Fonte: Retirada de Medeiros, Mello e Filho (2007).
Nessa perspectiva, Botelho (2014) enfatiza que as regras fuzzy descrevem situações específicas que podem ser submetidas à análise de um painel de especialistas, e cuja inferência conduz a algum resultado desejado. Sobre isto Costa
(2014) afirma que esse modelo fornece possibilidade de combinar o efeito de várias regras (variáveis dependentes) sobre o desempenho de determinados sistemas (variáveis independentes).
As vantagens do uso desta lógica se devem aos seguintes fatores: 1- A Lógica Fuzzy está baseada em palavras e não em números, ou seja, os valores verdades são expressos linguisticamente; 2- Melhor tratamento das imprecisões; 3- Facilidade na especificação das regras de controle, em linguagem próxima à natural; 4- O uso de variáveis linguísticas deixa mais perto do pensamento humano; 5- Simplifica a solução de problemas; 6 - Proporciona um rápido protótipo dos sistemas; 7- Simplifica a aquisição da base do conhecimento; e 8- Requer poucas regras, poucos valores e poucas decisões (ZANETTE; RADANOVITSCK).
Assim, a teoria da lógica Fuzzy tem sido desenvolvida para lidar com o conceito de verdade parcial, ou seja, com valores de verdade, entre o completamente verdadeiro, e o completamente falso da lógica booleana (ORTEGA, 2001). Logo, a escolha pela ferramenta fuzzy se justifica, pois, a mesma opõe-se à lógica dicotômica, na qual uma situação só deve ser entendida por experiências humanas baseadas no “ou é isso ou é aquilo”, tão comum à lógica clássica.
Para a aplicação da lógica difusa, Posselt, Frozza e Molz (2011) afirmam ser necessária a utilização de operações sobre conjuntos difusos. As operações segundo esses autores são aplicadas sobre o grau de pertinência dos elementos. O controlador difuso é composto de três fases distintas: fuzificação, inferência e defuzificação, as quais são descritas abaixo a partir do trabalho de Posselt, Frozza e Molz (2011):
a) Fuzificação: esse processo deve ser realizado para cada valor de entrada e consiste no mapeamento dos dados para conjuntos difusos relevantes. Os valores de entrada são valores discretos, provenientes, geralmente, de medições ou observações. O processo de fuzificação também é responsável pela ativação das regras relevantes para uma determinada situação.
b) Inferência: nessa etapa, são determinadas as regras que serão ativadas e combinadas, e como resultados desse processo são produzidos conjuntos difusos de saída.
c) Defuzificação: é o processo de conversão de conjuntos difusos em uma saída discreta. A defuzificação é a etapa que exige o maior processamento,
dependendo dos algoritmos escolhidos. Os algoritmos mais utilizados são: centro da gravidade, primeiro, centro e último dos máximos, altura e centro da soma.
Para o contexto amazônico em que foi desenvolvida a pesquisa é pertinente citar Costa (2014), ao afirmar que as especificidades amazônicas possuem alto nível de complexidade, e que estas não podem ser reduzidas à perspectiva da estatística convencional baseada na perspectiva do crisp set analisis, ou seja, restritas aos valores binários de 0 e 1 (sim e não, existe e nãoexiste, pertence e não pertence).
Assim, apesar das especificidades do modo de vida ali observado, o conjunto de variáveis propostos permitiu uma interpretação que considerasse a realidade diversa da Amazônia Legal, evidenciando assim os principais fatores limitantes do bom desempenho das políticas públicas.
Em suma, nesta tese foi usada como ferramenta de análise a lógica Fuzzy que foi utilizada para operacionalizar a análise comparativa por meio do software fsQCA 2.0. Para que fosse possível extrair a resposta final do conjunto fuzzy foi necessário se estabelecer regras de inferências.
Segundo Malutta (2004), essas regras devem ser processadas em paralelo, ou seja, todas as regras (circunstâncias) são consideradas ao mesmo tempo, e ao final obtemos uma resposta que pode ser tanto um valor numérico clássico, quanto um conjunto fuzzy ou um funcional, a depender do tipo de consequente utilizado
As regras de inferência foram formadas pelas variáveis obtidas na IAD, a partir da aplicação dos questionários, levantamento bibliográfico e acesso a dados em fontes secundárias, levando em consideração as condições econômico e social (X1), produção (X2), instituições (X3) e ambiente (X4).
Para Ragin (2007a), um conjunto fuzzy pode ser visto como uma variável contínua que foi propositadamente calibrada para indicar um grau de participação em um conjunto bem definido. Essa calibração só é possível por meio do uso de conhecimentos teóricos e substantivos, que é essencial para a especificação dos três breakpoints qualitativos: plena adesão (1), não adesão (0), e o ponto de cruzamento, onde há uma ambiguidade máxima a respeito de se um caso está mais em um ou noutro conjunto (0,5).
Assim, o nível de intersetorialidade das políticas agrícolas e de PNPDEC variou no intervalo de 1 (Totalmente adequado) a 0 (Totalmente inadequado), considerando que. Desta maneira, se ressalta que o fator de pertinência neste
trabalho esteve compreendido entre os valores 0 e 1, sendo que o valor 0 indicou uma completa exclusão e o valor 1 representou completa pertinência.
Em outras palavras, quanto mais próximo de 1 mais o caso em questão (município) se identifica com o conceito de intersetorialidade ora apresentado. Logo, as quatro variáveis elencadas, a partir da percepção da especialista, foi classificada dentro de um destes intervalos para posterior obtenção do nível de intersetorialidade em cada caso estudado.
Os gradientes utilizados para quantificação fuzzy dos resultados qualitativos baseiam-se nos intervalos sugeridos por Ragin (2007b), porém adaptados à análise desta tese: 1= totalmente adequado, 0,9= parcialmente adequado, 0,6= mais ou menos adequado, 0,4= mais adequado do que inadequado, 0,1= parcialmente adequado e 0= totalmente inadequado.
Na última etapa deste trabalho foram disponibilizados os resultados e a discussão realizada, tendo por base a metodologia ora descrita. Ali foi realizada a análise por meio do IAD Framework e do QCA com os pressupostos da Lógica Fuzzy a partir da descrição dos dados oriundos dos questionários aplicados e do levantamento em fontes secundárias.
Logo, se pode afirmar que abordagem adotada não se constitui um campo separado da realidade social, pelo contrário permite que a partir da inteligência computacional, se possa apreender uma realidade complexa que expõe simultaneamente problema e intervenção, o que demanda conhecimentos distintos e ao mesmo tempo integrados.
Isso torna essa análise especialmente importante para o apontamento de possíveis desvios, assim como a proposição de correções necessárias ao desenho da política que possam estar ocorrendo por ocasião de sua implementação. No próximo capítulo serão apresentados os resultados que buscam pavimentar o entendimento das questões apresentadas como objeto de pesquisa neste trabalho.
8 RESULTADOS E DISCUSSÕES
Neste trabalho se optou por dividir os resultados e discussões da análise aqui empreendida em duas etapas, conforme o Esquema 9.