Rocha e Morgado (2007) referem que embora o conceito de complexidade em si não seja novo, a sua aplicação a processos socioeconómicos é um fenómeno relativamente recente. Veja-se, por exemplo, a sua aplicação no âmbito da modelação geográfica por Tenedório et
al. (2005, 2006) ou a tentativa de aplicar as suas ideias e planeamento territorial – ainda
que teóricas, por Queirós (2009). Para além das ciências computacionais (Bullock e Cliff, 2004), a noção de complexidade difundiu-se em várias áreas das ciências sociais, incluindo a economia (Arthur et al., 1997) que beneficiou do desenvolvimento da ciência e da tecnologia computacional na segunda metade do século XX, e que permitiu aos cientistas manipular grande volume de dados estatísticos para alimentar e modelar as análises mais complexas e não-lineares.
O interesse da economia na complexidade e em sistemas complexos remonta pelo menos à década de 1940; mas o trabalho sobre as propriedades dinâmicas e transformações estruturais de sistemas não-lineares e ‘longe do’ equilíbrio das ciências naturais e físicas,
39
dos anos 70 e 80, deram oportunidade ao desenvolvimento de um novo campo de estudo conhecido como teoria da complexidade (Nicolis e Prigogine, 1977, 1989).
Na primeira metade do século XX, houve uma forte preocupação com a inadequação do tratamento científico baseado na metodologia do reducionismo clássico, para o qual o todo era apenas a soma das suas componentes totalmente autónomas. De acordo com Bertalanffy (1968) – fundador da teoria dos sistemas que os define como um todo e não como uma conglomeração das partes – todos os elementos que existem num sistema estão ligados e inter-relacionados entre si a também estão ligados ao ambiente do próprio sistema. Com efeito, a ciência contemporânea passou a reconhecer a importância de superar o desafio de compreender o ‘todo’ analisado considerando que não apenas os elementos componentes mas também o modo como eles se organizam e como interagem no interior do sistema a que pertencem (Prado, 2009).
Desde o final da década de 80, houve um crescente número de trabalhos académicos na área da economia focados em abordagens de sistemas complexos, mais especificamente através da modelação baseada em múltiplos agentes. Estes estudos iniciaram-se em importantes centros académicos caracterizados pelo pensamento neoclássico, como
Princeton, Santa Fe Institute, Stanford, MIT e Chicago, entre outros. Uma das referências é
Brian Arthur, cujos trabalhos de complexidade envolveriam análises de sistemas com múltiplos elementos que se adaptam e reagem ao ambiente por si criados, onde cada unidade pode reagir ao ambiente existente na sua vizinhança e esse grau de reação pode variar de acordo com o contexto onde se inserem.
Arthur (1999) refere que este tipo de sistemas surge naturalmente na economia. Os seus agentes – sejam eles bancos, consumidores, empresas ou investidores – ajustam continuamente os seus movimentos e decisões nos mercados, face às suas próprias decisões. Estes agentes económicos reagem estrategicamente e com previsão, considerando os retornos que podem resultar como consequência do seu comportamento, introduzindo um grau de complexidade no comportamento económico, não experienciado, por exemplo, nas ciências naturais.
Segundo Boschma e Martin (2010), esta teoria da complexidade tem vindo a atrair o interesse de economistas, com capacidade de desafiar os princípios fundamentais da economia mais mainstream. Embora existam distintas abordagens, por parte dos economistas, à ideia de complexidade (Perona, 2004), o esquema de Beinhocker (2006) resume algumas diferenças face à abordagem tradicional.
40
Quadro 3 – Distinção entre a ‘complexity economics’ e a economia tradicional.
Complexity economics Traditional economics
Dynamics Open, dynamic, non-linear systems, far from equilibrium
Closed, static linear systems in equilibrium Agents Modeled individually; agents use
inductive rules of thumb to make
decisions; have incomplete
information; are subject to errors and biases; and learn and adaptover time
Modeled collectively; agents use complex deductive calculations to make decisions; have complex information; make no errors and have no biases; and have no need for learning and adaptation (are already perfect)
Networks Explicitly models interactions between individual agents; networks of relationships change over time
Assumes agents only interact indirectly through market mechanisms
Emergence No distinction between micro and macro-economics; macro patterns are emergent result of micro-level behaviors and interactions
Micro and macro-economics remain
separate disciplines
Evolution The evolutionary process of
differentiation, selection and amplification provides the system with novelty and is responsible for growth in order and complexity
No mechanism for endogenously creating novelty or growth in order and complexity
Fonte: Beinhocker (2006)
Ainda assim, Perona (2004) refere duas diferentes abordagens em ‘complexity economics’ – uma epistemológica e outra ontológica. Enquanto a primeira diz respeito à representação de uma particular realidade/contexto, com recurso a um modelo matemático com propriedades não-lineares, de instabilidade, auto-organização, emergência e adaptabilidade; a segunda simplesmente assume a complexidade como propriedade do fenómeno ou sistema. Os trabalhos de Arthur e Krugman são exemplos do uso destes modelos de sistemas complexos em economia, que permitem compreender como esta se auto-organiza no tempo e espaço (Arthur et al., 1997; Krugman, 1996b, 1997).
Posto isto, enquanto a teoria económica institucional estuda padrões consistentes – que tendem para o equilíbrio – simplificando as questões de partida com vista a soluções analíticas, a escolha dos modelos complexos prende-se com a capacidade de se poder compreender como as ações e estratégias dos agentes se manifestam nos padrões desconhecidos que eles próprios criam. Face à teoria económica neoclássica, a resposta dos agentes económicos às mudanças no ambiente não são idênticas e perfeitamente mapeadas como nas ciências exatas, mas compõem um processo de tentativa-erro na qual as decisões praticadas passam por frequentes processos de avaliação, adaptação e aprendizagem. Portanto, o foco está justamente na complexidade e desdobramento dos padrões criados pelos próprios agentes.
41
Contudo, embora Martin e Sunley (2010) refiram que o problema desta abordagem é que as premissas e assunções iniciais são restritas aos modelos científicos usados – sem esquecer as críticas apresentadas por Hassink e Klaerding (2012) sobre a incapacidade de incorporar o efeito das instituições e políticas públicas –, podendo não serem adequadas ou realísticas face ao que realmente ocorre nos territórios, o presente trabalho procurará, de acordo com uma análise às melhores e possíveis premissas iniciais, criar um modelo associado à complexidade, no estudo sobre fatores de localização da atividade económica.