura, educação, segurança, saúde e trabalho.
Em uma primeira etapa, realizada em ambiente SIG, há redução do número de
alternativas, a partir de restrições físicas e/ou qualitativas impostas pelos critérios de
seleção. Em seguida, procede-se à solução do problema de PLMO. Em uma terceira
11
etapa, os resultados da análise multicritério são “levados” para o ambiente SIG, para
a visualização final da escolha do decisor, garantindo-se que a decisão mais correta
seja aquela que melhor representa os interesses do tomador de decisão.
Em SOARES et al. (1999), expõe-se um trabalho que tem como objetivo
básico traçar um perfil dos municípios cearenses e possibilitar a hierarquização
destes no contexto global do Estado. Dessa forma utilizou-se o IDH-M. Para o
cálculo do índice procedeu-se inicialmente um agrupamento de indicadores definidos
como: fisiográficos, fundiários e agrícolas; demográficos e econômicos; de infraestrutura de apoio e sociais. A criação de um índice, com finalidade de classificação
geral, a partir dos grupos de indicadores selecionados, envolve um número
considerável de variáveis, levando à opção do uso da técnica multivariada de análise
fatorial através do método dos componentes principais. A idéia é identificar “fatores”
não observados diretamente, para assim explicar relações existentes entre as
variáveis que não sejam diretamente observadas. Finalmente, os índices foram
classificados em quatro classes através da análise de agrupamento usando o
método das k-médias para as partições das classes.
Em GRAEML e ERDMANN (1998) realiza-se uma revisão teórica, com base
em conceitos de qualidade, produção, análise de risco e planejamento estratégico,
que justificam a necessidade de utilização de indicadores estratégicos nacionais.
São apresentadas as principais características de indicadores estratégicos voltados
à administração municipal, que os diferenciam de indicadores de desempenho
convencionais. A simulação teórica desenvolvida, visa justificar a necessidade da
utilização de indicadores estratégicos e apresenta uma maneira de apoiar o
processo de tomada de decisão. O acompanhamento do desempenho dos governos
municipais, por meio de indicadores estratégicos, possibilita análises de correlação
que demonstram melhores encaminhamentos de ações decorrentes das demandas
em diversos setores, a priorização dessas ações e a definição de estratégias de
desenvolvimento econômico e social sustentável para os municípios. O objetivo
deste trabalho é analisar, no plano teórico, a necessidade da utilização de
indicadores estratégicos como ferramenta de auxílio na administração municipal.
12
Para informações complementares, vide Anexo 2.
2.2. Indicadores Sociais
Um diagnóstico das realidades locais, visando levantar as deficiências e as
oportunidades de melhoria para o município, deve ser feito à luz de indicadores
utilizados
mundialmente.
Esses
indicadores
certamente
acompanharão
as
administrações municipais, para estudos e elaboração de planejamentos, com vistas
a melhorar seu desempenho e qualificação.
A referência central dessa pesquisa está no IDH, que mede o nível de
desenvolvimento humano dos países utilizando como critérios indicadores de
educação, longevidade e renda. O IDH, criado no início da década de 90 para o
PNUD, é uma contribuição para essa busca, e combina três componentes básicos
do desenvolvimento humano:
a longevidade, que também reflete, entre outras coisas, as condições de
saúde da população, medida pela esperança de vida ao nascer;
a educação, medida por uma combinação da taxa de alfabetização de
adultos e a taxa combinada de matrícula nos níveis de ensino:
fundamental, médio e superior;
a renda, medida pelo poder de compra da população, baseado no PIB per
capita ajustado ao custo de vida local para torná-lo comparável entre
países e regiões, através da metodologia conhecida como PPC (Paridade
do Poder de Compra).
A metodologia de cálculo do IDH envolve a transformação destas três
dimensões em índices de longevidade, educação e renda, que variam entre 0 (pior)
e 1 (melhor), e a combinação destes índices em um indicador síntese. Quanto mais
próximo de 1 o valor deste indicador, maior será o nível de desenvolvimento humano
do país ou região.
Os dados a seguir a respeito do cálculo do IDH foram retirados do ADHB
(ATLAS, 2003). A adaptação do IDH para o nível municipal, é exposta com maiores
detalhes no Apêndice 1.
13
Para que os indicadores possam ser combinados em um índice único, eles
são transformados em índices parciais, cujos valores variam entre 0 e 1. A fórmula
geral para a construção desses índices é:
índice =
valor observado − valor mínimo
valor máximo − valor mínimo
(01)
Note-se que os valores limites (pior e melhor) não coincidem com o pior e o
melhor valor observado; são parâmetros relativamente estáveis, definidos pelo
PNUD. Com base nestes valores e nos valores observados para o país ou região em
questão, calculam-se os índices de Longevidade, Educação, e Renda.
2.2.1. Índice de Longevidade
O Índice de Longevidade (ILi) do país i, cuja esperança de vida ao nascer é Vi,
é obtido através da aplicação direta da fórmula geral (01), ou seja,
ILi =
Vi − 25
85 − 25
(02)
Para a aplicação da fórmula básica, adota-se como pior e melhor valores para
a esperança de vida, respectivamente, 25 e 85 anos.
2.2.2. Índice de Educação
Para obter o Índice de Educação (IEi) do país i, cuja taxa de alfabetização de
adultos é Ai e cuja taxa combinada de matrícula é Mi, primeiro transformam-se as
duas variáveis em índices usando a fórmula geral acima, utilizando 0% e 100%
como os valores limites (03) e combinamos os dois índices (04):
IAi =
Ai − 0
A
= i
100 − 0 100
(03)
IEi =
2 IAi + IM i
2
1
IAi + IM i =
3
3
3
(04)
14
2.2.3. Índice de Renda
A construção do Índice de Renda (IRi) do país i, cujo PIB per capita é Yi, é um
pouco mais complexa, e parte da hipótese de que a contribuição da renda para o
desenvolvimento humano apresenta rendimentos decrescentes. Essa hipótese é
incorporada ao cálculo do IDH através da função logarítmica. Portanto, o índice de
Renda (IRi) do país i, cujo PIB per capita é Yi, é dado por:
IRi =
ln(Yi ) − ln(100)
ln(40.000) − ln(100)
(05)
O maior valor é $40.000 PPC e o pior, $100 PPC. Todos os valores são em
dólar Paridade Poder de Compra, para garantir comparabilidade entre países, sendo
que o valor da taxa de dólar PPC é dado pelo Banco Mundial.
2.2.4. Índice de Desenvolvimento Humano
O IDH do país i, cujos índices de longevidade, educação e renda são,
respectivamente, ILi, IEi e IRi é a média aritmética simples dos três índices:
IDH i =
ILi + IEi + IRi
3
(06)
O IDH varia entre os valores 0 e 1, sendo que quanto mais próximo de 1 mais
alto será o nível de desenvolvimento humano do país. Para classificar os países em
três grandes categorias o PNUD estabeleceu as seguintes faixas:
0,0 ≤ IDH < 0,5
Baixo Desenvolvimento Humano
0,5 ≤ IDH < 0,8
Médio Desenvolvimento Humano
0,8 ≤ IDH ≤ 1,0
Alto Desenvolvimento Humano
2.2.5. Situação Atual
Segundo ATLAS (2003), em 2000, o Índice de Desenvolvimento Humano
Municipal-Educação do Brasil era 0,849. Dentre os municípios do Estado do Rio de
Janeiro, o município com o melhor valor era Niterói (RJ), com um valor de 0,960, e o
15
município com o pior valor era São Francisco de Itabapoana (RJ), com um valor de
0,715. A tabela a seguir mostra a distribuição do indicador no ano de 2000 para os
municípios do Estado do Rio de Janeiro.
Tabela 1 – Índice de Desenvolvimento Humano Municipal- Educação RJ 2000.
Fonte: ADHB, 2003
Segundo ATLAS (2003), em 2000, o Índice de Desenvolvimento Humano
Municipal-Longevidade do Brasil era 0,727. Dentre os municípios do Estado do Rio
de Janeiro, o município com o melhor valor era Quatis (RJ), com um valor de 0,818,
e o município com o pior valor era Varre-Sai (RJ), com um valor de 0,620. A tabela a
seguir mostra a distribuição do indicador no ano de 2000 para os municípios do
Estado do Rio de Janeiro.
Tabela 2 – Índice de Desenvolvimento Humano Municipal- Longevidade RJ 2000.
Fonte: ADHB, 2003
Segundo ATLAS (2003), em 2000, o Índice de Desenvolvimento Humano
Municipal-Renda do Brasil era 0,723. Dentre os municípios do Estado do Rio de
Janeiro, o município com o melhor valor era Niterói (RJ), com um valor de 0,891, e 2
16
municípios estavam empatados com o pior valor (0,616). A tabela a seguir mostra a
distribuição do indicador no ano de 2000 para os municípios do Estado do Rio de
Janeiro.
Tabela 3 – Índice de Desenvolvimento Humano Municipal- Renda RJ 2000.
Fonte: ADHB, 2003
Segundo ATLAS (2003), em 2000, o IDH-M do Brasil era 0,766. Dentre os
municípios do Estado do Rio de Janeiro, o município com o melhor valor era Niterói
(RJ), com um valor de 0,886, e o município com o pior valor era Varre-Sai (RJ), com
um valor de 0,679. A tabela a seguir mostra a distribuição do indicador no ano de
2000 para os municípios do Estado do Rio de Janeiro.
Tabela 4 – Índice de Desenvolvimento Humano Municipal RJ 2000.
Fonte: ADHB, 2003
Segundo ATLAS (2003), em 2000, o IDH-M de Rio de Janeiro era 0,807.
Segundo a classificação do PNUD, o Estado estava entre as regiões consideradas
de alto desenvolvimento humano (IDH maior que 0,8). Em relação aos outros
17
Estados do Brasil, Rio de Janeiro apresentava uma situação boa: ocupava a 5a
posição, sendo que 4 Estados (14,8%) estavam em situação melhor e 22 Estados
(85,2%) estavam em situação pior ou igual (ATLAS, 2003).
Os Mapas Temáticos 1 e 2, a seguir, expõem o IDH-M nos estados brasileiros
e nos municípios do Estado do Rio de Janeiro.
Mapa Temático 1 – IDH-M 2000 – Todos os Estados do Brasil.
Fonte: ADHB, 2003
18
Mapa Temático 2 – IDH-M 2000 – Municípios do Estado do Rio de Janeiro.
Fonte: ADHB, 2003
A tabela seguir expõe a classificação dos municípios do Estado do Rio de
Janeiro, de acordo com o IDH-M 2000.
Tabela 5 – Classificação dos municípios do Estado do Rio de Janeiro (IDHM 2000).
IDH-M
IDH-M
IDH-M
IDH-M
2000
Renda
Longevidade
Educação
Niterói
0,886
0,891
0,808
0,96
Rio de Janeiro
0,842
0,84
0,754
0,933
Volta Redonda
0,815
0,75
0,763
0,931
Nova Friburgo
0,81
0,758
0,788
0,885
Resende
0,809
0,758
0,75
0,918
Barra Mansa
0,806
0,717
0,787
0,913
Petrópolis
0,804
0,773
0,751
0,888
0,8
0,723
0,783
0,895
Iguaba Grande
0,796
0,742
0,766
0,88
Pinheiral
0,796
0,688
0,789
0,91
Cabo Frio
0,792
0,731
0,764
0,881
Armação de Búzios
0,791
0,763
0,732
0,878
Quatis
0,791
0,686
0,818
0,868
Arraial do Cabo
0,79
0,727
0,731
0,912
Município
Itatiaia
continua
19
continuação
IDH-M
IDH-M
IDH-M
IDH-M
2000
Renda
Longevidade
Educação
Macaé
0,79
0,77
0,71
0,889
Mangaratiba
0,79
0,741
0,74
0,889
Teresópolis
0,79
0,758
0,751
0,861
Cordeiro
0,789
0,711
0,787
0,869
Nilópolis
0,788
0,724
0,708
0,933
Itaperuna
0,787
0,702
0,8
0,859
Maricá
0,786
0,736
0,742
0,881
São Gonçalo
0,782
0,707
0,742
0,896
Três Rios
0,782
0,703
0,751
0,893
Barra do Piraí
0,781
0,71
0,727
0,906
Casimiro de Abreu
0,781
0,717
0,768
0,859
Vassouras
0,781
0,717
0,745
0,881
São Pedro da Aldeia
0,78
0,701
0,764
0,876
Cantagalo
0,779
0,697
0,787
0,854
Miguel Pereira
0,777
0,764
0,692
0,876
Parati
0,777
0,731
0,773
0,827
Piraí
0,776
0,704
0,75
0,875
Valença
0,776
0,706
0,726
0,895
Mendes
0,775
0,728
0,692
0,905
Rio das Ostras
0,775
0,742
0,714
0,869
São João de Meriti
0,774
0,683
0,744
0,895
Angra dos Reis
0,772
0,711
0,736
0,87
Rio Bonito
0,772
0,711
0,773
0,833
Itaocara
0,771
0,718
0,759
0,837
Paracambi
0,771
0,707
0,708
0,897
Paraíba do Sul
0,771
0,704
0,773
0,835
Macuco
0,769
0,681
0,759
0,868
Itaguaí
0,768
0,692
0,724
0,889
Areal
0,765
0,692
0,751
0,853
Carmo
0,763
0,708
0,758
0,824
Nova Iguaçu
0,762
0,686
0,717
0,884
Saquarema
0,762
0,705
0,733
0,848
Seropédica
0,759
0,684
0,712
0,882
Aperibé
0,756
0,688
0,741
0,84
Araruama
0,756
0,701
0,719
0,849
Município
continua
20
continuação
IDH-M
IDH-M
IDH-M
IDH-M
2000
Renda
Longevidade
Educação
Santo Antônio de Pádua
0,754
0,689
0,759
0,814
Comendador Levy Gasparian
0,753
0,661
0,73
0,867
Duque de Caxias
0,753
0,678
0,708
0,873
Engenheiro Paulo de Frontin
0,753
0,69
0,691
0,878
Cachoeiras de Macacu
0,752
0,673
0,756
0,828
Campos dos Goytacazes
0,752
0,693
0,697
0,867
Bom Jesus do Itabapoana
0,746
0,689
0,699
0,851
Magé
0,746
0,665
0,711
0,863
Porto Real
0,743
0,667
0,692
0,871
Belford Roxo
0,742
0,642
0,711
0,873
Sapucaia
0,742
0,694
0,73
0,801
São Fidélis
0,741
0,668
0,734
0,822
Carapebus
0,74
0,66
0,71
0,851
Guapimirim
0,739
0,684
0,69
0,843
Rio das Flores
0,739
0,646
0,726
0,845
Conceição de Macabu
0,738
0,668
0,705
0,841
Itaboraí
0,737
0,659
0,708
0,844
Rio Claro
0,737
0,66
0,75
0,802
Natividade
0,736
0,689
0,689
0,829
Santa Maria Madalena
0,734
0,66
0,749
0,794
Bom Jardim
0,733
0,69
0,722
0,788
Cambuci
0,733
0,656
0,759
0,784
Miracema
0,733
0,686
0,683
0,829
Queimados
0,732
0,642
0,69
0,865
Quissamã
0,732
0,641
0,71
0,845
Silva Jardim
0,731
0,652
0,743
0,799
Porciúncula
0,73
0,64
0,74
0,81
Italva
0,724
0,667
0,683
0,823
Japeri
0,724
0,616
0,694
0,863
São João da Barra
0,723
0,637
0,737
0,794
São Sebastião do Alto
0,723
0,631
0,753
0,785
Trajano de Morais
0,723
0,665
0,749
0,755
Tanguá
0,722
0,64
0,69
0,837
São José do Vale do Rio Preto
0,72
0,67
0,707
0,782
Paty do Alferes
0,718
0,665
0,692
0,798
Município
continua
21
continuação
IDH-M
IDH-M
IDH-M
IDH-M
2000
Renda
Longevidade
Educação
São José de Ubá
0,718
0,657
0,73
0,766
Duas Barras
0,712
0,661
0,683
0,793
Sumidouro
0,712
0,672
0,747
0,717
Laje do Muriaé
0,71
0,627
0,699
0,804
Cardoso Moreira
0,706
0,626
0,701
0,791
São Francisco de Itabapoana
0,688
0,616
0,734
0,715
Varre-Sai
0,679
0,636
0,62
0,782
Município
Fonte: ADHB, 2003
Legenda:
IDH de 0 a 0,499: desenvolvimento humano baixo.
IDH de 0,500 a 0,799: desenvolvimento humano médio.
IDH de 0,800 a 1,000: desenvolvimento humano alto.
O município de Mesquita não se encontra na Tabela 5, o que se justifica pelo
fato do referido município ter se emancipado em 25 de setembro de 1999
(MESQUITA, 1999). Dessa forma, no ano de 2002 ainda não foi possível a coleta de
dados referentes aos índices que compõem o IDH-M 2000.
É importante ressaltar que os dados aqui apresentados carecem de
atualizações. Existe uma dificuldade significativa no acesso a dados estatísticos
atualizados e confiáveis.
2.3. Priorização de Investimentos
O administrador não pode considerar apenas os problemas levantados pela
população. A visão estratégica e o conhecimento técnico de sua equipe, devem ser
utilizados para prever futuras demandas, possivelmente não identificadas pela
população.
As ações dos governos, pela necessidade de atender os problemas
existentes de forma emergencial, na maior parte das vezes, impedem a criação de
22
cenários futuros com melhor aplicabilidade dos recursos em investimentos que
minimizem as carências municipais (BORTOLANZA,1999).
A preocupação dos administradores está em atender às necessidades mais
urgentes em cada município, com investimentos dispersos em diversas atividades,
dadas as carências existentes nas prefeituras. As prioridades de ações dos seus
governos
são:
educação,
saúde,
infra-estrutura
urbana,
estradas
vicinais,
agricultura, habitação, assistência social, desenvolvimento econômico, esportes,
lazer e turismo, participação comunitária, reforma administrativa, recursos humanos
e meio ambiente (BORTOLANZA,1999).
Essa seqüência de prioridades, apresentadas pela sua ordem de importância,
teve sua origem com o intenso processo de industrialização-urbanização ocorrido no
país a partir de meados do século passado, que, somados ao êxodo rural, resultou
num processo de urbanização considerável, com expressiva e progressiva
concentração de população nas cidades. Dessa forma os governos herdaram
enormes problemas, principalmente os municipais. Porém, nas grandes cidades
onde o planejamento estratégico é praticado, o cenário pode ser um pouco diferente
(BORTOLANZA,1999).
Como exemplo de critério para repasse de verbas ou priorização de
investimentos, podemos citar os dispêndios empreendidos pelos municípios do
Estado de Minas Gerais destinados à Segurança Pública, no que se refere aos
auxílios concedidos a efetivação da atividade policial em âmbito local, que
representam 0,1% do orçamento municipal total, uma parcela muito reduzida se
comparada aos investimentos realizados nas demais áreas (RIBEIRO, 2002).
Ou ainda, os critérios de repasse de recursos financeiros do Ministério da
Saúde para as Unidades Federadas destinados ao financiamento das ações em
vigilância sanitária, pela CIB (Comissão Intergestores Bipartite) no Estado de São
Paulo (CIB, 2000). A distribuição é feita de forma proporcional, segundo a
categorização final na qual o município estiver enquadrado, aplicado sobre um
percentual da população municipal.
“Os municípios classificados e habilitados pela CIB farão jus ao
recebimento dos recursos que cabem ao Estado de São Paulo,
distribuídos segundo os seguintes critérios:
23
Um valor per capita anual de R$0,06 (seis centavos), definido
no art.º 6.º da Port. MS 1008/00, repassados do Fundo Nacional
de Saúde para o Fundo Municipal de Saúde; ou então, de R$0,09
(nove centavos) quando executarem ações preferencialmente de
responsabilidade do gestor estadual [...]” (CIB, 2000).
Governos que conseguem, com poucos recursos, resolver problemas críticos,
ganham credibilidade e economizam recursos para serviços emergenciais.
Estratégias prospectoras de administração municipal podem gerar vantagem
competitiva e facilitar a consecução de outras estratégias.
Para informações complementares, vide Anexo 3.
2.4. Redes Neurais Artificiais
RNAs são técnicas computacionais que apresentam um modelo inspirado na
estrutura neural de organismos inteligentes e que adquirem conhecimento através
da experiência (BRAGA et al., 2000).
Uma RNA extrai seu poder computacional através, primeiro, de sua estrutura
paralelamente distribuída e segundo de sua habilidade de aprender e, portanto, de
generalizar. A generalização se refere ao fato de a RNA produzir saídas adequadas
para entradas que não estavam presentes durante a fase de aprendizagem. Estas
duas capacidades de processamento de informação tornam possível para as RNAs
resolverem problemas complexos (de grande escala) que atualmente são intratáveis
(HAYKIN, 2001).
As RNAs são compostas por unidades de processamento simples, que
calculam determinadas funções matemáticas. A solução de problemas através de
RNAs é bastante atrativa, já que a forma como estes são apresentados
internamente pela rede e o paralelismo natural inerente à arquitetura das RNAs,
criam a possibilidade de um desempenho superior ao dos modelos convencionais
(BRAGA et al., 2000).
O trabalho em RNAs tem sido motivado desde o começo pelo reconhecimento
de que o cérebro humano processa informações de uma forma inteiramente
24
diferente do computador digital convencional. O cérebro é um computador altamente
complexo, não-linear e paralelo.
Uma RNA se assemelha ao cérebro em dois aspectos (HAYKIN, 2001):
O conhecimento é adquirido pela rede a partir de seu ambiente através
de um processo de aprendizagem.
Forças de conexão entre neurônios, conhecidas como pesos
sinápticos, são utilizadas para armazenar o conhecimento adquirido.
O procedimento utilizado para realizar o processo de aprendizagem é
chamado de algoritmo de aprendizagem, cuja função é modificar os pesos sinápticos
da rede de uma forma ordenada para alcançar um objetivo de projeto desejado.
Uma RNA é composta por neurônios (nodos ou nós). Um neurônio é uma
unidade de processamento de informação que é fundamental para a operação de
uma RNA. A figura a seguir mostra o modelo de um neurônio, também denominado
neurônio artificial.
Figura 1 – Modelo de um neurônio artificial.
Fonte: HAYKIN, 2001.
Na Figura 1 podemos identificar:
Um conjunto de sinapses ou elos de conexão, cada uma caracterizada
por um peso ou força própria. Um sinal xj na entrada da sinapse j
conectada ao neurônio k é multiplicado pelo peso sináptico wkj. É
importante notar a maneira como são escritos os índices do peso
25
sináptico wkj. O primeiro índice se refere ao neurônio em questão e o
segundo se refere ao terminal de entrada da sinapse à qual o peso se
refere.
Um somador, ou junção aditiva (Σ), para somar os sinais de entrada,
ponderados pelas respectivas sinapses do neurônio.
Uma função de ativação (ϕ(.)) para restringir a amplitude do sinal de
saída de um neurônio a um valor finito.
Pode-se simplificar a aparência de um neurônio utilizando a idéia de grafos de
fluxo de sinal, conforme a figura a seguir.
Figura 2 – Grafo arquitetural de um neurônio.
Fonte: HAYKIN, 2001.
A maneira pela qual os neurônios de uma rede são estruturados está
intimamente ligada com o algoritmo de aprendizagem utilizado para treinar a rede.
Em geral, pode-se identificar três classes de arquiteturas de rede fundamentalmente
diferentes: alimentada adiante com camada única, alimentada diretamente com
múltiplas camadas e recorrente. Conforme figuras a seguir (HAYKIN, 2001).
26
Figura 3 – Rede alimentada adiante com camada única.
Fonte: HAYKIN, 2001.
Apresenta-se na Figura 3, uma rede neural onde os neurônios estão
organizados em forma de camadas. Na forma mais simples de uma rede em
camadas, temos uma camada de entrada de nós de fonte que se projeta sobre uma
camada de saída de neurônios, mas não vice-versa.
Figura 4 - Rede alimentada diretamente com múltiplas camadas.
Fonte: HAYKIN, 2001.
Apresenta-se na Figura 4, uma rede neural que se distingue da rede
representada pela Figura 3, pela presença de uma ou mais camadas ocultas, cujos
27
neurônios são chamados de neurônios ocultos. A função dos neurônios ocultos é
intervir entre a entrada externa e a saída da rede. Adicionando-se uma ou mais
camadas ocultas, tornamos a rede capaz de extrair características de ordem
elevada.
Figura 5 – Rede recorrente.
Fonte: HAYKIN, 2001.
Apresenta-se na Figura 5, uma rede neural que se distingue de uma rede
alimentada adiante por ter pelo menos um laço de realimentação. A realimentação
se refere a uma situação onde a saída de um neurônio é realimentada para a sua
própria entrada. A utilização da realimentação tem um impacto na capacidade de
aprendizagem da rede e no seu desempenho.
A propriedade que é de importância primordial para uma RNA é sua
habilidade de aprender a partir de seu ambiente e de melhorar o seu desempenho
através da aprendizagem.
A aprendizagem é um processo pelo qual os parâmetros livres de uma RNA
são adaptados através de um processo de estimulação pelo ambiente no qual a rede
está inserida. O tipo de aprendizagem é determinado pela maneira pela qual a
modificação dos parâmetros ocorre (HAYKIN, 2001). A seguir, os tipos de
aprendizagem mais comumente aplicados.
28
Aprendizagem Supervisionada: de acordo com a Figura 6, as entradas e
saídas desejadas para a rede são fornecidas por um supervisor externo
(Professor). Limitam o campo de atuação quando o dado desejado para a
saída não é conhecido.
Figura 6 - Aprendizagem Supervisionada.
Fonte: HAYKIN, 2001.
Aprendizagem Não Supervisionada: de acordo com a Figura 7, não há
supervisor para acompanhar o aprendizado. Somente os padrões de
entrada estão disponíveis. Os dados de entrada têm que ser redundantes
(para a criação de padrões).
Figura 7 - Aprendizagem Não Supervisionada.
Fonte: HAYKIN, 2001.
Aprendizagem Competitiva: caso particular de aprendizagem não
supervisionada. Dado um padrão de entrada, as unidades de saída
disputam entre si para serem ativadas. A unidade vencedora é a que tem
29
a menor distância do padrão de entrada apresentado. O neurônio
vencedor terá seu vetor de pesos atualizado.
As características da aprendizagem competitiva a torna muito adequada para
descobrir características que podem ser utilizadas para classificar um conjunto de
padrões de entrada. Na forma mais simples de aprendizagem competitiva, a RNA
possui uma única camada de neurônios de saída, estando cada neurônio totalmente
conectado aos nós de entrada, conforme Figura 3.
A figura a seguir expõe a interpretação geométrica do processo de
aprendizagem competitiva. Os pontos representam os vetores de entrada e as
cruzes representam os vetores de pesos sinápticos de três neurônios de saída.
Figura 8 - Interpretação geométrica do processo de aprendizagem competitiva. Os pontos
representam os vetores de entrada e as cruzes representam os vetores de pesos sinápticos de três
neurônios de saída. (a) Estado inicial da rede. (b) Estado final da rede.
Fonte: HAYKIN, 2001.
2.4.1. Redes Kohonen
Rede alimentada adiante com camada única. Conhecida como mapa de
características auto-organizável, é uma rede de duas camadas que pode organizar
um mapa topológico a partir de um início aleatório. Desenvolvida por Teuvo
Kohonen na década de 80, este paradigma foi apresentado em 1982 (KOVACS,
1996).
O mapa resultante mostra os relacionamentos naturais entre os padrões que
são fornecidos à rede. A rede combina uma camada de entrada com uma camada
30
competitiva de unidades processadoras e é treinada pelo algoritmo de aprendizagem
não supervisionada.
A figura a seguir mostra o modelo básico de um mapa auto-organizável ou
mapa de Kohonen.
Figura 9 – Mapa auto-organizado de características – Modelo de Kohonen.
Fonte: HAYKIN, 2001.
Os padrões que chegam são classificados pelas unidades que eles ativam na
camada
competitiva.
Similaridades
entre
os
padrões
são
mapeadas
em
relacionamentos de proximidades sobre a grade da camada competitiva. Depois que
o treino está completo, os relacionamentos e agrupamentos entre os padrões são
observados na camada competitiva. A rede de Kohonen fornece vantagens sobre as
técnicas clássicas de reconhecimento de padrões porque utiliza a arquitetura
paralela de uma RNA e fornece uma organização gráfica dos relacionamentos entre
os padrões.
Há três processos essenciais envolvidos na formação do mapa autoorganizável, uma vez que o dados tenham sido apropriadamente inicializados,
sendo:
1. Competição. Para cada padrão de entrada, os neurônios da grade calculam
seus respectivos valores de uma função discriminante. Essa função discriminante
fornece a base para a competição entre os neurônios. O neurônio particular com
o maior valor da função discriminante é declarado vencedor da competição.
2. Cooperação. O neurônio vencedor determina a localização espacial de uma
vizinhança topológica de neurônios excitados, fornecendo assim a base para a
cooperação entre os neurônios vizinhos.
31
3. Adaptação Sináptica. Este último mecanismo permite que os neurônios
excitados aumentem seus valores individuais da função discriminante em relação
ao padrão de entrada através de ajuste dos seus pesos sinápticos.
Dada a natureza do problema apresentado nesse estudo, dentre os
paradigmas neurais apresentados, um dos escolhidos para ser implementado é uma
RNA Kohonen. O que foi considerado na escolha é o fato de que um município tem
que ser enquadrado em apenas uma classe, logo o problema deve ser tratado pelo
caso particular do algoritmo de aprendizagem não supervisionada, o algoritmo de
aprendizagem competitiva.
2.4.2. Quantização Vetorial por Aprendizagem
Compreende uma técnica que explora a estrutura subjacente dos vetores de
entrada para o propósito de compressão de dados (HAYKIN, 2001). Esta técnica é
aplicada, nas Redes Kohonen, após a identificação do neurônio com maior
similaridade com o vetor de entrada X.
Sua função é viabilizar o processo de
Cooperação, onde o neurônio vencedor determina a localização espacial de uma
vizinhança topológica para ajuste dos vetores de pesos sinápticos.
Especificamente, um espaço de entrada é dividido em um número de regiões
distintas (células), e para cada região é definido um vetor de reconstrução, criando o
quantizador, ou quantizador de Voronoi. Quando um novo vetor de entrada é
apresentado ao quantizador (ou quantizador de Voronoi), é determinada inicialmente
a região na qual o vetor se encontra, e ela é então representada pelo vetor de
reprodução para aquela região. Com isso, utilizando uma versão codificada deste
vetor de reprodução para armazenamento ou transmissão no lugar do vetor de
entrada original, pode-se obter uma considerável economia de armazenagem,
transmissão de dados ou tempo de processamento.
Um quantizador de Voronoi é composto por regiões distintas chamadas
células de Voronoi. As células de Voronoi em torno de um conjunto de pontos em
um espaço de entrada correspondem a uma partição daquele espaço de acordo com
a regra do vizinho mais próximo, baseada na métrica Euclidiana.
32
Figura 10 - Diagrama de Voronoi envolvendo quatro células.
Fonte: HAYKIN, 2001.
A Figura 10 mostra um exemplo de um espaço de entrada dividido em quatro
células de Voronoi com seus vetores de Voronoi associados (ou seja, vetores de
reconstrução). Cada célula de Voronoi contém aqueles pontos de espaço de entrada
que são mais próximos do vetor de Voronoi dentre a totalidade destes pontos.
No algoritmo de aprendizagem não supervisionada, a aproximação é
especificada pelos vetores de pesos sinápticos dos neurônios do mapa de
características.
Considere que {W j } j =1 represente o conjunto de vetores de Voronoi e
l
{ X i }i =1
N
represente o conjunto de vetores de entrada. Assume-se que existam muito mais
vetores de entrada do que vetores de Voronoi. O algoritmo de Quantização Vetorial
por Aprendizagem opera da seguinte forma:
Suponha que o vetor de Voronoi Wc seja o mais próximo do vetor de entrada
X i . Considere que CWc represente a classe associada com o vetor de Voronoi Wc e
C X i represente o rótulo de classe do vetor de entrada X i . O vetor de Voronoi Wc é
ajustado como segue.
Se CWc = C X i , então
wi (t + 1) = wi (t ) + η (t )( x − wi (t ))
(07)
Se, por outro lado, CWc ≠ C X i , então
wi (t + 1) = wi (t ) − η (t )( x − wi (t ))
(08)
33
Tendo 0 < η (t ) < 1 representando a taxa de aprendizado de uma rede neural e
variando dinamicamente durante o aprendizado da rede, entre os valores 0 e 1, para
a obtenção de melhores resultados.
34
Este Capítulo explica o tipo de pesquisa adotado, o universo de
pesquisa e a amostra, o tratamento dos dados e propõe um
modelo de solução para o problema.
3. METODOLOGIA
3.1. Tipo de Pesquisa
Para classificação da pesquisa, tomam-se como base os seguintes aspectos:
quanto ao fim e quanto aos meios.
Quanto ao fim, a pesquisa será descritiva, porque visa estabelecer relações
entre variáveis, com natureza já definida, e expor uma classificação municipal de
acordo com as mesmas. Busca-se a análise simultânea dos principais aspectos
sociais do Estado do Rio de Janeiro. Aspectos que abrangem indicadores de
educação, longevidade e renda, por exemplo. A pesquisa não tem o objetivo de
explicar os fenômenos que irá descrever, embora forneça uma base para tais
explicações.
Quanto aos meios, a pesquisa será de laboratório e de estudo de caso. De
laboratório, porque realiza a experiência em local circunscrito, já que em campo
seria impraticável. Simulação computacional será a principal ferramenta no auxílio à
pesquisa. De estudo de caso, porque é circunscrito à realidade social das unidades
municipais do Estado do Rio de Janeiro.
3.2. Universo e Amostra
O universo da pesquisa será definido pelos municípios que compõem o
Estado do Rio de Janeiro.
Para compor a amostra probabilística por conglomerados (municípios) da
pesquisa, serão selecionados os dados provenientes do ADHB (ATLAS, 2003),
dados esses que serão utilizados como base de entrada para a RNA.
Os dados de entrada da RNA comporão um vetor de m elementos. Cada
elemento do vetor de entrada corresponderá a uma taxa referente aos diversos
35
aspectos sociais da realidade estadual. O processamento da RNA deverá considerar
os aspectos sociais de forma integrada, para que os relacionamentos entre as
variáveis possam ser considerados.
3.3. Tratamento dos Dados
Propõe-se a utilização do método dedutivo no processo a ser desenvolvido. O
processo inicial se baseia na modelagem de duas RNAs. A primeira, um
classificador neural baseado em treino supervisionado (Classificador Neural
Supervisionado). A segunda, um classificador neural de duas camadas e com
aprendizado competitivo (Classificador Neural Kohonen). No segundo caso, na
escolha do paradigma neural, tem-se que considerar o fato de que se deseja a
classificação dos municípios para cumprimento do objetivo do estudo. Dessa forma,
a RNA escolhida é conhecida como Rede Auto-Organizável ou Rede de Kohonen.
Uma rede com capacidade de auto-organização (self-organizing) possui um
amplo leque de aplicações, principalmente em problemas de categorização de
dados em que as classes não são conhecidas a priori (BRAGA et al., 2000).
3.4. Modelo de Solução do Problema
A seguir, são apresentados os principais conceitos e as metodologias
utilizadas pelas RNAs propostas para estudo e que serão adotados como o modelo
de solução do problema.
3.4.1. RNA de Treino Supervisionado
Inicialmente, em redes de treino supervisionado, define-se a arquitetura da
rede e os valores dos parâmetros η, X, W, D e ϕ(v), a serem explicados a seguir.
Para definição da arquitetura da rede, considera-se um neurônio genérico k
que constitui o único nó computacional da camada de saída. O mesmo neurônio
possui três elementos de entrada.
O parâmetro η representa a taxa de aprendizado e varia dinamicamente
durante o aprendizado da rede, entre os valores 0 e 1, para a obtenção de melhores
resultados. A taxa de aprendizado é definida inicialmente em um valor relativamente
36
alto. O valor inicial de η(t) é estabelecido por escolha e é denotado por η0. Para uma
boa precisão estatística, η(t) deve ser mantido em um valor pequeno, durante a fase
de convergência que envolve as iterações finais. Durante o processo de
aprendizagem o parâmetro η é diminuído depois de um certo número de iterações,
de acordo com a expressão (09), onde η0 e τ são constantes definidas pelo usuário
(HAYKIN, 2001).
η (t ) =
η0
1 + (t / τ )
(09)
Considerando-se que m represente a dimensão do espaço de entrada de
dados, um padrão de entrada para a RNA é denotado aqui como:
X = [ x1 , x2 ,..., xm ]
(10)
O espaço de entrada de dados deve ser dividido em dois conjuntos distintos:
dados para treino e dados para teste.
O vetor de peso sináptico do neurônio k é representado por:
Wk = [ w1 , w2 ,..., wm ]
(11)
O valor de saída desejado é representado por d, sendo o vetor de dados de
saída desejados representado por:
D = [d1 , d 2 ,..., dl ]T
(12)
onde l representa a totalidade dos dados para teste.
A função de ativação, representada por ϕ(vk), define a saída do neurônio k em
termos do campo local induzido vk, que é representado por:
m
vk = ∑ ( x j .wkj )
j =1
A função de ativação é definida Função de Limiar, sendo:
(13)
37
1 se vk ≥ 0
0 se vk < 0
ϕ (vk ) = 
(14)
Após a definição dos parâmetros acima, é apresentado o vetor de entrada de
dados à rede. Dessa forma, obtém-se o valor de vk, segundo expressão (13).
Através da obtenção do valor de vk, define-se a saída final da rede através da
função de ativação, segundo expressão (14). Define-se que:
ϕ (vk ) = yk
(15)
onde yk representa o sinal de saída da rede. Este sinal, representando o único
sinal
de
saída
da
rede,
é
comparado
com
a
resposta
desejada
d.
Conseqüentemente, é produzido um sinal de erro, representado por ek(t).
ek (t ) = d (t ) − yk (t )
(16)
onde (t) representa o instante de tempo discreto, ou mais precisamente, o
passo de tempo de um processo iterativo envolvido no ajuste de pesos sinápticos do
neurônio em questão.
O sinal de erro e(t) aciona um mecanismo de controle, cujo propósito é aplicar
uma seqüência de ajustes corretivos aos pesos sinápticos do neurônio. Os ajustes
corretivos são projetados para aproximar passo a passo o sinal de saída y(t) da
resposta desejada d. Esse objetivo é alcançado aplicando-se:
wkj (t + 1) = wkj (t ) + η (t ).ek (t ).x j (t )
(17)
A apresentação dos dados de entrada à rede deve ser efetuada até que se
termine o conjunto de dados para treino. Processo esse que deve ser repetido até
que não ocorram mais ajustes de pesos sinápticos na apresentação de um conjunto
de treino por completo.
Por fim, testa-se a capacidade de abstração da rede alimentando-a com o
conjunto de dados para teste e verificando a saída fornecida, comparando-a com a
saída desejada.
38
Resumindo, as regras básicas para implementação de uma rede de treino
supervisionado podem ser descritas como segue:
1. Definir a arquitetura da
η,
X , de acordo com a
W , de acordo com a
D , de acordo com a
ϕ (vk ) , de acordo com
rede e os valores dos parâmetros:
expressão (10),
expressão (11),
expressão (12) e
a expressão (14).
2. Inicializar os pesos do neurônio k com valores aleatórios
pertencentes ao conjunto de valores de entrada X .
3. Apresentar uma entrada à rede.
4. Calcular o valor do campo local induzido vk , de acordo com a
expressão (13).
5. Calcular o valor de saída da rede yk , de acordo com a
expressão (15), e compará-lo à resposta desejada
d.
Extraindo-se, assim, o valor do sinal de erro ek , de acordo
com a expressão (16).
6. Atualizar os pesos sinápticos do neurônio, de acordo com a
expressão (17), considerando o erro encontrado no passo 5.
7. Se existir, ainda, algum dado que faça parte do conjunto de
treinamento e que não foi apresentado à rede, voltar ao
passo 3.
8. Se o critério de parada foi satisfeito, encerrar essa fase
do treinamento; caso contrário, realizar nova iteração do
conjunto de treinamento, retornar ao passo 3.
O critério de parada do classificador neural, de acordo com o paradigma
utilizado, é implementado de tal forma que a apresentação dos dados de entrada à
rede deve ser efetuada até que se termine o conjunto de dados para treino.
Processo esse, que deve ser repetido, até que não ocorram mais ajustes de pesos
sinápticos na apresentação de um conjunto de treino por completo.
39
3.4.2. RNA de Treino Não Supervisionado (Kohonen)
Inicialmente, em redes de treino não supervisionado, define-se a arquitetura
da rede e os valores dos parâmetros η, X e W, a serem explicados a seguir.
3.4.2.1.
Processo Competitivo
Um padrão de entrada para a RNA é denotado aqui como:
X = [ x1 , x2 ,..., xm ]
(18)
O vetor de peso sináptico de cada neurônio da grade tem a mesma dimensão
que o espaço de entrada. Considera-se que o vetor de peso sináptico do neurônio k
seja representado por:
Wk = [ wk 1 , wk 2 ,..., wkm ]
(19)
onde m é o número total de elementos da grade ou camada de entrada.
O primeiro passo na operação de uma rede de Kohonen é calcular o grau de
similaridade (matching value) para cada unidade na camada competitiva. Este valor
quantifica o grau de igualdade entre os pesos de cada unidade e os valores
correspondentes do padrão de entrada. Uma forma de se medir a similaridade entre
a entrada e o neurônio é através de:
X − Wk
(20)
que é a distância Euclidiana entre os vetores X e Wk e é calculada por:
m
∑ (x
j
− wkj ) 2
j =1
A unidade com a menor distância Euclidiana vence a competição.
(21)
40
Ao se usar o índice i para identificar o neurônio com maior similaridade com o
vetor X que está entrando na rede no momento, i é tal que:
X − Wi = min X − Wk
k
(22)
Onde o mínimo é tomado sobre todas as k-ésimas unidades na camada
competitiva. Se duas unidades têm o mesmo valor da expressão (20), então, por
convenção, a unidade com o menor índice k é escolhida.
3.4.2.2.
Processo Cooperativo e Adaptativo
O neurônio vencedor localiza o centro de uma vizinhança topológica de
neurônios cooperativos. A vizinhança topológica em torno de um neurônio vencedor
consiste no espaço decorrente de sua distância lateral. Suponha que o vetor de
Voronoi Wc seja o mais próximo do vetor de entrada X i . Considere que CWc
represente a classe associada com o vetor de Voronoi Wc e C X i represente o rótulo
de classe do vetor de entrada X i . O vetor de Voronoi Wc é ajustado usando as
expressões (07) e (08).
Deste ajustamento resulta a mudança dos pesos da unidade vencedora,
tornando-a mais parecida com o padrão de entrada. A vencedora então se torna
mais provável de (ou mais apta a) vencer a competição, seja ao se apresentar o
mesmo ou um padrão semelhante de entrada.
Resumindo, as regras básicas para implementação da RNA Kohonen podem
ser descritas como segue:
1. Definir a arquitetura da rede e os valores dos parâmetros:
η,
X , de acordo com a expressão (18) e
W , de acordo com a expressão (19).
2. Inicializar os pesos do neurônio k com valores aleatórios
pertencentes ao conjunto de valores de entrada X .
3. Apresentar uma entrada à rede.
41
4. Calcular a distância Euclidiana entre a entrada e os pesos
para cada neurônio de saída, de acordo com a expressão (21).
5. Selecionar o neurônio vencedor i , ou seja, o neurônio que
apresentar
a
menor
distância
do
padrão
de
entrada
apresentado, de acordo com a expressão (22).
6. Identificar a vizinhança relacionada ao neurônio vencedor.
7. Atualizar os pesos do neurônio vencedor, seus vizinhos e não
vizinhos, de acordo com as expressões (07) e (08).
8. Se existir, ainda, algum dado que faça parte do conjunto de
treinamento e que não foi apresentado à rede, voltar ao
passo 3.
9. Se o critério de parada foi satisfeito, encerrar essa fase
do treinamento; caso contrário, realizar nova iteração do
conjunto de treinamento, retornar ao passo 3.
O critério de parada do classificador neural, de acordo com o paradigma
utilizado (mapa de características auto-organizável), é implementado de tal forma
que o algoritmo só deve parar caso não sejam observadas modificações
significativas no mapa de características, por um número determinado de iterações.
3.5. Alternativa para o Modelo de Solução do Problema
A metodologia adotada para solução do problema pode ser expressa de uma
forma alternativa como mostra a Figura 11.
Definir critérios
relacionados à medição
do nível de
desenvolvimento
humano (IDH).
Implementar o
Classificador Neural.
Alimentar dados e
realizar simulações para
coleta de informações.
Figura 11 – Modelo de solução do problema proposto.
42
Este
Capítulo
apresenta
a
aplicação
das
ferramentas
propostas, de acordo com os dados estatísticos provenientes
do ADHB, relacionados ao IDH-M.
4.
ESTUDO DE CASO
O objetivo desse estudo de caso é apresentar um exemplo de aplicação das
RNAs no apoio à tomada de decisão. Deseja-se classificar os municípios do Estado
do Rio de Janeiro em relação ao IDH-M.
Nesta etapa da pesquisa realizada, investiga-se a aplicação de um método
computacional totalmente baseado em topologias neurais supervisionadas e não
supervisionadas, através da utilização de uma base de dados relativa ao estudo do
IDH-M.
Pode-se extrair características de qualquer base de dados nas mais diversas
áreas sócio-econômicas e culturais do Estado. Como exemplo: Educação,
Segurança, Habitação, Saúde, Assistência Social, Ciência e Tecnologia, Cultura,
Trabalho e Previdência, Agropecuária, Indústria e Turismo. Porém, para viabilizar a
análise a partir de um estudo de caso, foram utilizados os índices referentes à renda,
longevidade e educação que compõem o IDH.
A implementação dos classificadores neurais foi realizada utilizando um
computador pessoal equipado com um processador AMD 950MHz com 128MB de
memória RAM (Random Access Memory) e sistema operacional Microsoft Windows
2000. A linguagem de programação utilizada foi o Delphi 6.0 e os dados referentes
ao IDH-M foram armazenados em arquivos DBF (Database File), através do
aplicativo Excel 2000.
4.1. O Estado do Rio de Janeiro
O Estado do Rio de Janeiro situa-se na Região Sudeste, a região
geoeconômica mais importante do país, respondendo, juntamente com São Paulo,
Minas Gerais e Espírito Santo, por mais de 50% do PIB brasileiro. É um dos
principais portões de entrada do Brasil. O território fluminense, com uma área de
43
43.864,3 km2, está dividido em 92 municípios, agrupados em oito Regiões de
Governo, conforme Mapa Temático 3 (AEERJ, 2002).
Mapa Temático 3 - Regiões de Governo e Microrregiões Geográficas - RJ.
Fonte: AEERJ, 2002.
4.2. O Classificador Neural Supervisionado
4.2.1. Arquitetura do Classificador Neural
A arquitetura do classificador neural Supervisionado, de acordo com o
contexto deste estudo, pode ser visualizada na Figura 12. O mesmo é composto por
três elementos de entrada, que juntos representam o vetor de entrada X, e por uma
saída y, compondo o único neurônio da rede.
44
Figura 12 – Arquitetura do classificador neural Supervisionado.
4.2.2. Definição de Parâmetros e Dados Iniciais
Inicialmente, em redes de treino supervisionado, definem-se os valores dos
parâmetros η, X, W, D e ϕ(v).
O parâmetro η representa a taxa de aprendizado e varia dinamicamente
durante o aprendizado, para a obtenção de melhores resultados. A taxa de
aprendizado é definida inicialmente em 0,9 ou um valor a critério do usuário.
Considerando-se que m = 3 represente a dimensão do espaço de entrada de
dados, cada elemento do vetor de entrada corresponde às taxas do IDH-M
referentes a um município do Estado. As taxas utilizadas foram, respectivamente:
Renda, Longevidade e Educação.
Como exemplo:
Araruama ( RJ ) X 1 = [0, 701;0, 719;0,849]
Logo, um padrão de entrada para a RNA é denotado aqui como:
X n = [ xn1 , xn 2 , xn 3 ], n = 1, 2,...,91
O espaço de entrada de dados deve ser dividido em dois conjuntos distintos:
dados para treino e dados para teste. O conjunto de treino é composto por 85
municípios e o conjunto de teste é composto por 06 municípios escolhidos
aleatoriamente. O município de Mesquita não fez parte do processo pela inexistência
de dados estatísticos que representem sua realidade social.
45
Considera-se que o vetor de peso sináptico inicial seja representado por:
W = [ w1 , w2 , w3 ]
E, mais especificamente, W = [0, 76; 0, 76;0, 76] .
Os pesos sinápticos iniciais são iguais a 0,76, que corresponde à média dos
valores dos dados de entrada.
O vetor de dados de saída desejados, ou seja, as classes às quais os
municípios devem pertencer, possui seus elementos extraídos do ADHB, é
representado por:
D = [d1 , d 2 ,..., d91 ]T
Com relação à função de ativação (Função de Limiar) temos:
1 se vk ≥ 1,82
2 se vk < 1,82
ϕ (vk ) = 
ϕ(vk) = 1 representa que o município está enquadrado na classe 1 e ϕ(vk) = 2
representa que o município está enquadrado na classe 2. Ou seja:
Classe 1: IDH de 0,500 a 0,799 - desenvolvimento humano alto.
Classe 2: IDH de 0,800 a 1,000 - desenvolvimento humano médio.
A escolha do limiar no valor de 1,82 foi estipulada com base nos dados de
entrada do classificador neural. O último município da classe 1, segundo o IDH-M
2000 (ATLAS, 2003), é o município de Itatiaia. Ao se aplicar:
3
vk = ∑ ( x j .wkj )
j =1
sendo k = índice do município de Itatiaia, chegou-se ao valor 1,82 para o
campo local induzido do referido município.
46
A apresentação dos dados de entrada à rede deve ser efetuada até que se
termine o conjunto de dados para treino. Processo esse, que deve ser repetido, até
que não ocorram mais ajustes de pesos sinápticos na apresentação de um conjunto
de treino por completo.
Por fim, testa-se a capacidade de abstração da rede alimentando-a com o
conjunto de dados para teste e verificando-se a classificação proposta pela rede,
que deve ser idêntica à proposta pelo IDH-M 2000 (ATLAS, 2003).
4.2.3. Interface Gráfica
Para a utilização da ferramenta, foram criados dois bancos de dados com os
dados provenientes do ADHB. Para maiores informações a respeito do processo de
instalação da ferramenta e dos bancos de dados, vide Apêndice 2.
A tela inicial da ferramenta permite alterar a taxa de aprendizado inicial e
visualizar as funcionalidades listadas a seguir.
Funcionalidades:
Visualização da classificação final proposta pela ferramenta, conforme
Figura 14.
Visualização do esquema neural proposto, segundo a metodologia
exposta neste trabalho de pesquisa, conforme Figura 15.
Visualização das informações a respeito da ferramenta, conforme Figura
16.
Para iniciar o processo de treinamento da RNA, basta clicar no botão Treino
presente na tela principal. Após o término da execução, a mensagem Treino
Finalizado será exibida e a etapa de teste da rede pode ser efetuada. Caso seja
necessário, zera-se a classificação anterior, clicando no botão Zerar e inicia-se novo
teste da rede, clicando no botão Testar. Para encerrar a execução do programa,
basta clicar no botão Sair presente na tela principal, conforme Figura 13.
47
Figura 13 – Tela principal do classificador neural Supervisionado.
Figura 14 – Classificação final do classificador neural Supervisionado.
48
Figura 15 – Esquema neural do classificador neural Supervisionado.
Figura 16 – Informações a respeito do classificador neural Supervisionado.
49
4.3. O Classificador Neural Kohonen
4.3.1. Arquitetura do Classificador Neural
A arquitetura do classificador neural Kohonen, de acordo com o contexto
deste estudo, pode ser visualizada na Figura 17. O mesmo é composto por três
elementos de entrada, que juntos representam o vetor de entrada X, e por três
neurônios de saída, representando as classes às quais os municípios podem ser
enquadrados.
Figura 17 – Arquitetura do classificador neural Kohonen.
Dada uma entrada, somente um neurônio de saída deve ser ativado,
registrando assim, a classe à qual o município pertence. As classes devem agrupar
municípios com características semelhantes. O classificador proposto extrai
características da base de dados estatísticos do ADHB. É feita, então, uma
classificação por similaridade de valores.
4.3.2. Definição de Parâmetros e Dados Iniciais
Inicialmente, em redes de treino não supervisionado, definem-se os valores
dos parâmetros η, X e W.
O parâmetro η representa a taxa de aprendizado e varia dinamicamente
durante o aprendizado, para a obtenção de melhores resultados. A taxa de
aprendizado é definida inicialmente em 0,9 ou um valor a critério do usuário.
Considerando-se que m = 3 represente a dimensão do espaço de entrada de
dados, cada elemento do vetor de entrada corresponde às taxas do IDH-M
50
referentes a um município do Estado. As taxas utilizadas foram, respectivamente:
Renda, Longevidade e Educação.
Como exemplo:
Araruama ( RJ ) X 1 = [0, 701;0, 719;0,849]
No processo de implementação da ferramenta, foram utilizados 91 vetores de
teste. Cada vetor de teste representa os dados de um município do Estado do Rio
de Janeiro. O município de Mesquita representaria o 92o município, porém não fez
parte do processo pela inexistência de dados estatísticos que representem sua
realidade social. Logo, um padrão de entrada para a RNA é denotado aqui como:
X n = [ xn1 , xn 2 , xn 3 ], n = 1, 2,...,91
Nesse tipo de paradigma neural, o procedimento de teste da rede pode não
ser aplicado, logo o conjunto de dados de entrada é alimentado por completo no
procedimento de treino da rede.
Considera-se que o vetor de peso sináptico inicial seja representado por:
Wn = [ wn1 , wn 2 ,..., wnm ]
sendo, nesse caso, m = 3 o número total de elementos da grade ou camada
de entrada, e n = 3 o número total de elementos da camada de saída (classes).
Logo:
Wn = [ wn1 , wn 2 ,..., wn 3 ], n = 1, 2, 3
O vetor de peso sináptico é composto por dados aleatórios pertencentes ao
conjunto de dados de entrada.
O critério de parada do classificador neural, de acordo com o paradigma
utilizado (mapa de características auto-organizável), é implementado de tal forma
que o algoritmo só deve parar caso não sejam observadas modificações
significativas no mapa de características, por um número de 10 iterações.
51
4.3.3. Interface Gráfica
Para a utilização da ferramenta, foram criados dois bancos de dados com os
dados provenientes do ADHB. Para maiores informações a respeito do processo de
instalação da ferramenta e dos bancos de dados, vide Apêndice 2.
A tela inicial da ferramenta permite visualizar os parâmetros e funcionalidades
listados a seguir. Permite, ainda, alterar taxa de aprendizado inicial e o critério de
parada, conforme, Figura 19.
Parâmetros: (conforme Figura 18)
Taxa de Aprendizado.
Iterações.
Critério de Parada (Iterações).
Tempo de Execução.
Status da ferramenta.
Funcionalidades: (conforme Figura 18)
Visualização do vetor de entradas, que representa as taxas do IDH-M
referentes a um município do Estado, conforme Figura 20.
Visualização do vetor de saídas resultante da última apresentação do
vetor de teste, conforme Figura 21.
Visualização do vetor de pesos sinápticos iniciais para cada um dos
neurônios da camada de saída, conforme Figura 22.
Visualização da classificação final proposta pela ferramenta, conforme
Figura 23.
Visualização do esquema neural proposto segundo a metodologia
exposta neste trabalho de pesquisa, conforme Figura 24.
Visualização das informações a respeito da ferramenta, conforme Figura
25.
52
Para iniciar o processo de treinamento e classificação da RNA, basta clicar no
botão Executar presente na tela principal. Após o término da execução, as
funcionalidades localizadas à direita da tela inicial podem ser acessadas. Para
encerrar a execução do programa, basta clicar no botão Sair presente na tela
principal, conforme Figura 18.
Figura 18 – Tela principal do classificador neural Kohonen.
Figura 19 – Alteração de taxa de aprendizado e critério de parada.
53
Figura 20 – Entradas do classificador neural Kohonen.
Figura 21 – Saídas do classificador neural Kohonen.
54
Figura 22 – Pesos sinápticos do classificador neural Kohonen.
Figura 23 – Classificação final do classificador neural Kohonen.
55
Figura 24 – Esquema neural do classificador neural Kohonen.
Figura 25 – Informações a respeito do classificador neural Kohonen.
56
Este Capítulo expõe todos os resultados obtidos, propondo
uma análise para os mesmos. Além disso, encerra a
dissertação, apresentando algumas constatações, bem como
sugestões de trabalhos futuros.
5. ANÁLISE DOS RESULTADOS E CONCLUSÃO
O principal objetivo desta pesquisa foi avaliar a base teórica necessária para
desenvolver uma ferramenta que propõe uma metodologia alternativa de
classificação, para a otimização dos diversos processos realizados nas secretarias
de planejamento. Como conseqüência, pode-se afirmar que outros objetivos foram
atingidos: uma revisão bibliográfica sobre a pesquisa proposta foi apresentada e
uma aplicação prática da simulação computacional foi realizada.
Nos capítulos expostos nessa dissertação, verificaram-se os principais fatores
que determinaram a proposta da aplicação de uma nova metodologia capaz de
auxiliar o processo de tomada de decisão; descreveram-se os principais tópicos
referentes à base teórica formada para a concepção do presente estudo; explicouse o tipo de pesquisa adotado, o universo de pesquisa, a amostra e o tratamento
dos dados; apresentou-se a aplicação das ferramentas e, por fim, neste capítulo,
expõem-se os resultados obtidos, propõe-se uma análise para os mesmos e
encerra-se a dissertação apresentando algumas constatações, bem como sugestões
de trabalhos futuros.
5.1. Análise dos Resultados
5.1.1. Quanto às Ferramentas
A simulação computacional agrega vantagens aos processos administrativos.
A principal delas reside no fato de permitir às organizações experimentar regras de
decisão alternativas dentro dos limites de um ambiente laboratorial controlado.
Outras vantagens observadas referem-se à capacidade do modelo de simulação de
se adaptar às necessidades administrativas de uma forma geral, de ser de fácil
acesso e utilização, entre outras.
57
O uso de técnicas de classificação neural em uma base de dados
supostamente confiável se mostrou uma alternativa plausível e com tempo de
execução baixo. Reconhecendo e tratando a subjetividade inerente ao problema,
com base em algoritmos matemáticos desenvolvidos para tratar de problemas desta
natureza.
Dessa forma, conclui-se que a simulação computacional é uma ferramenta útil
na aquisição de conhecimentos sobre o cenário estudado.
5.1.2. Quanto aos Parâmetros
Convergindo nas primeiras iterações, a RNA Kohonen (treino não
supervisionado) rapidamente se estabiliza. Foi verificada a convergência da rede na
13a iteração, conforme Tabela 6.
O
treinamento
exaustivo
dos
modelos
de
RNAs
não
implica,
necessariamente, em melhora contínua das previsões obtidas. Para tempos de
treinamento mais longos, os experimentos analisados no decorrer da concepção
deste estudo, comprovam que o resultado obtido tende a estabilizar em um
determinado nível que parece intransponível. Esse comportamento foi observado
para as diferentes configurações analisadas. Dessa forma, o critério de parada
definido em 20 iterações ou 100 iterações sem alteração na classificação final, não
surte efeito na classificação final. Alterando-se o critério de parada, o tempo
computacional aumentou proporcionalmente. Porém não foi registrada diferença na
classificação. Fato esse esperado, visto que a técnica de RNA se constitui de um
método que se assemelha aos de otimização em relação às características de
convergência rápida para o ponto considerado ótimo.
Os pesos sinápticos de uma RNA Kohonen são iniciados aleatoriamente. Por
conta disso, muitos nodos podem apresentar vetores de pesos muito diferentes do
padrão de entrada. Dessa forma, pode ser que não haja o número necessário de
nodos utilizáveis (que possam vencer as competições) para definir os clusters
adequadamente. Em resultado, a rede pode ou não convergir ou apresentar ciclos
muito lentos. A alternativa proposta para resolver o problema, de acordo com relatos
de experiências estudados para concepção deste trabalho, foi a utilização de vetores
de pesos com valores iniciais pertencentes ao conjunto dos dados de entrada e a
utilização do conceito de vizinhança, através dos Diagramas de Voronoi.
58
Segundo BRAGA (2000), a utilização de vetores de pesos com magnitudes
diferentes, prejudica a competição entre os nodos, por desviar a atenção da rede
para a magnitude, em vez da orientação dos vetores de peso, que é o que interessa.
Com a implementação da técnica de Quantização Vetorial por Aprendizagem
(Diagramas de Voronoi), o tempo de processamento, preservando-se os parâmetros,
é reduzido em aproximadamente 78%. O ganho no fator tempo é bastante
considerável. E o resultado era esperado já que a técnica resulta na obtenção de
uma considerável economia de armazenagem, transmissão de dados ou tempo de
processamento.
5.1.3. Quanto à Classificação
Com relação ao classificador neural Supervisionado, a taxa de acertos
alcançados, na fase de teste da rede, foi de 100%. Fato que confirma a
confiabilidade e aplicabilidade do método proposto para resolução de problemas
relacionados com classificação de padrões.
Com relação ao classificador neural Kohonen, é importante ressaltar que não
existe a intenção de comparação de valores, no que diz respeito ao resultado obtido
através do classificador e à classificação proposta pelo ADHB.
Verificou-se a inexistência de uma relação entre as taxas de alimentação do
classificador neural Kohonen e a classe na qual o município se enquadra. Porém
não se pode negar a influência da base de dados no resultado final.
Os clusters obtidos neste estudo, através do classificador neural Kohonen,
revelaram-se uma alternativa razoável aos estudos realizados com o emprego de
técnicas tradicionais. Ressaltando o não comprometimento das técnicas de
treinamento não supervisionado com a apresentação de coerência compatível com
os resultados apresentados por essas técnicas.
A Tabela 6, a seguir, expõe a classificação municipal obtida através do
classificador neural Kohonen implementado, no decorrer de algumas interações.
Pode-se observar, através da mesma, que a rede se estabiliza na 13a iteração,
tornando desnecessário o treino exaustivo da rede.
59
Tabela 6 – Classificação dos municípios, segundo classificador neural Kohonen.
REG
Iteração Iteração Iteração Iteração Iteração Iteração Iteração
#1
#2
#3
#13
#14
#50
#100
Angra dos Reis
2
1
2
2
2
2
2
Aperibé
3
1
2
2
2
2
2
Araruama
1
1
2
2
2
2
2
Areal
3
1
2
2
2
2
2
Armação de Búzios
2
1
2
2
2
2
2
Arraial do Cabo
2
1
2
2
2
2
2
Barra do Piraí
2
1
2
2
2
2
2
Barra Mansa
2
1
2
2
2
2
2
Belford Roxo
1
2
3
3
3
3
3
Bom Jardim
3
3
3
3
3
3
3
Bom Jesus do Itabapoana
1
2
3
3
3
3
3
Cabo Frio
2
1
2
2
2
2
2
Cachoeiras de Macacu
3
3
3
3
3
3
3
Cambuci
3
3
3
3
3
3
3
Campos dos Goytacazes
1
2
2
2
2
2
2
Cantagalo
2
1
2
2
2
2
2
Carapebus
1
2
2
2
2
2
2
Cardoso Moreira
3
3
3
3
3
3
3
Carmo
2
1
2
2
2
2
2
Casimiro de Abreu
2
1
2
2
2
2
2
Comendador Levy Gasparian
1
2
2
2
2
2
2
Conceição de Macabu
1
2
2
2
2
2
2
Cordeiro
2
1
2
2
2
2
2
Duas Barras
3
3
3
3
3
3
3
Duque de Caxias
1
2
2
2
2
2
2
Engenheiro Paulo de Frontin
1
2
2
2
2
2
2
Guapimirim
1
2
2
2
2
2
2
Iguaba Grande
2
1
2
2
2
2
2
Itaboraí
1
2
3
3
3
3
3
Itaguaí
1
2
3
3
3
3
3
Italva
3
3
3
3
3
3
3
Itaocara
2
1
2
2
2
2
2
Itaperuna
2
1
2
2
2
2
2
Itatiaia
2
1
2
2
2
2
2
Japeri
3
3
3
3
3
3
3
continua
60
continuação
REG
Iteração Iteração Iteração Iteração Iteração Iteração Iteração
#1
#2
#3
#13
#14
#50
#100
Laje do Muriaé
3
3
3
3
3
3
3
Macaé
1
2
2
2
2
2
2
Macuco
2
1
2
2
2
2
2
Magé
2
1
2
2
2
2
2
Mangaratiba
1
2
2
2
2
2
2
Maricá
1
2
2
2
2
2
2
Mendes
1
2
2
2
2
2
2
Miguel Pereira
1
2
2
2
2
2
2
Miracema
2
1
3
3
3
3
3
Natividade
2
1
3
3
3
3
3
Nilópolis
1
2
2
2
2
2
2
Niterói
1
2
2
2
2
2
2
Nova Friburgo
1
1
3
3
3
3
3
Nova Iguaçu
2
1
3
3
3
3
3
Paracambi
2
1
3
3
3
3
3
Paraíba do Sul
2
1
3
3
3
3
3
Parati
2
1
3
3
3
3
3
Paty do Alferes
3
3
1
3
3
3
3
Petrópolis
1
1
3
2
2
2
2
Pinheiral
2
1
3
2
2
2
2
Piraí
2
1
3
2
2
2
2
Porciúncula
3
3
3
3
3
3
3
Porto Real
2
1
3
2
2
2
2
Quatis
2
1
3
2
2
2
2
Queimados
3
3
3
3
3
3
3
Quissamã
3
3
3
3
3
3
3
Resende
1
1
3
2
2
2
2
Rio Bonito
2
3
3
3
3
3
3
Rio Claro
3
3
3
3
3
3
3
Rio das Flores
3
3
3
3
3
3
3
Rio das Ostras
1
1
3
2
2
2
2
Rio de Janeiro
1
2
2
2
2
2
2
Santa Maria Madalena
3
3
3
3
3
3
3
Santo Antônio de Pádua
3
3
3
3
3
3
3
Sapucaia
3
3
3
3
3
3
3
continua
61
continuação
Iteração Iteração Iteração Iteração Iteração Iteração Iteração
REG
#1
#2
#3
#13
#14
#50
#100
Saquarema
3
3
3
3
3
3
3
São Fidélis
3
3
3
3
3
3
3
São Francisco de Itabapoana
3
3
3
3
3
3
3
São Gonçalo
2
1
2
2
2
2
2
São João da Barra
3
3
3
3
3
3
3
São João de Meriti
2
1
2
2
2
2
2
São José de Ubá
3
3
3
3
3
3
3
São José do Vale do Rio Pret
3
3
3
3
3
3
3
São Pedro da Aldeia
2
1
2
2
2
2
2
São Sebastião do Alto
3
3
3
3
3
3
3
Seropédica
2
1
2
2
2
2
2
Silva Jardim
3
3
3
3
3
3
3
Sumidouro
3
3
3
3
3
3
3
Tanguá
2
1
2
2
2
2
2
Teresópolis
1
2
2
2
2
2
2
Trajano de Morais
3
3
3
3
3
3
3
Três Rios
1
2
2
2
2
2
2
Valença
1
2
2
2
2
2
2
Varre-Sai
2
1
3
3
3
3
3
Vassouras
1
2
2
2
2
2
2
Volta Redonda
1
2
2
2
2
2
2
Fonte: classificador neural Kohonen
Pode-se observar, ainda, que apesar do classificador neural Kohonen estar
configurado com três neurônios de saída, supondo-se três classes finais, apenas
duas classes foram compostas. Esse fato se justifica pela similaridade dos valores
de entrada, e se comprova pelo ADHB, que classifica os municípios do Estado do
Rio de Janeiro como municípios com desenvolvimento humano médio e alto, não
identificando municípios com desenvolvimento humano baixo, o que justificaria a 3a
classe.
Porém, através de experimentos com dois neurônios de saída (duas classes),
verificou-se a não existência do número necessário de nodos utilizáveis (que
possam vencer as competições) para definir os clusters adequadamente, resultando
em todos os municípios enquadrados na classe 1.
62
5.2. Conclusões
Técnicas de RNAs aplicadas na classificação de dados apresentaram
sincronismo com a realidade, reagindo mais rapidamente às mudanças observadas
no comportamento do ambiente real.
O interesse crescente em RNAs se deve principalmente ao bom desempenho
na solução de problemas, como o reconhecimento de padrões. A capacidade de
abstração de uma RNA é outra característica muito importante. A ausência da
necessidade de hipótese inicial, dispensa a necessidade de regressões estatísticas
para encontrar parâmetros de um suposto modelo de comportamento. A suposição
do modelo fica a cargo das conexões e neurônios da RNA (MARTINELLI, 1999).
Um dos obstáculos encontrados na aplicação de RNAs com treino não
supervisionado, é que elas não deixam claro o raciocínio envolvido na solução do
problema. Isso pode levar seus usuários a não confiar nos resultados obtidos e ao
conseqüente abandono da solução encontrada. Entretanto, cabe ressaltar que está
incluso na natureza das RNAs a modelagem baseada em transformação de dados.
Um outro caso seria a aceitação de valores fornecidos pela RNA sem
questionamento, principalmente em casos que, devido à natureza do problema em
questão, ocorre a não existência de um histórico de dados de saída desejados para
a classificação, impossibilitando comparações de resultados para verificação do
número de “acertos” ou “erros” do classificador neural com treino não
supervisionado.
Contudo, isso pode ser apreciado sob uma ótica favorável, na qual o mais
importante atributo da realização de uma tarefa qualquer seria a obtenção do melhor
desempenho possível, independente de qual metodologia adotar.
Para redes de treino não supervisionado, a base de dados com grande
similaridade de valores pode comprometer a verdade contida na classificação final.
Como exemplo, na classificação final proposta pelo classificador neural Kohonen, o
município de Nova Friburgo não está presente na mesma classe na qual se
enquadra o município do Rio de Janeiro. Na classificação proposta pelo ADHB, os
dois municípios citados anteriormente estão presentes na mesma classe, ou seja, na
classe dos municípios com alto desenvolvimento humano. Vide Tabelas 5 e 6.
63
Deve-se isso à similaridade de valores presentes na base de dados. Dessa
forma, o município de Nova Friburgo ficou na região de fronteira que separa o mapa
de características em duas partes (classe 1 e 2). Estando em uma região de
fronteira, ele pode ser classificado pelo método como pertencente tanto a um grupo
como a outro, não necessariamente no grupo mais adequado.
Destaca-se aqui a importância de uma base de dados adequada ao sistema
que se deseja escrever através dela. A utilização de uma base de dados pobre em
detalhes pode acarretar resultados dúbios. Uma base de dados demasiadamente
simples fornece resultados frágeis, que podem ser completamente diferentes uns
dos outros caso sejam feitos pequenas mudanças nos dados de entrada. Os
resultados obtidos refletem a qualidade dos dados de entrada. Portanto, uma boa
base de dados é extremamente importante para que os resultados obtidos sejam
confiáveis.
Porém, indiscutivelmente, RNAs que contemplem técnicas de treino
supervisionado, estarão fadadas ao sucesso na classificação de padrões,
considerando o resultado final esperado.
Somente a divulgação de trabalhos e a ampliação das pesquisas na área de
RNAs, poderão acarretar uma popularização de seu uso e descobertas que
contribuirão para o aumento da confiança e compreensão dos resultados obtidos.
Estudos publicados de RNAs com algoritmo de aprendizado supervisionado,
como exemplo, HIRAYAMA (2004), demonstram resultados satisfatórios com
acertos próximos de 100%. Logo, presume-se que em RNAs com algoritmo de
aprendizado não supervisionado, a garantia de sucesso é inevitável, obedecendo-se
rigorosamente as características que regem a metodologia, bem como as técnicas
propostas para o refinamento da mesma.
As ferramentas propostas nesta pesquisa abrem uma nova dimensão nas
técnicas de classificação, que ainda devem ser amplamente investigadas.
5.3. Sugestões para Trabalhos Futuros
Um trabalho de pesquisa, contudo, não se esgota em si mesmo; antes,
provoca outros trabalhos. A presente dissertação não foge à regra. As limitações
impostas impediram a exploração de outras dimensões relevantes ao objeto de
estudo. Algumas lacunas se apresentaram, mas não puderam ser preenchidas.
64
Nesse contexto, propõe-se para futuras pesquisas:
Um trabalho de extração de conhecimento de RNAs na obtenção de uma
compreensão maior do seu mecanismo para tomada de decisão,
permitindo avaliar o grau de credibilidade da classificação obtida.
Embora, não tenha sido possível destacar isso no presente texto, é
possível avaliar a credibilidade de cada classificação obtida. A
credibilidade
está
associada
aos
conceitos
de
concordância
e
discordância da classificação. São utilizados algoritmos específicos na
extração de conhecimento em RNAs (MARTINELLI, 1999).
A utilização de arquiteturas capazes de realizar processamentos de
dados difusos (Lógica Fuzzy), o que permitiria a geração de categorias
superpostas e uma posterior comparação dos resultados com a
metodologia aqui apresentada.
Um trabalho de análise e comprovação de aplicabilidade junto a
administradores, que gera o aumento da confiabilidade, à medida que a
análise é feita por mais de uma pessoa. O trabalho em equipe conduz a
um aumento do conhecimento e das experiências, além de tornar menos
freqüentes erros de interpretação e tratamento dos dados.
Essa dissertação, bem como as questões aqui sugeridas, sinalizam para a
possibilidade de trilhar caminhos alternativos. Questionar, eventualmente, posições
já estabelecidas, é um passo importante no processo de aquisição de conhecimento.
65
APÊNDICE 1
Adaptação do IDH para o nível municipal
Fonte: ADHB, 2003
Uma utilização adequada do IDH em nível municipal exige necessariamente
que certas adaptações sejam realizadas. A questão básica é que o IDH foi
inicialmente idealizado para ser calculado para uma sociedade razoavelmente
fechada, tanto do ponto de vista econômico (no sentido de que os membros da
sociedade são os proprietários de, essencialmente, todos os fatores de produção)
como do ponto de vista demográfico (no sentido de que não há migração
temporária). Municípios, no entanto são espaços geopolíticos relativamente abertos
e por este motivo foram realizadas algumas adaptações nos indicadores.
Produto Interno Bruto X Renda Familiar per Capita
Para uma economia relativamente fechada, o PIB per capita é um bom
indicador da renda apropriada pela população local e, portanto, do seu nível de
consumo. No entanto, pode ocorrer que grande parte do PIB gerado num município
sirva apenas para remunerar fatores de produção pertencentes a indivíduos não
residentes
no
município.
Desta
forma,
o
PIB
municipal
não
representa
adequadamente a renda disponível dos moradores do município. Assim, com o
objetivo de melhor caracterizar as reais possibilidades de consumo da população
local, optou-se por substituir o PIB per capita pela renda familiar per capita média do
município.
Para adequação dos valores-limites da fórmula de obtenção do IDH-Renda,
os valores de $40000 PPC e $100 PPC estabelecidos pelo PNUD foram convertidos
para os valores-limites de R$ 1559,24 e R$ 3,90, utilizando-se, para isso, a relação
entre o PIB per capita em $PPC do Brasil no ano de 2000 e a Renda Familiar per
capita média mensal do Brasil, em reais, apurada através do Censo Demográfico de
2000.
66
Taxa Bruta de Matrícula Combinada X Taxa Bruta de Freqüência Combinada
Com respeito à educação, também se justificam algumas adaptações. Em
uma sociedade pouco sujeita à emigração ou imigração, a matrícula nos diversos
níveis do sistema educacional é um bom indicador para representar o grau de
escolaridade da sua população. A migração temporária, contudo, motivada pela
busca de serviços educacionais eventualmente concentrados em alguns poucos
municípios (como é o caso da educação superior), leva a que a matrícula em um
dado município possa ser muito pouco indicativa do investimento da população local
em educação e, portanto, do grau presente e futuro de escolaridade desta
população. Desta forma, no IDH-M utiliza-se a freqüência à escola como proxy de
matrícula. De fato, a substituição realizada apresenta vantagens:
Como o dado de freqüência é coletado diretamente das pessoas e não nos
estabelecimentos de ensino, como no caso da matrícula, são evitados problemas
como a duplicidade de contagem (se a pessoa se matricula em mais de uma
instituição de ensino). Além disto, é captado se a pessoa efetivamente está
freqüentando ou não a escola, eliminando as desistências ocorridas após a
realização de uma matrícula.
Assim, para o IDH-M, calcula-se a taxa bruta de freqüência combinada, que é
o somatório da quantidade de pessoas (todas as idades) que freqüentam os cursos
fundamental, secundário e superior dividido pelo total de pessoas na faixa etária de
7 a 22 anos, sendo:
Número de pessoas que freqüentam o fundamental: total de pessoas que
estão freqüentando o curso fundamental ou cursos não-seriados equivalentes, como
o supletivo de primeiro grau. Não inclui classe de alfabetização. Número de pessoas
que freqüentam o segundo grau: total de pessoas que estão freqüentando o
segundo grau seriado ou cursos não-seriados equivalentes, como o supletivo.
Número de pessoas que freqüentam curso superior: total de pessoas que estão
freqüentando curso universitário ou de pós-graduação.
Taxa bruta de freqüência X Taxa líquida
A taxa é chamada de bruta pelo fato de ter no numerador toda a população
que está freqüentando a escola e, no denominador, uma faixa etária específica (7 a
67
22 anos), que deveria ser a população na idade escolar, supondo que não
ocorressem repetências ou entrada na escola em idade mais avançada.
Dessa forma, é preciso notar que, na comparação entre municípios ou numa
comparação intertemporal para um mesmo município, um índice menor não
necessariamente implica em uma situação pior. Esta situação pode ser o resultado,
por exemplo, de programas escolares para adequação série-idade (classes de
aceleração no fundamental e classes de suplementação no ensino médio), cujo
resultado seria diminuir o número de pessoas freqüentando um nível escolar em
idade acima do padrão esperado para o mesmo. Ou seja, tais programas podem
provocar queda no número total de pessoas freqüentando a escola (portanto um
índice relativamente menor) sem que isto implique em alteração no padrão
educacional da população.
68
APÊNDICE 2
Guia de instalação das ferramentas
Os arquivos encontram-se no disco anexado a esta dissertação.
Para instalação do classificador neural Supervisionado:
1. Crie uma pasta no disco local e copie os arquivos PROJETO.EXE, IDHM.DBF
e IDHMTESTE.DBF para a mesma.
2. No Painel de Controle do Windows, execute o BDE Administrator. Deve-se
criar o seguinte alias para o classificador neural Kohonen:
Clique com o botão direito do mouse em DATABASES; clique em NEW;
Com Database Driver Name STANDARD selecionado, clique em OK;
Nomeie o alias como RNA2;
Indique o path nas configurações que se encontram à direita da janela;
Clique com o botão direito do mouse no alias RNA2; clique em APPLY.
3. Execute o arquivo PROJETO.EXE.
Para instalação do classificador neural Kohonen:
1. Crie uma pasta no disco local e copie os arquivos PROJETO.EXE,
CLASSES.DBF e IDHM.DBF para a mesma.
2. No Painel de Controle do Windows, execute o BDE Administrator. Deve-se
criar o seguinte alias para o classificador neural Kohonen:
Clique com o botão direito do mouse em DATABASES; clique em NEW;
Com Database Driver Name STANDARD selecionado, clique em OK;
Nomeie o alias como RNA1;
Indique o path nas configurações que se encontram à direita da janela;
Clique com o botão direito do mouse no alias RNA1; clique em APPLY.
3. Execute o arquivo PROJETO.EXE.
69
ANEXO 1
Disco com os arquivos necessários para a utilização das ferramentas propostas
neste estudo.
70
ANEXO 2
A seguir, notícia publicada no site do PNUD, a respeito do uso de ferramentas
computacionais voltadas à otimização da administração pública.
São Paulo, 30/11/2004
TECNOLOGIA AUXILIA GESTÃO DE MUNICÍPIOS
CONGRESSO EM SÃO PAULO DEBATE USO DE FERRAMENTAS DA INFORMÁTICA
VOLTADAS A PREFEITURAS. SISTEMAS AJUDAM DA SEGURANÇA À SAÚDE.
Prefeitos, vice-prefeitos e vereadores do Paraná e de São Paulo participam
nesta semana, na capital paulista, de um congresso que busca mostrar a
importância da tecnologia da informação na gestão dos municípios. O
evento inclui apresentação de casos bem-sucedidos de inclusão digital,
palestras sobre uso de ferramentas de informática na administração
pública e uma exposição de produtos e serviços no setor.
O 5º Congresso Brasileiro de Tecnologia da Informação para os Municípios
(CBTIM) começou na segunda e termina na quinta-feira, no Frei Caneca
Shopping e Convention Center, em São Paulo. Ele faz parte da série de
seminários Novos Gestores Municipais, que tem apoio do PNUD e visa
capacitar os prefeitos que, vitoriosos nas últimas eleições, tomarão posse
em 1º de janeiro.
Este é o quarto seminário da série — 2 mil pessoas já participaram dos
eventos anteriores, em Canela (RS), Gravatá (PE) e João Pessoa (PB).
Nesta semana, também ocorre um seminário em Fortaleza.
“É de suma importância que todos os gestores públicos tomem ciência da
necessidade da busca pelas inovações da tecnologia da informação e
aplicabilidade em seus municípios”, afirmou Marcos Minto, presidente da
Associação Paulista de Municípios (APM), uma das organizadoras do
evento, durante a abertura do congresso, na segunda-feira.
Ele alertou que, nessa área, os gestores municipais não podem ficar “para
trás” (veja a programação do evento). A expectativa é, ao final do ciclo de
eventos, ter atingido 70% dos prefeitos eleitos.,
continua
71
continuação
Na
segunda,
a
Confederação
Nacional
dos
Municípios
(CNM),
coordenadora da série de seminários, apresentou suas soluções para a
modernização administrativa.
No mesmo dia, foram apresentadas as experiências de inclusão digital das
cidades de São Bernardo do Campo (SP), Potirendaba (SP), Praia Grande
(SP), Santana do Parnaíba (SP) e Piraí (RJ).
As ligações entre administração municipal e tecnologia da informação
desdobram-se também em outras áreas. Nesta terça, por exemplo, há
sessões sobre tecnologia aplicada à saúde e soluções de governo
eletrônico.
Na quarta, serão debatidos integração de chamadas de emergência,
geoprocessamento, compras públicas pela internet, ISS eletrônico e
software livre. Na quinta, o tema volta a ser discutido em uma plenária
sobre tecnologia e soluções bancárias.
Notícia publicada em: http://www.pnud.org.br
72
ANEXO 3
A seguir, notícia publicada no site do PNUD, a respeito da distribuição de
verbas públicas com base no IDH.
Brasília, 24/11/2004
CARTILHA ENSINA IDH A PREFEITOS ELEITOS
PUBLICAÇÃO DA CONFEDERAÇÃO NACIONAL DE MUNICÍPIOS, DISTRIBUÍDA A 3,5
MIL ADMINISTRADORES, TRAZ DADOS SOBRE DESENVOLVIMENTO HUMANO
Cerca de 3,5 mil prefeitos do Brasil devem receber uma cartilha, preparada
pela Confederação Nacional de Municípios (CNM), contendo os conceitos
básicos de desenvolvimento humano, IDH (Índice de Desenvolvimento
Humano), Objetivos de Desenvolvimento do Milênio e os principais dados
sobre a situação da democracia na América Latina. O material também será
entregue às cerca de 2,5 mil prefeituras ligadas à CNM.
O objetivo, segundo a confederação, é destacar junto aos prefeitos que o
IDH é utilizado como um dos critérios para distribuição de recursos em
vários
programas
do governo federal
e
de
alguns
Estados.
Os
administradores dos municípios mais pobres, em especial, devem ficar
atentos para a possibilidade de serem beneficiados por verbas em razão
desse critério, de acordo com a entidade.
A publicação faz parte de uma coleção de 16 volumes sobre gestão pública
municipal, distribuída em uma série de cursos que estão sendo realizados
no Brasil pela Confederação Nacional dos Municípios. A expectativa é
abranger 65% dos prefeitos eleitos este ano — cerca de 3,5 mil pessoas. O
volume 12, "Democracia e IDH", foi elaborado pelo PNUD. A coleção com
16 volumes está sendo entregue gratuitamente aos administradores
municipais que fazem o curso, mas depois poderá ser adquirida na CNM
(R$ 150).
continua
73
continuação
A brochura explica o que é o índice, como ele é calculado, como ele foi
adaptado para os municípios — dando origem ao IDH-M (Índice de
Desenvolvimento Humano Municipal) — e quais outros indicadores ajudam
a complementá-lo. O livreto reserva vários capítulos para discutir o conceito
de desenvolvimento humano, contrapondo-o a crescimento econômico.
“Cada governo deve agir para promover o desenvolvimento humano:
oferecer serviços, como a educação, por exemplo, que ampliem as
capacidades e as possibilidades de escolha dos indivíduos; fazer com que a
riqueza produzida seja distribuída eqüitativamente entre as pessoas; e criar
espaços para que os cidadãos possam participar da construção de
alternativas e decidir entre as opções existentes”, defende o texto. “Isso
significa combater a desigualdade, integrar os excluídos à sociedade”.
Além disso, a cartilha condensa as principais análises do relatório A
Democracia na América Latina, divulgado pelo PNUD em abril deste ano.
“O Relatório sustenta que as democracias latino-americanas estão
incompletas em termos de cidadania civil e, principalmente, de cidadania
social”, afirma. “É necessário passar da democracia eleitoral para a
democracia da cidadania, porque a qualidade da democracia sem direitos
civis plenos e sem expansão dos direitos sociais é limitada. Além disso, a
própria manutenção dos direitos políticos democráticos e a valorização
social da democracia correm riscos se não houver a ampliação da
cidadania”.
Notícia publicada em: http://www.pnud.org.br
74
BIBLIOGRAFIA
ABEPRO. Associação Brasileira de Engenharia de Produção. Disponível em:
<http://www.abepro.org.br/graduacao_diretrizes.htm>. Acesso em: 02 mai. 2005.
ABIPT. Associação Brasileira das Instituições de Pesquisa Tecnológica.
Disponível em: <http://www.gestaoct.org.br/eletronico/jornais/numero83.htm>.
Acesso em: 04 nov. 2004.
AEERJ. Anuário Estatístico do Estado do Rio de Janeiro. Rio de Janeiro: Centro
de Informações e Dados do Rio de Janeiro (CIDE). Volume 18, 2002 .
ATLAS. Atlas do Desenvolvimento Humano no Brasil. Programa das Nações
Unidas para o Desenvolvimento, 2003.
AZEVEDO, F., BRASIL, L. Redes Neurais com Aplicações em Controle e em
Sistemas Especialistas. Florianópolis: Visual Books, 2000.
BARRETO, J. M. Introdução às Redes Neurais Artificiais. Florianópolis: Anais
V Escola Regional de Informática da SBC Regional Sul, 1997.
BARROS, R. P. Desenvolvimento Humano e Condições de Vida: Indicadores
Brasileiros. Brasília: IPEA, 1998.
BENITE, M. Aplicação de modelos de redes neurais na elaboração e análise
de cenários macroeconômicos. São Paulo: Escola de Engenharia de São
Carlos - Universidade de São Paulo. Dissertação de Mestrado, 2003.
BORTOLANZA, J. Uma contribuição ao planejamento municipal que propicie o
desenvolvimento sustentável: o uso de indicadores de saúde da população.
Florianópolis: Departamento de Engenharia de Produção - UFSC, Dissertação de
Mestrado, 1999.
BRAGA, A. P., CARVALHO, A. P. L. F. e LUDERMIR, T. B. Redes Neurais
Artificiais: teoria e aplicações. Rio de Janeiro: LTC, 2000.
75
CAMARA, G. et al. SPRING: Integrating remote sensing and GIS by objectoriented data modelling. May-Jun 1996 .
CASSARO, A. C. Sistemas de informações para tomada de decisões. São Paulo:
Pioneira, 1994.
CEFETCAMPOS. Centro Federal de Ensino Tecnológico de Campos. Disponível
em: <http://www.cefetcampos.br>. Acesso em: 10 ago. 2004.
CIB. Deliberação CIB - 54-2000, de novembro de 2000. Diário Oficial da República
Federativa do Brasil, Poder Executivo, São Paulo, S.P., 14 nov. 2000.
CIDE. Centro de Informações e Dados do Rio de Janeiro. Disponível em:
<http://www.cide.rj.gov.br>. Acesso em: 01 nov. 2004.
CORRÊA, E. C. Construção de um modelo multicritério de apoio ao processo
decisório. Florianópolis: Departamento de Engenharia de Produção - UFSC,
Dissertação de Mestrado, 1996.
COSTA, H. G. Sobre o IQM e a análise multicritério. Rio de Janeiro: Revista de
Economia Fluminense, 2001.
DUTRA, R. M. O. et al. O Método Ward de Agrupamento de Dados e sua
Aplicação em Associação com os Mapas Auto-Organizáveis de Kohonen.
Florianópolis: Universidade Federal de Santa Catarina (UFSC). Laboratório de
Planejamento de Sistemas de Energia Elétrica (LabPlan), 2003.
FERNANDES, A. M. da R. Inteligência Artificial - Noções Gerais. Florianópolis:
Visual Books, 2003.
FERREIRA, M. F. S. Modernização Administrativa na Prefeitura de Ponta
Grossa. São Paulo: Revista do Governo Eletrônico, nº 1, 12/2001.
FILHO, E. C. B. C. Modelagem, Aplicações e Implementações de Redes
Neurais. Canoas/RS: Anais da IV Escola Regional de Informática da SBC
Regional Sul, 1996.
76
GIACOMO, W. A. E BUENO, L. S. Marketing na divulgação de programas da
Prefeitura Municipal de Araraquara. São Paulo: IX Simpósio de Engenharia de
Produção, 2002.
GOMES A. R. , SWETT, L. R. e COSTA, H.G. Classificação do desenvolvimento
municipal: uma abordagem multicritério pelo ELECTRE TRI. Salvador: VII
International Congress of Industrial Engineering. ABEPRO-FTM-UFRGS-UNIMEP,
2001.
GOMES A. R. Contribuição da Análise Multicritério à avaliação do desempenho
municipal. Campos dos Goytacazes: Universidade Estadual do Norte Fluminense,
Dissertação de Mestrado, 2003.
GOMES, E. G. e LINS, M. P. E. Uso integrado de sistemas de informação
geográfica e programação linear multiobjetivo na seleção do município ideal.
Viçosa: XXXII Simpósio Brasileiro de Pesquisa Operacional, 2000.
GONÇALVES, K. V. Software Livre na Administração Pública Brasileira. São
Paulo: Instituto de Computação - Universidade Estadual de Campinas, 2002.
GRAEML, A. R. Sistemas de informação: o alinhamento das estratégias de TI
com a estratégia corporativa. São Paulo: Atlas, 2000.
GRAEML, F. R. e ERDMANN, R. H. Administração de interesses: indicadores
estratégicos e MCDA no apoio à decisão em prefeituras. Rio de Janeiro: Anais
do SPOLM-98, II Simpósio de Pesquisa Operacional e III Simpósio de Logística da
Marinha, 1998.
HAYKIN, S. Redes Neurais: princípios e prática. Porto Alegre: Bookman, 2001.
HIRAYAMA V. Classificador de Qualidade de Álcool Combustível e Poder
Calorífico de Gás GLP. São Paulo: Universidade de São Paulo, Escola Politécnica,
Dissertação de Mestrado, 2004.
IPARDES. Medição do nível de vida da população de Curitiba em 1980. Curitiba:
Instituto Paranaense de Desenvolvimento Econômico e Social, 1987.
77
IQM. Índice de Qualidade dos Municípios – IQM. Rio de Janeiro: Fundação CIDE,
1998.
JURAN, J. M. Planejando para a qualidade. São Paulo: Pioneira, 1992.
KOVACS, Z. L. Redes Neurais Artificiais: Fundamentos e Aplicações. São Paulo:
Collegium Cognitio, 1996.
MARCONE, J. F. S. Inteligência Computacional para Otimização. Ouro Preto:
Departamento de Computação, Instituto de Ciências Exatas e Biológicas (ICEB),
Universidade Federal de Ouro Preto (UFOP), notas de aula da disciplina Inteligência
Computacional para Otimização, 2002.
MARTINELLI, E. Extração de Conhecimento de Redes Neurais Artificiais. São
Paulo: USP, Dissertação de Mestrado, 1999.
MEDEIROS, L. F. de. Redes Neurais em Delphi. Florianópolis: Visual Books, 2003.
MESQUITA. Lei no 3253, de setembro de 1999. Diário Oficial da República
Federativa do Brasil, Poder Legislativo, Rio de Janeiro, R.J., 25 set. 1999.
NEUROSOLUTIONS. Software NeuroSolutions. Disponível em:
<http://www.neurosolutions.com/products/ns/>. Acesso em: 05 out. 2004.
ONUPORTUGAL. Organização das Nações Unidas – Portugal. Disponível em:
<http://www.onuportugal.pt/convdasnu.html>. Acesso em: 10 mar. 2004.
REZENDE, S. O. Sistemas Inteligentes. São Paulo: Manole, 2002.
RIBEIRO, L. M. L. A responsabilidade municipal na gestão da Segurança
Pública: um enfoque sob a ótica da descentralização, participação popular,
democratização e governança. São Paulo: IX Simpósio de Engenharia de
Produção, 2002.
RICH, E. Inteligência Artificial. São Paulo: McGraw-Hill, 1988.
RUSSEL, S. e NORVIG, P. Inteligência Artificial, um enfoque moderno. São
Paulo: Campus, 2004.
78
SOARES, A. C. L. G., GOSSON, A. M. P. M., MADEIRA, M. A. L. H. E TEIXEIRA, V.
D. S. Índice de Desenvolvimento Municipal: hierarquização dos municípios do
Ceará no ano de 1997. Fortaleza: Governo do Estado do Ceará, Secretaria do
Planejamento e Coordenação (SEPLAN), Fundação Instituto de Planejamento do
Ceará (IPLANCE), 1999.
TAFNER, M. A., XEREZ, M. e FILHO, I. W. R. Redes Neurais Artificias –
Introdução e Princípios de NeuroComputação. Blumenau: Editora Eko, 1996.
TEIXEIRA, J. P., SILVA, J. E. O futuro das cidades: a discussão pública do
plano diretor. Florianópolis: Instituto Cidade Futura, 1999.
TEIXEIRA, R. N. C. A melhoria em processos baseados no uso de
indicadores de desempenho. Florianópolis: Departamento de Engenharia de
Produção - UFSC, Dissertação de Mestrado, 1999.
TERRA, A. R. T.
Programação da Produção: uma abordagem por redes
neurais artificiais. São Paulo: UFSCAR - Departamento de Engenharia de
Produção - Programa de Pós-Graduação em Engenharia de Produção, 2000.
UNESP. O papel da Engenharia de Produção na próxima década. Disponível
em: <http://www.feg.unesp.br/ensino/projped.html>. Acesso em: 02 mai. 2005.
79
UMA APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS À CLASSIFICAÇÃO DOS
MUNICÍPIOS DO ESTADO DO RIO DE JANEIRO SEGUNDO INDICADORES SOCIAIS
CIBELLE DEGEL BARBOSA
Universidade Estadual do Norte Fluminense - UENF
Campos dos Goytacazes
Dezembro, 2005
80
UMA APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS À CLASSIFICAÇÃO DOS
MUNICÍPIOS DO ESTADO DO RIO DE JANEIRO SEGUNDO INDICADORES SOCIAIS
CIBELLE DEGEL BARBOSA
Dissertação apresentada ao Centro de
Ciência e Tecnologia, da Universidade
Estadual do Norte Fluminense, como parte
das exigências para obtenção do título de
Mestre em Engenharia de Produção.
Orientador: Prof. Geraldo Galdino de Paula Júnior
Campos dos Goytacazes
Dezembro, 2005
81
UMA APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS À CLASSIFICAÇÃO DOS
MUNICÍPIOS DO ESTADO DO RIO DE JANEIRO SEGUNDO INDICADORES SOCIAIS
CIBELLE DEGEL BARBOSA
Dissertação apresentada ao Centro de
Ciência e Tecnologia, da Universidade
Estadual do Norte Fluminense, como
parte das exigências para obtenção do
título de Mestre em Engenharia de
Produção.
Aprovada em 15 de dezembro de 2005.
Comissão Examinadora:
___________________________________________
Prof. Jacqueline Magalhães Rangel Cortes (UCAM)
___________________________________________
Prof. André Luis Policani Freitas (UENF)
___________________________________________
Prof. Luis Antônio Rivera Escriba (UENF)
___________________________________________
Prof. Geraldo Galdino de Paula Júnior (UENF) – Orientador
ii
82
FICHA CATALOGRÁFICA
Preparada pela Biblioteca do CCT / UENF
01/2006
Barbosa, Cibelle Degel
Uma aplicação de Redes Neurais Artificiais à classificação dos municípios do
Estado do Rio de Janeiro segundo indicadores sociais / Cibelle Degel Barbosa.
– Campos dos Goytacazes, 2005.
xii, 78 f. : il.
Orientador: Geraldo Galdino de Paula Junior.
Dissertação (Mestrado em Engenharia de Produção) -- Universidade
Estadual do Norte Fluminense Darcy Ribeiro. Centro de Ciência e
Tecnologia. Laboratório de Engenharia de Produção. Campos dos
Goytacazes, 2005.
Área de concentração: Pesquisa operacional
Bibliografia: f. 74-78
1. Redes Neurais 2. Classificação de padrões 3. Índice de
Desenvolvimento Humano Municipal 4. Municípios do Estado do Rio de
Janeiro (classificação) l. Universidade Estadual do Norte Fluminense
Darcy Ribeiro. Centro de Ciência e Tecnologia. Laboratório de
Engenharia de Produção II. Título
CDD
006.32
83
Agradeço ao Senhor, meu Deus.
Porque dEle, por Ele e para Ele são
todas as coisas.
“Meu é o conselho e a verdadeira
sabedoria: Eu sou o entendimento,
Minha é a fortaleza.” [Pv 8.14]
Agradeço-O, também, pela
oportunidade de ser orientada pelo
Professor Geraldo Galdino de Paula
Júnior, de indiscutível competência
acadêmica e grande motivador.
Agradeço ao Professor pela confiança
em meu trabalho e pelo carinho e
amizade que compartilhamos nessa
jornada.
iii
84
SUMÁRIO
Lista de Figuras ......................................................................................................... vii
Lista de Mapas Temáticos ........................................................................................ viii
Lista de Tabelas ......................................................................................................... ix
Lista de Abreviaturas .................................................................................................. x
Resumo ...................................................................................................................... xi
Abstract ..................................................................................................................... xii
1. Introdução ........................................................................................................... 1
1.1. Problemática.......................................................................................... 1
1.2. Objetivo ................................................................................................. 2
1.3. Hipótese ................................................................................................ 2
1.4. Relevância ............................................................................................. 4
1.5. Estrutura da Dissertação ....................................................................... 6
2. Fundamentação Teórica..................................................................................... 8
2.1. Estado da Arte ....................................................................................... 8
2.2. Indicadores Sociais ............................................................................. 12
2.2.1. Índice de Longevidade ................................................................... 13
2.2.2. Índice de Educação ........................................................................ 13
2.2.3. Índice de Renda ............................................................................. 14
2.2.4. Índice de Desenvolvimento Humano .............................................. 14
2.2.5. Situação Atual ................................................................................ 14
2.3. Priorização de Investimentos............................................................... 21
2.4. Redes Neurais Artificiais...................................................................... 23
2.4.1. Redes Kohonen.............................................................................. 29
2.4.2. Quantização Vetorial por Aprendizagem ........................................ 31
iv
85
3. Metodologia ....................................................................................................... 34
3.1. Tipo de Pesquisa ................................................................................. 34
3.2. Universo e Amostra ............................................................................. 34
3.3. Tratamento dos Dados ........................................................................ 35
3.4. Modelo de Solução do Problema......................................................... 35
3.4.1. RNA de Treino Supervisionado ................................................... 35
3.4.2. RNA de Treino Não Supervisionado (Kohonen) .......................... 39
3.4.2.1. Processo Competitivo ............................................................... 39
3.4.2.2. Processo Cooperativo e Adaptativo.......................................... 40
3.5. Alternativa para o Modelo de Solução do Problema............................ 41
4. Estudo de Caso................................................................................................. 42
4.1. O Estado do Rio de Janeiro................................................................. 42
4.2. O Classificador Neural Supervisionado ............................................... 43
4.2.1. Arquitetura do Classificador Neural ................................................ 43
4.2.2. Definição de Parâmetros e Dados Iniciais ...................................... 44
4.2.3. Interface Gráfica ............................................................................. 46
4.3. O Classificador Neural Kohonen ......................................................... 49
4.3.1. Arquitetura do Classificador Neural ................................................ 49
4.3.2. Definição de Parâmetros e Dados Iniciais ...................................... 49
4.3.3. Interface Gráfica ............................................................................. 51
5. Análise dos Resultados e Conclusão ............................................................. 56
5.1. Análise dos Resultados ....................................................................... 56
5.1.1. Quanto às Ferramentas ............................................................... 56
5.1.2. Quanto aos Parâmetros ............................................................... 57
5.1.3. Quanto à Classificação ................................................................ 58
5.2. Conclusões .......................................................................................... 62
v
86
5.3. Sugestões para Trabalhos Futuros ..................................................... 63
Apêndice 1 ............................................................................................................... 65
Apêndice 2 ............................................................................................................... 68
Anexo 1 .................................................................................................................... 69
Anexo 2 .................................................................................................................... 70
Anexo 3 .................................................................................................................... 72
Bibliografia............................................................................................................... 74
FICHA CATALOGRÁFICA ....................................................................................... 82
vi
87
LISTA DE FIGURAS
Figura 1 – Modelo de um neurônio artificial. ............................................................. 24
Figura 2 – Grafo arquitetural de um neurônio. .......................................................... 25
Figura 3 – Rede alimentada adiante com camada única. ......................................... 26
Figura 4 - Rede alimentada diretamente com múltiplas camadas. ........................... 26
Figura 5 – Rede recorrente....................................................................................... 27
Figura 6 - Aprendizagem Supervisionada. ............................................................... 28
Figura 7 - Aprendizagem Não Supervisionada. ........................................................ 28
Figura 8 - Interpretação geométrica do processo de aprendizagem competitiva. .... 29
Figura 9 – Mapa auto-organizado de características – Modelo de Kohonen. ........... 30
Figura 10 - Diagrama de Voronoi envolvendo quatro células. .................................. 32
Figura 12 – Arquitetura do classificador neural Supervisionado. .............................. 44
Figura 13 – Tela principal do classificador neural Supervisionado. .......................... 47
Figura 14 – Classificação final do classificador neural Supervisionado.................... 47
Figura 15 – Esquema neural do classificador neural Supervisionado. ..................... 48
Figura 16 – Informações a respeito do classificador neural Supervisionado. ........... 48
Figura 17 – Arquitetura do classificador neural Kohonen. ........................................ 49
Figura 18 – Tela principal do classificador neural Kohonen. .................................... 52
Figura 19 – Alteração de taxa de aprendizado e critério de parada. ........................ 52
Figura 20 – Entradas do classificador neural Kohonen. ........................................... 53
Figura 21 – Saídas do classificador neural Kohonen. .............................................. 53
Figura 22 – Pesos sinápticos do classificador neural Kohonen. ............................... 54
Figura 23 – Classificação final do classificador neural Kohonen. ............................. 54
Figura 24 – Esquema neural do classificador neural Kohonen................................. 55
Figura 25 – Informações a respeito do classificador neural Kohonen. ..................... 55
vii
88
LISTA DE MAPAS TEMÁTICOS
Mapa Temático 1 – IDH-M 2000 – Todos os Estados do Brasil. .............................. 17
Mapa Temático 2 – IDH-M 2000 – Municípios do Estado do Rio de Janeiro. .......... 18
Mapa Temático 3 - Regiões de Governo e Microrregiões Geográficas - RJ. ........... 43
viii
89
LISTA DE TABELAS
Tabela 1 – Índice de Desenvolvimento Humano Municipal- Educação RJ 2000. .... 15
Tabela 2 – Índice de Desenvolvimento Humano Municipal- Longevidade RJ 2000.
........................................................................................................................... 15
Tabela 3 – Índice de Desenvolvimento Humano Municipal- Renda RJ 2000. .......... 16
Tabela 4 – Índice de Desenvolvimento Humano Municipal RJ 2000. ....................... 16
Tabela 5 – Classificação dos municípios do Estado do Rio de Janeiro (IDHM 2000).
........................................................................................................................... 18
Tabela 6 – Classificação dos municípios, segundo classificador neural Kohonen.... 59
ix
90
LISTA DE ABREVIATURAS
ADHB
Atlas do Desenvolvimento Humano no Brasil
CEFET
Centro Federal de Educação Tecnológica
CIB
Comissão Intergestores Bipartite
CIDE
Centro de Informações e Dados do Rio de Janeiro
DBF
DataBase File
ELECTRE TRI
ELimination Et Choice Traidusaint La REalité
FJP
Fundação João Pinheiro
GRASP
Greedy Randomized Adaptive Search Procedure
IBGE
Fundação Instituto Brasileiro de Geografia e Estatística
IDH
Índice de Desenvolvimento Humano
IDH-M
Índice de Desenvolvimento Humano Municipal
INPE
Instituto Nacional de Pesquisas Espaciais
IPEA
Instituto de Pesquisa Econômica Aplicada
IQM
Índice de Qualidade Municipal
IQMM
Índice de Qualidade Municipal Multicritério
PIB
Produto Interno Bruto
PLMO
Programação Linear Multiobjetivo
PNUD
Programa das Nações Unidas para o Desenvolvimento
PPC
Paridade do Poder de Compra
RAM
Random Access Memory
RIQ
Riqueza e Potencial de Consumo
RNA
Rede Neural Artificial
SIG
Sistemas de Informação Geográfica
UENF
Universidade Estadual do Norte Fluminense
UFF
Universidade Federal Fluminense
VNS
Variable Neighborhood Search
x
91
RESUMO
Esta dissertação descreve e aplica um estudo baseado na metodologia de
Redes Neurais Artificiais (RNAs). O esforço de pesquisa foi conduzido com
vistas a operacionalizar, interpretar e descrever uma análise comparativa
entre diferentes paradigmas neurais, tendo como contexto a realidade social
de municípios, traduzida por índices, e como resultado final um objeto de
classificação. O trabalho apresenta o desenvolvimento de ferramentas que
oferecem metodologia alternativa de classificação dos municípios do Estado
do Rio de Janeiro com vistas a avaliações de caráter social de interesse do
Poder Público. Os municípios foram agrupados de acordo com informações
relacionadas a diversos aspectos sociais que abrangem indicadores de
educação, longevidade e renda, compondo o ‘Índice de Desenvolvimento
Humano Municipal’ (IDHM). O interesse crescente em RNAs se deve
sobretudo ao bom desempenho dessa metodologia na solução de problemas
do tipo reconhecimento e classificação de padrões, como ficou comprovado
nesta pesquisa. O estudo aqui desenvolvido abre nova dimensão no uso das
técnicas de classificação em geral. Ao cabo poderá ser concluído que a
simulação e a modelagem de apoio à decisão são instrumentos relevantes da
inteligência computacional quando usados na aquisição de conhecimentos
sobre o cenário estudado.
Palavras-chave: Redes Neurais, Classificação de Padrões, Índice de
Desenvolvimento Humano Municipal, Municípios do Estado do Rio de Janeiro
(classificação).
xi
92
ABSTRACT
This dissertation describes and applies a study based on the Artificial Neural
Networks (ANN) methodology. The research effort was conveyed with
prospect to operate, interpret and characterize a comparative analysis among
different neural paradigms, having as context the social reality of cities,
translated by indexes, and as final result a classification object. The work
presents the development of tools which offer alternative methodology for
classifying municipal districts from Rio de Janeiro State, aiming at the social
evaluation according to the Public Administration concern. The cities were
grouped according to the information relating several social aspects which
comprehend educational, longevity, and income indicators, which make up the
‘Municipal Human Development Index’ (IDHM). The growing interest in
Artificial Neural Networks must be specially credited to the good performance
displayed by this methodology in solving recognition and classification pattern
problems, as was proven in this research. The study developed here generally
opens up a new dimension in the use of classification techniques. At the end it
may be concluded that the simulation and the modeling support to decision
making
are
outstanding
and
applicable instruments
from computing
intelligence when used in the knowledge acquisition from the studied scenery.
Keywords: Neural Networks, Classification of Standards, Index of Municipal
Human Development, Cities of the State of Rio de Janeiro (classification).
xii