Escolar Documentos
Profissional Documentos
Cultura Documentos
CENTRO DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA HIDRÁULICA E AMBIENTAL
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL
FORTALEZA
2021
ULISSES COSTA DE OLIVEIRA
FORTALEZA
2021
ULISSES COSTA DE OLIVEIRA
Aprovada em: //
BANCA EXAMINADORA
The current legislation on the investigation of environmental infractions establishes that the
environmental fines must be based on the type of damage committed, considering the history
of environmental infractions, the ability to pay and the severity of the environmental damage.
In this context, the present research proposes criteria for structuring an index called
Environmental Damage Severity Index - IGDAM aiming to subsidizing the environmental fines
within the scope of environmental agencies. A hybrid mathematical methodology with the
integration of Fuzzy Delphi (FDELPHI) and Fuzzy Analytic Hierarchy process (FAHP) was
used. FDELPHI was used to raise the index’s component criteria and subcriteria. The FAHP
method was applied to calculate the relative weights of the criteria and subcriteria selected to
structure the index. Preliminary results indicate Land Use and Land Cover as the factor that
most contribute to the index, followed by the criteria Soils; Geomorphology; Slope; Climate;
Vegetation; Distance from Water Resources; Altitude; Distance from Protected Areas; and
Geology. It is expected, with the results obtained in this research, to contribute to a
standardization in the procedures for investigating environmental infractions, as well as to
provide the improvement of the mechanisms for dimensioning the fine values at the time of the
assessment.
1. INTRODUÇÃO .............................................................................................................................10
1.1. OBJETIVOS....................................................................................................................................11
1.1.1. OBJETIVO GERAL .......................................................................................................................11
1.1.2. OBJETIVOS ESPECÍFICOS............................................................................................................12
3. METODOLOGIA .........................................................................................................................30
REFERÊNCIAS ...................................................................................................................................51
APÊNDICES .........................................................................................................................................60
10
composição contribuem para o adequado dimensionamento das sanções ambientais em função
do cometimento de infrações.
1.1. Objetivos
12
2. FUNDAMENTAÇÃO TEÓRICA
2.1. Dano Ambiental
A noção de dano está diretamente relacionada à ocorrência de fatos que, por qualquer
motivo, provoquem a alteração de bem destinado à satisfação de interesses ou necessidades
juridicamente protegidos e tutelados.
O arcabouço legislativo ambiental brasileiro não carrega um conceito próprio acerca do
dano ambiental. Entretanto, diversos autores e doutrinadores, em razão dessa lacuna trazida
pela legislação nacional, trouxeram conceitos em relação ao assunto.
Antunes (2000) apud Milaré (2009, p. 837) coloca que “se o próprio conceito de meio
ambiente é aberto, sujeito a ser preenchido casuisticamente, de acordo com cada realidade
concreta que se apresente ao intérprete, o mesmo entrave ocorre quanto à formulação do
conceito de dano ambiental”, sendo, na visão de Milaré (2009, p. 837), “essa, provavelmente, a
razão de não ter a lei brasileira, ao contrário de outras, conceituado, às expressas, o dano
ambiental”. O autor ainda destaca que “nada obstante, delimitaram-se as noções de degradação
da qualidade ambiental e de poluição” quando da promulgação da Lei 6.938/1981, que traz suas
definições em seu art. 3º, incisos I e III:
Art. 3º, II - Para os fins previstos nesta Lei, entende-se por: II - degradação da
qualidade ambiental, a alteração adversa das características do meio ambiente; III
- poluição, a degradação da qualidade ambiental resultante de atividades que direta
ou indiretamente: a) prejudiquem a saúde, a segurança e o bem-estar da população;
b) criem condições adversas às atividades sociais e econômicas; c) afetem
desfavoravelmente a biota; d) afetem as condições estéticas ou sanitárias do meio
ambiente; e) lancem matérias ou energia em desacordo com os padrões ambientais
estabelecidos. (BRASIL, 1981).
Considerando que o conceito de dano está relacionado ao prejuízo causado a alguém por
um terceiro que se vê obrigado ao ressarcimento (ANTUNES, 2010, p. 247), como uma lesão a
um bem jurídico ou a interesse juridicamente protegido, e articulando-se as definições de
degradação da qualidade ambiental e poluição, o dano ambiental, por conseguinte, é entendido
como sendo os prejuízos patrimoniais ou extrapatrimoniais ocasionados a interesses que tenham
por objeto o meio ambiente (CARVALHO, 2013, p. 102).
Leite (1999, p. 98) afirma que “o dano ambiental, constitui uma expressão ambivalente,
que designa, certas vezes, alterações nocivas ao meio ambiente e outras, ainda, os efeitos que
tal alteração provoca na saúde das pessoas e em seus interesses”. Numa primeira acepção,
configura-se como uma alteração indesejável ao conjunto de elementos que compõem o meio
ambiente, noutra, engloba os efeitos que esta modificação gera na saúde das pessoas e em seus
interesses.
13
O dano ao meio ambiente, por ser bem público, gera repercussão geral, impondo
conscientização coletiva à sua reparação, a fim de resguardar o direito das futuras gerações a
um meio ambiente ecologicamente equilibrado. (AMADO, 2017, p. 298).
Custódio (1983) apud Leite (1999, p. 94-95), abordando o tema, destaca que o dano, para
fins de reparação decorrente de atividade poluente, tem como pressuposto básico a própria
gravidade do acidente, seja causando prejuízo patrimonial ou não patrimonial a outrem,
independente de tratar de risco permanente, periódico, ocasional ou relativo.
Antunes (2010, p. 247), por sua vez, diz que não é difícil conceituar dano ambiental, já
que ele nada mais é do que o dano ao meio ambiente, ou seja, dano ao bem jurídico meio
ambiente.
Silva (2008) define dano ambiental como sendo qualquer lesão ao meio ambiente
causado por ação de pessoa, seja ela física ou jurídica, de direito público ou privado e que pode
resultar na degradação da qualidade ambiental, bem como na poluição, definida, nos termos da
Política Nacional do Meio Ambiente, como a degradação da qualidade ambiental resultante de
atividade humana.
Da análise empreendida da lei brasileira, conforme (Leite (1999, p. 108), “o dano
ambiental deve ser compreendido como toda lesão intolerável causada por qualquer ação
humana (culposa ou não) ao meio ambiente, diretamente, como macrobem de interesse da
coletividade, em uma concepção totalizante, e indiretamente, a terceiros, tendo em vista
interesses próprios e individualizáveis e que refletem no macrobem”.
Por fim, conforme destaca Milaré (2009, p. 871), a valoração do dano ambiental é uma
tarefa difícil, pois o caráter sistêmico do meio ambiente “dificulta ver até onde e até quando se
estendem as sequelas do estrago”.
2.2. Geotecnologias
14
aqueles sobre um determinado fenômeno específico em uma região de interesse ou em todo o
país. Incluem valores qualitativos e quantitativos que se referenciam espacialmente aos dados
de referência, e normalmente estão ligados aos objetivos centrais da gestão dos seus respectivos
órgãos produtores (MENEZES E FERNANDES, 2013).
De acordo com Rosa (2005), as geotecnologias, também conhecidas como
geoprocessamento, se caracterizam por serem um conjunto de tecnologias para coleta,
processamento, análise e oferta de informações com referência geográfica. As geotecnologias
são compostas por soluções em hardware, software e peopleware que juntos constituem
poderosas ferramentas para tomada de decisões. Dentre as geotecnologias destacam-se os
sistemas de informação geográfica (SIG), cartografia digital, sensoriamento remoto, sistema de
posicionamento global e a topografia.
2.2.1. Geoprocessamento
15
Geográfica (GIS), permite com facilidade, realizar análises complexas integrando dados de
diversas fontes e criando bancos de dados georreferenciados (CÂMARA e DAVIS, 2004).
Trata-se de “um conjunto de tecnologias voltadas à coleta e tratamento de informações espaciais
para um objetivo específico” (INPE, 2005).
Xavier da Silva (2000) define o geoprocessamento como um conjunto de técnicas
computacionais que opera sobre bases de dados georreferenciados para transformá-los em
informações relevantes, com análises, sínteses e reformulações desses dados, tornando-os
utilizáveis em um sistema de processamento automático.
Câmara, Davis e Monteiro (2001) destacam que é costume dizer-se que
Geoprocessamento é uma tecnologia interdisciplinar, que permite a convergência de diferentes
disciplinas científicas para o estudo de fenômenos ambientais e urbanos.
A utilização de instrumentos computacionais do geoprocessamento, como o SIG,
possibilita a realização de diversas análises espaciais, com custos relativamente mais baixo do
que pesquisas e levantamentos de campo, o que o torna útil sua aplicação, principalmente, em
países com extensa dimensão territorial e com carência de informações para a tomada de
decisões a respeito de problemas ambientais e urbanos (CÂMARA E MEDEIROS, 1998).
Diversos são os campos de estudo e as disciplinas envolvidos com o geoprocessamento.
Meneses (2000, apud Menezes e Fernandes, 2013) apontam as seguintes aplicações:
• Áreas que desenvolvem conceitos para o relacionamento do espaço: ciências cognitivas,
geografia, linguística, psicologia (no seu aspecto comportamental);
• Campos que desenvolvem ferramentas práticas e instrumentos para obtenção ou
trabalho com dados espaciais: Cartografia, Geodésia, fotogrametria, sensoriamento
remoto, topografia etc.;
• Campos que elaboram formalismos e teorias fundamentais ao trabalho com espaço e
automação: Ciências Computacionais, Geometria, Informática, Inteligência Artificial,
Semiologia, Estatística etc.;
• Campos que fazem uso de sistemas de informações geográficas: todos aqueles que
trabalham com a informação georreferenciada;
• Campos que proveem orientação sobre informação: Direito, Economia.
Segundo Rosa (2005), o geoprocessamento envolve pelo menos quatro categorias
de técnicas relacionadas ao tratamento da informação espacial:
1. Técnicas para coleta de informação espacial (cartografia, sensoriamento remoto,
GPS, topografia, levantamento de dados alfanuméricos);
16
2. Técnicas de armazenamento de informação espacial (bancos de dados – orientado a
objetos, relacional, hierárquico, etc.);
3. Técnicas para tratamento e análise de informação espacial (modelagem de dados,
geoestatística, aritmética lógica, funções topológicas, redes, etc.);
4. Técnicas para o uso integrado de informação espacial, como os sistemas GIS –
Geographic Information Systems, LIS – Land Information Systems, AM/FM –
Automated Mapping/Facilities Management, CADD – Computer-Aided Drafting
and Design.
Considerando o exposto, verifica-se que as definições apresentadas consideram o
geoprocessamento numa perspectiva tecnológica ou como sendo um conjunto de técnicas que
visam a coleta e tratamento de informações geoespaciais, configurando-se um termo bastante
amplo no contexto do conhecimento científico.
Nesse contexto, resume-se o conceito de geoprocessamento nas palavras de Galati
(2006, p. 9), como sendo:
“o processo fundamental de criação de um conjunto derivado de dados geográficos
de vários conjuntos de dados existentes usando operações como sobreposição de
recursos e conversão de dados. Em um ambiente de geoprocessamento típico, o
usuário aplica funções GIS a um grupo de dados geográficos (de entrada) para
produzir um conjunto de dados de saída preciso adequado para uma aplicação
específica. As funções de geoprocessamento abrangem toda a gama desde simples
recorte espacial até operações analíticas mais complexas. Essas funções de
software podem ser independentes ou encadeadas a outros processos. Em última
análise, isso abre as portas para conjuntos praticamente ilimitados de modelos de
geoprocessamento e conjuntos potencialmente impressionantes de dados de saída
para resolver problemas específicos.”
17
análise, síntese e exibição para promover a compreensão e auxiliar a tomada de decisões.
Para İncekara (2012), os Sistemas de Informação Geográfica (GIS) podem ser definidos
como um sistema de mapeamento abrangente projetado para capturar, armazenar, analisar,
sintetizar, consultar, editar, recuperar, manipular e exibir dados espaciais obtidos da superfície
terrestre na forma de gráficos, tabelas, imagens 3D e mapas com base na riqueza das
informações inseridas no banco de dados GIS. Para Bolstad (2016) e Chang (2018) um sistema
de informação geográfica (GIS) é um sistema de computador para capturar, armazenar,
consultar, analisar e exibir dados geoespaciais.
Segundo ROSA (2005, p. 81), pode-se definir um sistema de informações geográficas
como sendo:
“um conjunto de ferramentas computacionais composto de equipamentos e
programas que, por meio de técnicas, integra dados, pessoas e instituições, de
forma a tornar possível a coleta, o armazenamento, o processamento, a análise e a
oferta de informação georrefenciada produzida por meio de aplicações
disponíveis, que visam maior facilidade, segurança e agilidade nas atividades
humanas referentes ao monitoramento, planejamento e tomada de decisão relativas
ao espaço geográfico.”
20
há muita imprecisão. Afirmações do tipo “A sala está muito fria” e “Alguém é jovem “ são
exemplos simples, cuja principal preocupação é representar, manipular e inferir informações
dessas declarações imprecisas. A teoria e a aplicação de conceitos fuzzy são bastante
importantes para trabalhar com essas questões.
Várias técnicas relacionadas à resolução de problemas que envolvem tomada de decisão
com base em múltiplos critérios foram desenvolvidas ou adaptadas tendo-se como referência a
Teoria dos Conjuntos Fuzzy (TCF), normalmente referenciadas genericamente como
“abordagens fuzzy”.
O conceito de “Conjuntos Fuzzy” foi introduzido por Zadeh (1965) que são conjuntos
com amplitudes imprecisas. O autor afirma que a “pertinência” em um conjunto difuso não é
uma questão de afirmação ou negação, mas sim uma questão de grau. Ao longo dos últimos
cinquenta anos, sua proposta ganhou reconhecimento como um ponto importante na evolução
do conceito moderno de imprecisão e incerteza e sua inovação representa uma mudança de
paradigma dos conjuntos clássicos ou dos conjuntos Crisp para “Conjuntos Fuzzy”
(CELIKYILMAZ e TÜRKSEN, 2009).
A teoria dos conjuntos fuzzy e da lógica fuzzy são teorias renomadas, com as quais se
pode capturar o fenômeno natural da imprecisão e incerteza do pensamento humano,
expandindo a lógica tradicional ao incluir instâncias da verdade parcial, podendo ser utilizada
para lidar com problemas difusos e incertos no mundo real (STEFANO, 2014; ZADEH, 1965;
PEDRYCZ e VUKOVICH, 1965; JIANG ET AL., 2019), produzindo ferramentas capazes de
capturar informações vagas, em geral, descritas em uma linguagem natural, e convertê-las para
um formato numérico, de fácil manipulação por meio de computadores (ZADEH, 2008;
CHANG;WANG, 2009; LIN et al., 2016), tendo uma ampla variedade de aplicações, desde
inteligência artificial, ciência da computação, engenharia de controle, sistemas especializados,
gestão, inclusive em processos de tomada de decisão, permitindo a aproximação da decisão por
meio de ferramentas computacionais da decisão humana.
Comparada com a teoria dos conjuntos convencional, a teoria dos conjuntos fuzzy pode
descrever a incerteza dos dados substituindo uma função característica por uma função de
pertinência (JIANG et al, 2020) que é uma função cujo alcance é um conjunto de pertinência
ordenado dentro do intervalo unitário fechado (CELIKYILMAZ e TÜRKSEN, 2009).
Na Teoria Clássica dos Conjuntos, uma função característica define o pertenciamento
(ou pertinência) de determinados elementos a um conjunto. Um conjunto “clássico” é uma
coleção de objetos distintos definido de forma a particionar os objetos de um determinado
universo de discurso em dois grupos: membros (aqueles que pertencem a um determinado
21
conjunto) e não-membros (aqueles que não pertencem a determinado conjunto). Assim, na
teoria dos conjuntos tradicional (crisp), existe uma distinção nítida entre membros e não
membros de um conjunto (ZADEH, 1965; 2008; CELIKYILMAZ e TÜRKSEN, 2009).
Stefano (2014) afirma que o raciocínio exato corresponde a um limite do raciocínio
aproximado, sendo interpretado como um processo de composição de relações nebulosas.
Tradicionalmente, uma proposição lógica possui dois extremos: ou “completamente
verdadeiro” ou “completamente falso”. Na lógica fuzzy, uma premissa varia seu grau de verdade
de 0 a 1, o que leva a ser parcialmente verdadeira e parcialmente falsa.
No conjunto fuzzy, o grau de pertinência de cada elemento é definido por uma função
de pertinência, cujos valores possíveis variam numa escala de 0 a 1, estando relacionado ao
grau de pertencimento, ou seja, a pertinência deve ser um elemento do intervalo [0, 1], de
maneira que os valores de associação representem o grau em que um objeto pertence a um
conjunto fuzzy (NGUYEN; 2021).
A função de pertinência é representada na equação 1:
22
2.3.1. Números Fuzzy Triangulares (NFT)
iii. Normalidade: pelo menos um elemento x0 de X deve ter grau de pertinência igual
a 1, conforme definido pela equação 4:
µ(x) = 1, ∃ x ∈ X (4)
Um Número Fuzzy Triangular (NFT) a é definido por um a = (l, m, u) com uma função
de pertinência descrita pela equação 5:
𝟎, 𝑠𝑒 𝑥 < 𝑙
𝒙−𝒍
, 𝑠𝑒 𝑙 ≤ 𝑥 ≤ 𝑚
𝒎−𝒍
𝜇𝐴 (𝑥) = (5)
𝒖−𝒙
, 𝑠𝑒 𝑚 ≤ 𝑥 ≤ 𝑢
𝒖−𝒎
{ 𝟎, 𝑠𝑒 𝑥 > 𝑢
23
Figura 1: Representação de um NFT.
Em diversas áreas que envolvem modelos de decisão, números fuzzy vêm sendo
crescentemente utilizado em razão de sua capacidade de representar em linguagem matemática
os valores linguísticos.
24
Nesta seção abordam-se as principais metodologias e técnicas de tomada de decisão
multicritério. Além disso, será detalhado o método Processo de Análise Hierárquica – AHP
como ferramenta para construção do índice de gravidade do dano ambiental – IGDAM. Serão
também apresentados trabalhos científicos que se utilizam do referido método para construção
de índices e indicadores aplicados às mais diversas áreas do conhecimento científico.
Decidir pode ser entendido como a escolha entre alternativas na busca de solução para
um problema. A teoria da decisão faz referência a ter relação com a lógica com que se chega a
uma escolha dentre várias alternativas. Então, pode-se afirmar que o ato de decidir corresponde
a deliberar, ou seja, dar preferência a uma alternativa após compreensão sobre determinado
problema (ANTONELLO, 2008), pressupondo uma atitude que faça com que um processo evolua
ou não, o que pode interferir negativa ou positivamente num fluxo de rotinas de uma
organização. Eastman (2003) afirma que a Teoria da Decisão está relacionada à lógica como
alguém chega a uma escolha entre alternativas que, por sua vez, variam de problema para
problema, podendo ser ações alternativas, hipóteses alternativas sobre um fenômeno, objetos
alternativos de um conjunto deles e assim por diante.
Gomes e Gomes (2014) entendem a tomada de decisão como o estudo da identificação
e escolha de alternativas para encontrar a melhor solução baseada em diversos fatores e
considerando as expectativas dos avaliadores. Cada decisão é feita dentro de um ambiente de
decisão, que é definido como a recolha de informação, alternativas, valores e preferências
disponíveis quando a decisão deve ser tomada.
Para Lachtermacher (2016) a tomada de decisão pode ser entendida como o processo de
identificação de um problema ou de uma oportunidade e a seleção de uma linha de ação para
resolvê-lo. Quando o estado atual de uma situação é diferente do desejado tem-se um problema,
quando as circunstâncias oferecem a chance de um indivíduo ou de uma organização ultrapassar
ou alterar seus objetivos ou metas, tem-se uma oportunidade.
Harris (1998) afirma que o estudo da tomada de decisão é caracterizado pela identificação
e escolha de alternativas baseado em valores e preferências dos tomadores de decisão, devendo
também ser consideradas as alternativas possíveis, além daquela que se adapta melhor aos
objetivos.
A solução de problemas ocorre por meio de dois elementos centrais: a informação e a
concepção do problema. A informação permite o conhecimento da situação cuja atuação deve
incidir e a concepção intelectual do problema pressupõe as variáveis e a forma como elas
25
interagem (CAETANI, 2014).
Nesse contexto, a multiplicidade de critérios definidos para julgar alternativas é o
principal desafio na tomada de decisão, pois o ser humano possui limitações de compreensão
ou de processamento das informações que recebe (SALOMON, 2005).
Frequentemente os diversos grupos de tomadores de decisão estão envolvidos no
processo e os objetivos geralmente são conflitantes. É nesse contexto que o processo de decisão
por múltiplos critérios ganha força e auxilia na tomada de decisões que envolvem vário critérios
(RIVAS, 2016).
Thomaz (2000) aponta que num processo de decisão devem ser levados em consideração
tanto elementos de natureza objetiva como de natureza subjetiva. Aqueles de natureza objetiva
são próprios do problema e das ações, já os de natureza subjetiva dizem respeito aos valores e
características dos tomadores de decisão, tornando a tomada de decisão, conforme Tchemra
(2009), uma tarefa que requer conhecimento, segurança e coerência do decisor para que a
decisão seja confiável.
Com vistas a minimizar a subjetividade na tomada de decisão, diversos métodos
desenvolvidos permitem a elaboração de modelos de decisão que oferecem técnicas para a
estruturação do problema e funções que permitem representar os julgamentos e as preferências
dos decisores de forma consistente durante o processo de tomada de decisão (RAIFFA, 1968;
RAGSDALE, 2017).
Dessa forma, nota-se que os processos de análise para tomada de decisão, visam a
minimização dos riscos de uma escolha, considerando que apresentam ou recomendam várias
alternativas de ações para a solução de um problema (RAIFFA, 1968; RAGSDALE, 2017;
CABRERIZO et al, 2019).
Embora não se saiba exatamente quando o estudo formal da tomada de decisão
começou, é possível rastrear as origens da análise de decisão/teoria da utilidade. De acordo com
a Sociedade Internacional em tomada de decisão multicritério (MCDM), as metodologias de
apoio à decisão com base em múltiplos critérios tomam força a partir da década de 50 quando
em 1955, foi publicado um artigo que continha a essência da programação de metas e que
serviu, de acordo com (GRECO, 2016), como um impulso para o desenvolvimento da
programação matemática de múltiplos objetivos, fornecido pela programação linear e, em
particular, pela programação de metas.
Na Europa, nos anos 60 e 70 foram introduzidas as metodologias estruturadas,
destacando-se nos Estados Unidos Thomas L. Saaty, com o método AHP e Keeney e Raiffa,
com o MAUT e na França, Bernard Roy com o método ELECTRE, que se tornaria uma família
26
de métodos (FERNANDES et al., 2009).
Nesse contexto, podem ser citadas duas correntes metodológicas no âmbito da tomada
de decisão: a corrente denominada Escola Americana e a Escola Francesa ou Escola Europeia.
De acordo com Matzenauer (2003), a Escola Americana desenvolve Métodos Multicritério de
Tomada de Decisão (MCDM) e se baseia no paradigma racionalista. Já a Escola Europeia
desenvolve Métodos Multicritério de Apoio à Decisão (MCDA) e baseia-se no paradigma
construtivista.
De acordo com Roy (1987), o paradigma científico do racionalismo possui uma visão
objetivista do problema, tendo a imparcialidade total como pressuposto de observação da
realidade, sendo dessa forma, o conhecimento originado fundamentalmente, a partir do objeto.
Na visão racionalista, a realidade é externa e independente do sujeito, sendo explorada
pelo este por meio da experiência. Assim, permite-se ao sujeito a obtenção do conhecimento
objetivo por meio da experiência (MATZENAUER, 2003). O paradigma racionalista propõe-
se ser uma ciência da decisão (ROY, 1993).
O paradigma científico do construtivismo, segundo Roy (1987) trata o problema numa
visão construtivista o que significa que o conhecimento é originado a partir da interação entre
o sujeito e objeto. O sujeito possui um papel ativo na produção do conhecimento, uma vez que
essa realidade é percebida por ele. Os interesses, valores e objetivos dos diversos grupos
envolvidos em um processo decisório devem ser levados em conta (MATZENAUER, 2003).
“Cada envolvido na decisão terá, necessariamente, uma percepção e interpretação diferente da
realidade, não existindo, desta forma, um “problema real”, mas sim problemas construídos, a
partir da percepção da realidade pelos decisores.” (MONTIBELLER, 2000). Assim, verifica-se
que nesse paradigma, incorpora-se a subjetividade dos decisores no processo de tomada de
decisão.
O Quadro 1 apresenta as principais características dos paradigmas adotados pelas
Escolas Europeia e Americana quanto ao processo decisório.
Quadro 1. Características dos paradigmas Racionalista e Construtivista das Escolas de
Métodos Multicritério
Escola Americana – Escola Europeia –
Paradigma Racionalista Paradigma Construtivista
processo ao longo do tempo
A Tomada de momento em que ocorre a
envolvendo interação entre os
Decisão escolha da solução ótima
atores
dotado de sistema de valores
O Decisor totalmente racional
próprio
problema construído (cada
O Problema a Ser
problema real decisor constrói seu próprio
Resolvido
problema)
27
são ferramentas aceitas pelos
Os Modelos representam a realidade objetiva decisores como úteis no Apoio à
Decisão
recomendações que visam
Os Resultados dos
soluções ótimas atender aos valores dos
Modelos
decisores
O Objetivo da gerar conhecimento aos
encontrar a solução ótima
Modelagem decisores sobre o seu problema
o modelo é válido quando o modelo é válido quando serve
A Validade do
representa como ferramenta de Apoio à
Modelo
a realidade objetivamente Decisão
A Preferência dos são construídas com o
são extraídas pelo analista
Decisores facilitador
A Forma de Atuação tomada de decisão apoio à decisão
Fonte: Adaptado de Ensslin, Montibeller e Noronha (2001) apud Cardoso e Santos (2017)
Ren e Sovacool et al. (2014) definem os métodos multicritérios de apoio à decisão como
um conjunto de procedimentos lógicos que visam construir modelos com vistas a orientar o
tomador de decisão quanto à escolha de alternativas.
Desde então, inúmeros autores revisaram artigos na literatura sobre a aplicação do
MCDM na solução de diversos problemas de decisão em diversos campos da atividade humana
(EMOVON; OGHENENYEROVWHO, 2020), tais como construção civil e infraestrutura
(AMBRASAITE; BARFOD; SALLING, 2011), indústria (LONGARAY et al., 2019), logística
e transporte (WĄTRÓBSKI, 2016; DE LA VEGA et al., 2018), energia (NEVES et al., 2009),
meio ambiente (DAS; PAL, 2020), agricultura (USTAOGLU; SISMAN; AYDINOGLU,
2021), dentre outras áreas (SHIH et al., 2007; VELASQUEZ;HESTER, 2013, STOJČIĆ et al.,
2019). Tais metodologias possuem um vasto campo de aplicação em grande parte dos setores
da vida humana.
As ferramentas de tomada de decisão multicritério (MCDM) geralmente são aplicadas
para se chegar a uma decisão ótima quando existem várias alternativas com critérios de decisão.
Trata-se de ferramentas reconhecidas para resolver problemas complexos da vida real devido à
capacidade intrínseca de julgar diversas alternativas com referência a vários critérios de decisão
a fim de escolher a melhor alternativa. Algumas das técnicas populares de MCDM utilizadas
para resolver problemas de decisão são: Processo de Análise Hierárquica (AHP), Combinação
28
Linear Ponderada (CLP), Modelo de Produto Ponderado (WPM), Técnica para Preferência de
Pedido por Similaridade à Solução Ideal (TOPSIS), VIKOR e Teoria da Utilidade Multi-
Atributo (MAUT) (ZHOU;POH, 2006; EMOVON; OGHENENYEROVWHO, 2020). Além
das ferramentas individualmente, podem ser destacadas suas abordagens combinadas com a
lógica fuzzy (GIGOVIĆ et al., 2016; ÇETINKAYA et al., 2016; CHANDNA;SAINI; KUMAR,
2021; OLABANJI; MPOFU, 2021; SAHIN et al., 2021), bem como combinadas entre si
(BÜYÜKÖZKAN; GÖÇER; KARABULUT, 2018; MICALE;LA FATA; LA SCALIA, 2019;
GULUM; AYYILDIZ; TASKIN GUMUS, 2021).
29
3. METODOLOGIA
A área de estudo compreende a bacia hidrográfica do Rio Itacolomi (BHRI), com área
de aproximadamente 1.060 km², pertencente à região hidrográfica do rio que leva o mesmo
nome, inserida na porção norte do estado, na macrorregião Noroeste Cearense, compreendendo
os municípios de Uruoca, Granja, Tianguá e Viçosa do Ceará (Figura 2), entre as coordenadas
geográficas 3°16'33.75"S / 41°9'40.29"O e 3°49'53.98"S / 40°48'32.05"O.
Preliminarmente, considerando a necessidade de inspeção em campo, a caracterização
baseou-se na pesquisa desenvolvida por Guimarães (2020). A área da BHRI localiza-se no
domínio de clima semiárido, com período chuvoso irregular e um período seco prolongado,
abrangendo dois tipos climáticos: Tropical Quente Semiárido e Tropical Quente Subúmido. A
taxa média de evaporação na região é de 1.314,02.
A Bacia Hidrográfica do Rio Itacolomi (BHRI) assenta-se sobre duas morfoesculturas
bastante distintas: Depressão Sertaneja e Planalto da Ibiapaba. No contexto dos domínios
morfoesculturais, identificam-se quatro unidades geomorfológicas: Depressão Sertaneja,
Planície Fluvial, Serras Subúmidas e Planalto da Ibiapaba.
Quanto à fitoecologia da BHRI, na área ocorrem as seguintes unidades fitoecológicas:
Caatinga Arbustiva Aberta; Floresta Caducifólia Espinhosa (Caatinga Arbórea); Carrasco;
Complexo Vegetacional da Zona Litorânea; Floresta Subcaducifólia Tropical Pluvial (Mata
Seca); e Floresta Subperenifólia Tropical Plúvio Nebular (Mata Úmida).
No tocante à pedologia, os principais solos encontrados na Bacia Hidrográfica do Rio
Itacolomi (BHRI) por área de abrangência: Argissolos Vermelho-Amarelos, Latossolos
Amarelos, Latossolos Vermelhos, Neossolos Flúvicos, Neossolos Litólicos e Planossolos
Nátricos.
A BHRI abrange sete unidades litoestratigráficas, a saber: Depósitos aluviais: composto
por argilas, areias quartzosas e quartofeldspáticas, conglomeráticas ou não; cascalho argila
orgânica; Depósitos Cenozoicos: Coberturas sedimentares de espraiamento aluvial (inclui
capeamentos de planaltos e coluviões holocênicos e arenoargilosas, de tons alaranjado,
avermelhado e amarelado, apresentam-se em certos locais, cascalhosas e laterizados na base;
Grupo Serra Grande intercalações de siltitos e folhelhos/fluvial e marinho raso. Conglomerados
e arenitos, em parte feldspáticos, com Formação Santa Terezinha: Clorita-sericita filitos,
quartzo filitos, filitos carbonosos, filitos ardoseanos e metassiltitos; intercalações de
metacarbonatos, chertes e metavulcânicas ácidas; Formação Covão muscovita-albita-clorita
30
xistos de provável derivação vulcânica; Formação São Joaquim: Quartzitos puros e micáceos,
em parte com cianita ou sillimanita ou estaurolita; ocasionais intercalações de xistos quartzosos,
rochas calcissilicáticas, formações ferríferas e milonitoxistos derivados de vulcanitos ácidos;
Complexo Granja Ortognaisses TTG, gnaisses migmatítos bandados e dobrados, encerrando
fáceis kinzigíticos, granulitos e miloniticas.
31
Figura 2: Localização da BHRI.
32
3.2. Seleção e avaliação dos critérios componentes do índice de gravidade do dano
ambiental
33
Figura 3: Fluxograma para determinação dos pesos dos critérios.
34
A vantagem dessa técnica é que os participantes podem basear suas respostas no
feedback. A limitação é que sofre de baixa convergência de opiniões de especialistas, alto custo
de execução e possível filtragem de opiniões de especialistas (KUO E CHEN, 2008).
O método FDELPHI integra o método Delphi com a teoria fuzzy (MURRAY ET AL.,
1985). Nessa técnica, apenas uma rodada de investigação com especialistas é necessária, os
quais fornecem respostas usando funções de grau de pertinência, como números difusos
triangulares, números difusos trapezoidais, números difusos gaussianos, etc. (HSU ET AL.,
2010).
Números fuzzy funcionam melhor para consolidar opiniões fragmentadas de
especialistas (Tsai et al., 2010). As opiniões dos especialistas são combinadas usando
operadores mín., máx., mediana e mistos (Lin et al., 2007), ou usando a média geométrica em
métodos como FAHP (Kuo e Chen, 2008; Ma et al., 2011; Pai, 2007).
A principal vantagem do Método FDELPHI para a coleta de decisão do grupo está no
fato de que todas as opiniões de especialistas serão consideradas e integradas para alcançar o
consenso das decisões do grupo. Além disso, reduz o tempo de análise e o custo (Kuo e Chen
(2008).
Assim, o processo de definição dos critérios pelos especialistas através da aplicação da
Metodologia FDELPHI desenvolveu-se através das seguintes etapas, tomando-se como base os
procedimentos apresentados em Kuo e Chen (2008), Hsu et al. (2010), Wang e Durugbo (2013),
e Stefano et al. (2015).
A primeira etapa consistiu na organização de um painel de especialistas e um
questionário (Apêndice 2), cujos resultados são mostrados no Apêndice 3, para permitir que os
especialistas expressem suas escolhas sobre a importância de cada critério, juntamente com um
conjunto de critérios denominado S, em um intervalo de valoração de 1 a 5, conforme tabela 1.
A pontuação foi então definida como Ri, com i ∈ S, onde o índice do critério i é avaliado por k
especialistas.
Tabela 1: Escala de valoração dos critérios.
Valor Descrição
1 Irrelevante
2 Pouco Importante
3 Importância Moderada
4 Importante
5 Muito Importante
35
questionário e determinação dos números fuzzy triangulares (NFTs) Ti = (Li, Mi, Ui) para cada
critério i, conforme mostrado nas Equações 12 a 14:
𝐿𝑖 = 𝑀𝑖𝑛(𝐿𝑖𝑘 ) (12)
1
𝑀𝑖 = (𝑅𝑖1 𝑥 𝑅𝑖2 𝑥 𝑅𝑖3 𝑥 … 𝑥 𝑅𝑖𝑘 )𝑘 (13)
𝑈𝑖 = 𝑀𝑎𝑥(𝐿𝑖𝑘 ) (14)
(𝑢𝑖 − 𝑙𝑖 )+(𝑚𝑖 − 𝑙𝑖 )
𝑮𝒊 = [ ] + 𝑙𝑖 (15)
3
𝑘 𝜎𝜏2 − ∑𝑘 2
𝑖=1 𝜎𝑖
𝛼= [ ] (16)
𝑘−1 𝜎𝜏2
36
Onde 𝜎𝑖2 é a variância de cada coluna de uma matriz n x k, e relaciona-se a cada pergunta
feita, e 𝜎𝜏2 é a variância da soma de cada linha da matriz, sendo a variância da soma das respostas
de cada respondente. O valor de k deve ser maior do que 1 para que não haja zero no
denominador e n deve ser maior do que 1 para que não haja zero no denominador no cálculo de
𝜎𝑖2 e do 𝜎𝜏2 .
Na equação acima, k é um parâmetro de correção. Se houver consistência nas respostas
quantificadas, então 𝜎𝜏2 será relativamente grande, o que levará α a tender para 1. Caso
contrário, as respostas aleatórias farão com que 𝜎𝜏2 seja comparável com a soma das variâncias
individuais (𝜎𝑖2 ), o que por sua vez levará α a tender para 0 (LEONTITSIS e PAGGE, 2007).
O valor mínimo aceitável para o alfa é 0,70. Valores inferiores denotam consistência
interna da escala utilizada considerada baixa. Por outro lado, o valor máximo esperado é 0,90,
de forma que, acima deste valor, pode-se considerar que há redundância ou duplicação, ou seja,
vários itens estão medindo exatamente o mesmo elemento de um constructo. Assim, os itens
redundantes devem ser eliminados. Usualmente, são preferidos valores de alfa entre 0,80 e 0,90
(ALMEIDA;SANTOS;COSTA, 2010).
O quinto e último passo do processo de seleção dos critérios consistiu em definir um
limite α, de maneira que, se Gi ≤ α, então o critério i é eliminado. Para o presente trabalho
adotou-se o valor de α = 3, considerando que foram selecionados somente aqueles critérios
definidos como importantes ou muito importantes pelos especialistas.
37
Figura 4: Método Fuzzy-AHP para estruturação do IGDA.
Grupo de
Especialistas
Verificar a consistência dos julgamentos
Critérios de
Decisão
NÃO
Satisfatória?
Variáveis
Linguísticas SIM
ÍNDICE DE
GRAVIDADE DO
BASE DE DANO
DADOS AMBIENTAL -
IGDA
38
objetivo, os critérios e as alternativas.
O problema é estruturado de acordo com uma hierarquia, conforme pode ser visualizado
na Figura 5, onde o elemento superior é o objetivo da decisão. O segundo nível da hierarquia
representa os critérios e o nível mais baixo representa as alternativas. Em hierarquias mais
complexas, mais níveis podem ser adicionados. Esses níveis adicionais representam os
subcritérios. Em qualquer caso, existem no mínimo três níveis na hierarquia (ISHIZAKA e
NEMERY, 2013).
Figura 5: Exemplo de modelo AHP básico.
Objetivo
39
6̃ (5, 6, 7) (0.14, 0.17, 0.2)
Os valores dos números fuzzy para denotar os níveis de importância são expressos por
variáveis linguísticas, a saber: Igualmente Importante (II); Levemente mais importante (LI);
Mais importante (MI); Muito mais importante (MMI); Extremamente mais importante (EMI).
As variáveis são representadas graficamente na Figura 6.
Figura 6: Funções de pertinência definidas para o conjunto fuzzy das variáveis linguísticas.
𝐾 (18)
𝑚𝑖𝑗𝑘 = √∏𝐾
𝑘=1 𝑚𝑖𝑗𝑘
(19)
𝑢𝑖𝑗𝑘 = 𝑚á𝑥 (𝑢𝑖𝑗𝑘 )
40
respectivamente, referentes ao especialista k, com número de critérios igual a K. Além disso,
𝑙𝑖𝑗𝑘 ≤ 𝑚𝑖𝑗𝑘 ≤ 𝑢𝑖𝑗𝑘 e 𝑙𝑖𝑗 , 𝑚𝑖𝑗 , 𝑢𝑖𝑗 ∈ [1/9, 9].
Etapa 2: Esta etapa relaciona-se ao cálculo dos pesos por meio da importância relativa
fuzzy ou extensão sintética fuzzy dos nove critérios. Para isto, utilizou-se a abordagem do
método de análise de extensão proposta por Chang (1996), conforme mostrado nas equações
22 a 25, a partir da qual calcula-se a extensão sintética (Si) que é o número fuzzy que representa
a importância relativa de cada critério e subcritério, conforme procedimentos a seguir:
a. Seja X = {x1, x2, ..., xn} um conjunto de critério e G = {g1, g2, g3, ..., gn} um conjunto
de metas, cada critério terá sua extensão sintética calculada em relação a cada meta (gi)
obtendo-se m valores para cada critério em relação à meta, representados pela equação
21, sendo todos os 𝑀𝑔𝑚 (j = 1,2, ..., m) Números Fuzzy Triangulares (NFT):
1 2 𝑚 (21)
𝑀𝑔𝑖 , 𝑀𝑔𝑖 , … , 𝑀𝑔𝑖 , 𝑖 = 1, 2, … , 𝑛
1 2 𝑚
b. Sejam 𝑀𝑔𝑖 , 𝑀𝑔𝑖 , … , 𝑀𝑔𝑖 (𝑖 = 1, 2, … , 𝑛), medidas sintéticas do i-ésimo critério em
relação a m metas, então o valor de extensão sintética fuzzy (Si) para o i-ésimo critério
será calculado conforme equação X:
41
−1
𝑚 𝑛 𝑚
𝑗 𝑗
𝑆𝑖 = ∑ 𝑀𝑔𝑖 ⊗ [∑ ∑ 𝑀𝑔𝑖 ] (22)
𝑗=1 𝑖=1 𝑗=1
𝑚 𝑚 𝑚 𝑚
𝑗 (23)
∑ 𝑀𝑔𝑖 = (∑ 𝑙𝑗 , ∑ 𝑚𝑗 , ∑ 𝑢𝑗 )
𝑗=1 𝑗=1 𝑗=1 𝑗=1
𝑛 𝑚 𝑛 𝑛 𝑛
𝑗
∑ ∑ 𝑀𝑔𝑖 = (∑ 𝑙𝑗 , ∑ 𝑚𝑗 , ∑ 𝑢𝑗 ) (24)
𝑖=1 𝑗=1 𝑗=1 𝑗=1 𝑗=1
−1
𝑚 𝑛 (25)
𝑗 1 1 1
[∑ ∑ 𝑀𝑔𝑖 ] = ( 𝑛 , , )
∑𝑗=1 𝑢𝑗 ∑𝑛𝑗=1 𝑚𝑗 ∑𝑛𝑗=1 𝑙𝑗
𝑖=1 𝑗=1
𝑊𝑗
𝑅𝑗 = 𝑛
(27)
∑𝑗=1 𝑊𝑗
42
Onde ∑𝑛𝑗=1 𝑅𝑗 = 1.
Etapa 4: Esta etapa consiste no cálculo dos pesos globais (wij), calculados
multiplicando-se o peso local dos subcritérios com o peso dos critérios a que pertence, conforme
equação 28.
𝑤𝑖 = 𝑐𝑖 x𝑐𝑖𝑗 (28)
Onde, 𝑐𝑖 é o peso local do critério i e 𝑐𝑖𝑗 é o peso local do subcritério j dentro do critério
i.
43
4. RESULTADOS OBTIDOS
Neste capítulo serão apresentados os resultados obtidos até a presente data, que se
relaciona à seleção e avaliação preliminar dos critérios.
44
Tabela 4: Seleção e avaliação dos critérios através do método FDELPHI.
Média
Max Mín
Critério Geometrica Gi
(Ui) (Li)
(Mi)
Vegetação 4,36 5,00 2,00 3,79
Declividade 4,15 5,00 2,00 3,78
Geomorfologia 4,28 5,00 2,00 3,76
Uso e Cobertura da Terra 4,22 5,00 2,00 3,74
Distância de Recursos Hídricos 4,04 5,00 2,00 3,68
Solos 3,77 5,00 1,00 3,26
Clima 3,71 5,00 1,00 3,24
Geologia 3,28 5,00 1,00 3,09
Altitude 3,02 5,00 1,00 3,01
Distância de Vias 3,04 5,00 1,00 3,01
Pluviosidade 2,99 5,00 1,00 3,00
Temperatura do Ar 3,02 5,00 1,00 3,01
Temperatura da Superfície 2,99 5,00 1,00 3,00
Densidade demográfica 2,99 5,00 1,00 3,00
Densidade de Drenagem 2,97 5,00 1,00 2,99
Índice de Aridez 2,97 5,00 1,00 2,99
Distância de Núcleos Urbanos 2,96 5,00 1,00 2,99
Densidade de Focos de Queimada 2,97 5,00 1,00 2,99
Densidade de Residências 2,93 5,00 1,00 2,98
Distância de Áreas Protegidas 2,87 5,00 1,00 2,96
Índice de Desenvolvimento Humano (IDH) 2,54 5,00 1,00 2,85
Fonte: Elaborado pelo autor.
Por meio da avaliação do questionário (Apêndice 1) através do método Fuzzy-Delphi,
cujo 𝛼 de Crombach obtido foi de 0,85, foram eliminados aqueles critérios que obtivessem Gi
equivalente à importância moderada (valor 3), sendo considerados aptos a comporem o índice
os critérios cujo Gi apresentasse valores 4 (importante) ou 5 (muito importante). Dessa forma,
foram eliminados os seguintes critérios: Pluviosidade; Temperatura do Ar; Temperatura da
Superfície; Densidade Demográfica; Densidade de Drenagem; Índice de Aridez; Distância de
Núcleos Urbanos; Densidade de Focos de Queimada; Densidade de Residências; Distância de
Áreas Protegidas; Índice de Desenvolvimento Humano (IDH).
Por fim, foram selecionados os seguintes critérios para compor o IGDAM: Vegetação;
Declividade; Geomorfologia; Uso e Cobertura da Terra; Distância de Recursos Hídricos; Solos;
Clima; Geologia; Altitude; Distância de Vias (Apêndice 3).
Após aplicação dos questionários, definição dos critérios escolhidos para composição
do IGDAM, os critérios e seus respectivos subcritérios foram organizados e renomeados por
meio de siglas para melhor aplicação do método FAHP. O Quadro 2 mostra os critérios e
subcritérios.
45
Quadro 2: Critérios e subcritérios selecionados.
Critério Subcritério
Caatinga Arbórea (A1)
Caatinga Arbustiva Aberta (A2)
Carrasco (A3)
Vegetação (C1) Complexo Vegetacional da Zona (A4)
Litorânea
Mata Seca (A5)
Mata Úmida (A6)
Plano (A7)
Suave Ondulado (A8)
Ondulado (A9)
Declividade (C2)
Forte Ondulado (A10)
Montanhoso (A11)
Escarpado (A12)
Depressão Sertaneja (A13)
Planalto da Ibiapaba (A14)
Geomorfologia (C3)
Planície Fluvial (A15)
Serras Subúmidas (A16)
Formação Florestal (A17)
Formação Savânica (A18)
Formação Campestre (A19)
Pastagem (A20)
Uso e Cobertura da Terra (C4)
Agropecuária (A21)
Área Urbanizada (A22)
Solo Exposto (A23)
Corpo D’água (A24)
< 50 (A25)
50 – 100 (A26)
Distância de Recursos Hídricos (C5) 100 – 300 (A27)
300 – 500 (A28)
> 500 (A29)
< 500 (A30)
500 – 1000 (A31)
1000 – 2000 (A32)
Distância de Vias (C6)
2000 – 3000 (A33)
3000 – 5000 (A34)
> 5000 (A35)
Argissolo Vermelho-Amarelo (A36)
Latossolo Amarelo (A37)
Latossolo Vermelho (A38)
Solos (C7)
Neossolo Flúvico (A39)
Neossolo Litólico (A40)
Planossolo Nátrico (A41)
Tropical Quente Semiárido (A42)
Clima (C8)
Tropical Quente Subúmido (A43)
Covão (A44)
São Joaquim (A45)
Santa Terezinha (A46)
Geologia (C9)
Depósitos Colúvio-eluviais (A47)
Granja (A48)
Serra Grande (A49)
Altitude (C10) < 100 (A50)
46
100 - 220 (A51)
220 - 410 (A52)
410 - 600 (A53)
600 a_ 750 (A54)
> 750 (A55)
Fonte: Elaborado pelo autor.
O segundo passo adotado foi o cálculo da extensão sintética (Si) para cada um dos
critérios avaliados por meio da equação 22:
1 1 1
SC1 = (12.343, 34.814, 70) ⨀ ( , , ) = (0.029, 0.185, 0.837)
421,03 188,58 83,62
1 1 1
SC2 = (14.56, 28.877, 56) ⨀ ( , , )= (0.035, 0.153, 0.67)
421,03 188,58 83,62
1 1 1
SC3 = (19.667, 40.264, 73) ⨀ ( , , )= (0.047, 0.214, 0.873)
421,03 188,58 83,62
1 1 1
SC4 = (7.706, 14.976, 42.5) ⨀ ( , , )= (0.018, 0.079, 0.508)
421,03 188,58 83,62
1 1 1
SC5 = (10.093, 23.964, 51.5) ⨀ ( , , )= (0.024, 0.127, 0.616)
421,03 188,58 83,62
1 1 1
SC6 = (3.054, 4.981, 24) ⨀ ( , , )= (0.007, 0.026, 0.287)
421,03 188,58 83,62
1 1 1
SC7 = (8.165, 22.013, 52.5) ⨀ ( , , )= (0.019, 0.117, 0.628)
421,03 188,58 83,62
1 1 1
SC8 = (2.219, 3.82, 9.2) ⨀ ( , , )= (0.005, 0.02, 0.11)
421,03 188,58 83,62
47
1 1 1
SC9 = (3.411, 8.586, 25) ⨀ ( , , )= (0.008, 0.046, 0.299)
421,03 188,58 83,62
1 1 1
SC10 = (2.406, 6.29, 17.333) ⨀ ( , , )= (0.006, 0.033, 0.207)
421,03 188,58 83,62
O terceiro passo foi calcular os valores das melhores prioridades não fuzzy, conforme
equação 26:
(...)
A partir dos cálculos efetuados, obteve-se o vetor W de pesos dos critérios que, após
normalizado, resultou no vetor X:
W = (0.350, 0.286, 0.378, 0.202, 0.256, 0.107, 0.255, 0.045, 0.118, 0.082)
X = (0.169, 0.138, 0.182, 0.097, 0.123, 0.051, 0.123, 0.022, 0.057, 0.040)T
48
5. RESULTADOS ESPERADOS E CRONOGRAMA DE ATIVIDADES
Nesta etapa será data continuidade ao processo de ponderação dos subcritérios que
compõem os critérios, tendo como base a avaliação dos especialistas. Para isto, será repetido
todo o procedimento elencado no capítulo 5, com vistas a se obter o peso global dos critérios
tendo com base seus pesos e os pesos dos subcritérios, permitindo a estruturação do índice
proposto neste trabalho.
Espera-se com os resultados desta pesquisa dar suporte aos atores que compõem os
quadros de fiscalização e licenciamento ambiental dos órgãos ambientais no exercício das
atividades de fiscalização ambiental, permitindo de maneira prática a aplicação das sanções
previstas na legislação tendo como base critérios objetivos que estimem de maneira adequada
a gravidade do dano ambiental considerada no momento da multa ambiental.
49
Quadro 3: Cronograma de atividades para a pesquisa de doutorado.
Anos
2018 2019 2020 2021 2022
Atividades Semestres
1º 2º 1º 2º 1º 2º 1º 2º 1º
Obtenção dos créditos de doutorado
Elaboração da revisão bibliográfica
Elaboração da metodologia
Exame de qualificação – prova escrita
Metodologia: estruturação e aplicação do método Delphi
Metodologia: aplicação do método FAHP
Exame de qualificação – defesa oral
Elaboração e submissão de artigo da primeira etapa metodológica
Metodologia: levantamento e compilação dos dados brutos dos subcritérios
Metodologia: determinação dos desempenhos individuais dos subcritérios
Metodologia: aplicação do método multicritério
Metodologia: definição do desempenho global dos critérios e subcritérios
Descrição e interpretação dos resultados
Elaboração e submissão de artigos
Correções e redação final da tese
Defesa da tese
Fonte: Elaborado pelo autor.
50
REFERÊNCIAS
ALAM, B.M. Application of Geographic Information Systems. Rijeka: InTech, 2012. DOI:
http://dx.doi.org/10.5772/1944
AMADO, F. Direito Ambiental. 5. ed. rev. e atualiz. Salvador: Ed. Jus Podium, 2017.
AMBRASAITE, I.; BARFOD, M. B.; SALLING, K. B. MCDA and Risk Analysis in Transport
Infrastructure Appraisals: the Rail Baltica Case. Procedia - Social and Behavioral Sciences,
v. 20, p. 944–953, 2011. https://doi.org/10.1016/j.sbspro.2011.08.103
ANTUNES, P. B. Direito Ambiental. 12. ed. rev., ampl. e atualiz. Rio de Janeiro: Lumen Juris,
2010.
BANA E COSTA, C.A. Três convicções fundamentais na prática do apoio à decisão. Pesquisa
Operacional 13.1 (1993): 9-20.
BRASIL. Lei Nº 6.938, de 31 de Agosto de 1981. Dispõe sobre a Política Nacional do Meio
Ambiente, seus fins e mecanismos de formulação e aplicação, e dá outras providências. Brasília,
DF, ago 1981. Disponível em: < http://www.planalto.gov.br/ccivil_03/leis/l6938.htm> Acesso
em 10 nov 2021
BUENO, S.; SALMERON, J. L. Fuzzy modeling Enterprise Resource Planning tool selection.
Computer Standards & Interfaces, v. 30, n. 3, p. 137–147, mar. 2008.
https://doi.org/10.1016/j.csi.2007.08.001
BURROUGH, P.A.; MCDONNELL, R.A. Principles of Geographical Information Systems.
51
Oxford University Press, Oxford, 1998. 333 p.
BÜYÜKÖZKAN, G.; GÖÇER, F.; KARABULUT, Y. A new group decision making approach
with IF AHP and IF VIKOR for selecting hazardous waste carriers. Measurement, v. 134, p.
66–82, fev. 2019. https://doi.org/10.1016/j.measurement.2018.10.041
CÂMARA, G.; MEDEIROS, J.S. Princípios básicos em geoprocessamento. In: ASSAD, E.D.;
SANO, E.E. Sistemas de Informações Geográficas (Aplicações na Agricultura). 2.ed.
Brasília: SPI/ EMBRAPA-CPAC, 1998. 434 p.
CELIKYILMAZ, A.; TÜRKSEN, I.B. Modeling Uncertainty with Fuzzy Logic With Recent
Theory and Applications. Berlin: Springer-Verlag Berlin Heidelberg. 2009. 443p. DOI
10.1007/978-3-540-89924-2
ÇETINKAYA, C.; ÖZCEYLAN, E.; ERBAŞ, M.; KABAK, M. GIS-based fuzzy MCDA
approach for siting refugee camp: A case study for southeastern Turkey. International Journal
of Disaster Risk Reduction, v. 18, p. 218–231, set. 2016.
https://doi.org/10.1016/j.ijdrr.2016.07.004.
CHANDNA, Ritu; SAINI, Seema; KUMAR, Sunil. Fuzzy AHP based performance evaluation
of massive online courses provider for online learners. Materials Today: Proceedings, [S. l.],
2021. DOI: 10.1016/j.matpr.2021.02.255.
CHANG, C.W.; WU, C.R.; LIN, H.L. Applying fuzzy hierarchy multiple attributes to construct
an expert decision making process. Expert Syst. Appl. 36, 4 (2009), 7363–7368.
https://doi.org/10.1016/j.eswa.2008.09.026
52
CHANG, D. Y. Applications of the extent analysis method on fuzzy AHP. European Journal
of Operational Research (1996), 649-65595: 649–655
CHANG, T. H.; WANG, T. C. Using the fuzzy multi-criteria decision making approach for
measuring the possibility of successful knowledge management. Information Sciences. (2009)
https://doi.org/10.1016/j.ins.2008.10.012
CHANG, T.; WANG, T. Using the fuzzy multi-criteria decision making approach for
measuring the possibility of successful knowledge management. Information Sciences,
179(4), (2009), 355–370. doi:10.1016/j.ins.2008.10.012
DALKEY, N., HELMER, O. An experimental application of the Delphi method to the use of
experts. Management Science, 9, (1963), 458- 467. doi:10.1287/mnsc.9.3.458
53
multicritério de borda modificado com utilização de mediana. Journal of Transport
Literature. 2013, v. 7, n. 2, pp. 171-191.
GIGOVIĆ, L. et al. GIS-Fuzzy DEMATEL MCDA model for the evaluation of the sites for
ecotourism development: A case study of “Dunavski ključ” region, Serbia. Land Use Policy,
v. 58, p. 348–365, dez. 2016. https://doi.org/10.1016/j.landusepol.2016.07.030
GRECO, S.; EHRGOTT, M.; FIGUEIRA, J.R. Multiple Criteria Decision Analysis State of the
Art Surveys. International Series in Operations Research & Management Science. 2 ed.
vol. 233. New York: Springer, 2016.
GUL, M.; GUNERI, A.F. Use of FAHP for Occupational Safety Risk Assessment: An
Application in the Aluminum Extrusion Industry. In: EMROUZNEJAD, A.; HO, W. (org.)
Fuzzy Analytic Hierarchy Process. Boca Raton : CRC Press, 2017. p. 249-295.
GUL, M.; GUVEN, B.; GUNERI, A. F. A new Fine-Kinney-based risk assessment framework
using FAHP-FVIKOR incorporation. Journal of Loss Prevention in the Process Industries,
v. 53, p. 3–16, maio 2018. https://doi.org/10.1016/j.jlp.2017.08.014
GULUM, P.; AYYILDIZ, E.; TASKIN GUMUS, A. A two level interval valued neutrosophic
AHP integrated TOPSIS methodology for post-earthquake fire risk assessment: An application
for Istanbul. International Journal of Disaster Risk Reduction, v. 61, p. 102330, jul. 2021.
https://doi.org/10.1016/j.ijdrr.2021.102330
HSIEH, T.Y.; LU, S.T.; TZENG, G.H. Fuzzy MCDM approach for planning and design tenders
selection in public office buildings. International Journal of Project Management, v. 22, n.
7, p. 573–584, out. 2004. https://doi.org/10.1016/j.ijproman.2004.01.002
HSU, Y.L.; LEE, C.H.; KRENG, V. B. The application of Fuzzy Delphi Method and Fuzzy
AHP in lubricant regenerative technology selection. Expert Systems with Applications, v. 37,
n. 1, p. 419–425, jan. 2010. https://doi.org/10.1016/j.eswa.2009.05.068
54
ISHIZAKA, A.; NEMERY, P.; LIDOUH, K. Location selection for the construction of a casino
in the Greater London region: A triple multi-criteria approach. Tourism Management, v. 34,
p. 211–220, fev. 2013. https://doi.org/10.1016/j.tourman.2012.05.003
JIANG, Q.; JIN, X.; CHEN, G.; LEE, S.J.; CUI, X.; YAO, S.; WU, L. Two-scale
decomposition-based multifocus image fusion framework combined with image morphology
and Fuzzy Set Theory. Information Sciences. (2020). doi:10.1016/j.ins.2020.06.053
JIANG, Q.; JIN, X.; LEE, S.J.; YAO, S. A new similarity/distance measure between
intuitionistic fuzzy sets based on the transformed isosceles triangles and its applications to
pattern recognition. Expert Systems with Applications. 2018.
doi:10.1016/j.eswa.2018.08.046
KUO, Y.F.; CHEN, P.C. Constructing performance appraisal indicators for mobility of the
service industries using Fuzzy Delphi Method. Expert Systems with Applications, v. 35, n. 4,
p. 1930–1939, nov. 2008. https://doi.org/10.1016/j.eswa.2007.08.068
LIN, H.Y.; HSU, P.Y.; SHEEN, G.J. A fuzzy-based decision-making procedure for data
warehouse system selection. Expert Systems with Applications, v. 32, n. 3, p. 939–953, abr.
2007. https://doi.org/10.1016/j.eswa.2006.01.031
LIN, M.H.; HU, J.; TSENG, M.L.; CHIU, A. S. F.; LIN, C. Sustainable development in
technological and vocational higher education: balanced scorecard measures with uncertainty.
Journal of Cleaner Production, 120, (2016), 1–12. doi:10.1016/j.jclepro.2015.12.054
55
v. 6, p. 100109, 2019. https://doi.org/10.1016/j.orp.2019.100109
MA, Z.; SHAO, C.; MA, S. YE, Z.. Constructing road safety performance indicators using
Fuzzy Delphi Method and Grey Delphi Method. Expert Systems with Applications, v. 38, n.
3, p. 1509–1514, mar. 2011. https://doi.org/10.1016/j.eswa.2010.07.062
MURRAY, T.J.; PIPINO, L.L.; VAN GIGER, J.P. A pilot study of fuzzy set modification of
Delphi. Human Systems Management 5 (1985) 76-80. DOI: 10.3233/HSM-1985-5111
NEVES, L. P. et al. Structuring an MCDA model using SSM: A case study in energy efficiency.
European Journal of Operational Research, v. 199, n. 3, p. 834–845, dez. 2009.
https://doi.org/10.1016/j.ejor.2009.01.053
NGUYEN, P.H. A Fuzzy Analytic Hierarchy Process (FAHP) Based on SERVQUAL for Hotel
Service Quality Management: Evidence from Vietnam. The Journal of Asian Finance,
Economics and Business, 8(2), (2021) 1101–1109.
https://doi.org/10.13106/JAFEB.2021.VOL8.NO2.1101
56
Engineering, [S. l.], v. 9, p. 100194, 2021. DOI: 10.1016/j.rineng.2020.100194.
PAZ, R.J.; LACERDA, C.S.; FARIAS, T.; LUCENA, R.F.P.; MADRUGA FILHO, V.J.P. O
Direito ao Meio Ambiente Ecologicamente Equilibrado. Cabedelo, PB : Editora IESP, 2018.
DOI: https://doi.org/10.21438/9788555970412.
RIVAS, R.E.G. Uso do Método Multicritério para tomada de decisão operacional tendo
em conta riscos operacionais, à segurança, ambientais e à qualidade. Dissertação de
Mestrado. Universidade Federal da Bahia. Salvador, 2016.
ROY, B. Meaning and validity of interactive as tools for decision making. European Journal
of Operational Research 31 (1987) 297-303.
SAATY, T.L.; VARGAS, L.G. The Logic of Priorities: The Logic of Priorities Applications
in Business, Energy, Health, and Transportation. New York: Springer. 1982.
SAHIN, B.; YAZIR, D.; SOYLU, A.; YIP, T.L. Improved fuzzy AHP based game-theoretic
model for shipyard selection. Ocean Engineering, [S. l.], v. 233, p. 109060, 2021. DOI:
10.1016/j.oceaneng.2021.109060.
57
SANTL, S.; STEINMAN, F. Hydropower suitability analysis on a large scale level: inclusion
of a calibration phase to support determination of model parameters. Water Resources
Management. v. 29 (1) (2015), pp. 109-123
SHIH, H. S.; SHYUR, H. J.; LEE, E. S. An extension of TOPSIS for group decision making.
Mathematical and Computer Modelling, v. 45, n. 7-8, p. 801-813, Apr 2007. ISSN 0895-
7177. https://doi.org/10.1016/j.mcm.2006.03.023
SILVA, D.M. Dano ambiental e sua reparação. 1. ed. 3. Reimpressão. Curitiba: Juruá, 2008
TSAI, H.-Y.; CHANG, C.-W.; LIN, H.-L. Fuzzy hierarchy sensitive with Delphi method to
evaluate hospital organization performance. Expert Systems with Applications, v. 37, n. 8, p.
5533–5541, ago. 2010. https://doi.org/10.1016/j.eswa.2010.02.099
58
http://www.orstw.org.tw/ijor/vol10no2/ijor_vol10_no2_p56_p66.pdf> Acesso em 01 dez.
2021.
ZADEH, L. A. Is there a need for fuzzy logic? Information Sciences, 178(13), 2751–2779.
(2008) doi:10.1016/j.ins.2008.02.012
ZADEH, L. A. Some reflections on the anniversary of Fuzzy Sets and Systems. Fuzzy Sets
and Systems 100 (1998) 5-7, DOI:10.1016/S0165-0114(98)00380-7
ZHOU, P.; ANG, B.; POH, K. Decision analysis in energy and environmental modeling: An
update. Energy, [S. l.], v. 31, n. 14, p. 2604–2622, 2006. DOI: 10.1016/j.energy.2005.10.023.
https://doi.org/10.1016/j.energy.2005.10.023
59
APÊNDICES
APÊNDICE A: CRITÉRIOS SELECIONADOS
PARA COMPOR O INDICE DE GRAVIDADE DO
DANO AMBIENTAL - IGDAM
APENDICE B: QUESTIONÁRIO DELPHI
APLICADO PARA CONSULTA AOS
ESPECIALISTAS QUANTO À
IMPORTÂNCIA DOS CRITÉRIOS NO
CONTEXTO DA ESCOLHA
APENDICE C: VALORES ATRIBUÍDOS
PELOS ESPECIALISTAS NA CONSULTA
FDELPHI
VALORES ATRIBUÍDOS PELOS ESPECIALISTAS NA CONSULTA FDELPHI