Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE ESTÁCIO DE SÁ TIAGO ABDO GANTE TEORIA DOS CONJUNTOS FUZZY NA CLASSIFICAÇÃO DE ÁREAS CRÍTICAS DO TRÁFEGO URBANO DO RIO DE JANEIRO RIO DE JANEIRO 2012 TIAGO ABDO GANTE TEORIA DOS CONJUNTOS FUZZY NA CLASSIFICAÇÃO DE ÁREAS CRÍTICAS DO TRÁFEGO URBANO DO RIO DE JANEIRO Projeto de final de curso apresentado à Universidade Estácio de Sá, como requisito parcial para obtenção de título de Engenheiro de Produção. Orientador: Prof. Jesus Domech Moré RIO DE JANEIRO 2012 TIAGO ABDO GANTE TEORIA DOS CONJUNTOS FUZZY NA CLASSIFICAÇÃO DE ÁREAS CRÍTICAS DO TRÁFEGO URBANO DO RIO DE JANEIRO Projeto de final de curso apresentado à Universidade Estácio de Sá, como requisito parcial para obtenção de título de Engenheiro de Produção. Projeto aprovado na sua versão final em ___/___/ 2012. BANCA EXAMINADORA ________________________________ Prof. Dr. Jesus Domech Moré (Orientador) Universidade Estácio de Sá ________________________________ Prof. MSc. Marcelo de Araújo Oliveira Universidade Estácio de Sá ________________________________ Prof. Dr. David Fernandes Cruz Moura Universidade Estácio de Sá AGRADECIMENTOS RESUMO A tomada de decisão em qualquer organização privada ou pública exige um nível máximo de conhecimento e informações para que a decisão final seja caracterizada pela precisão, segurança e, consequentemente, seja bem-sucedida. A identificação e seleção de áreas críticas de acidentes de trânsito pela gestão pública é um processo sujeito a incertezas, pelo fato de inexistirem regras precisas que sirvam como suporte para essa atividade, e está relacionada à subjetividade de análise das variáveis que cada situação em estudo abrange. A proposta deste trabalho é consolidar a teoria dos conjuntos fuzzy como uma importante ferramenta de auxílio no processo de tomada de decisão, sendo aplicada para a classificação e priorização de áreas críticas de acidentes partindo da coleta de dados estatísticos locais e da aplicação de questionários direcionados a especialistas em transporte urbano. Adotando os bairros da CRT 2.2 da cidade do Rio de Janeiro como objetos de estudo, buscou-se mensurar “quão crítico é” cada bairro e estabelecer um ranking classificatório, por meio da vinculação de um grau de criticidade (GC), que corresponde a um valor presente no intervalo [0,1] e é obtido mediante a avaliação composta das variáveis de estudo. O modelo foi complementado com as técnicas do Grau de Inclusão (GI) entre conjuntos fuzzy (visando determinar o grau com que o conjunto fuzzy “padrão de criticidade” está incluído em cada perfil de bairro) e do Grau de Semelhança (GS) entre os bairros, (objetivando mensurar a relação de semelhança entre seus respectivos perfis de criticidade diante futuros projetos de investimentos em segurança viária). Palavras-chave: Tomada de decisão. Áreas críticas. Acidentes de trânsito. Conjuntos Fuzzy. ABSTRACT The decision on any public or private organization requires a maximum level of knowledge and information so that the final decision is characterized by precision, safety and therefore be successful. The identification and selection of critical areas of traffic accidents by public management is a process subject to uncertainties, because of the inexistence precise rules that serve as support for this activity, and is related to the subjective analysis of the variables in each case study covers . The purpose of this paper is to consolidate the theory of fuzzy sets as an important tool to aid in decision-making process and applied to the classification and prioritization of critical accidents based on the local statistical data collection and questionnaires aimed at specialists in urban transport. Adopting the neighborhoods of the city of CRT 2.2 of Rio de Janeiro as objects of study, we attempted to measure "how critical is" every neighborhood and establish a ranking classification, by linking a level of criticality (GC), which corresponds to a present value on the interval [0,1] and is obtained through an assessment made of the study variables. The model was complemented with the techniques of the Degree of Inclusion (GI) between fuzzy sets (in order to determine the degree to which the fuzzy set "standard criticism" is included in each profile neighborhood) and the degree of similarity (GS) between neighborhoods, (aiming to measure the relationship of similarity between their profiles on critical future investment projects in road safety). Keywords: Decision-making. Critical areas. Traffic accidents. Fuzzy Sets. LISTA DE ILUSTRAÇÕES Figura 1 – Composição dos custos de acidente de trânsito (Brasil, 2001) Figura 2 – Modelos clássico e administrativo de tomada de decisão Figura 3 – Fluxograma dos procedimentos no tratamento de locais críticos Figura 4 – Diferença entre conjuntos clássicos e conjuntos fuzzy Figura 5 – Estrutura de um sistema de inferência fuzzy Figura 6 – Pertinência de variáveis de um conjunto Figura 7 – Série histórica de acidentes no Estado do Rio de Janeiro Figura 8 – Distribuição de vítimas de acidentes de trânsito (RJ) Figura 9 – Movimento de passageiros segundo o modo de transporte (2009) Figura 10 – Total da frota ativa do Rio de Janeiro (2009) Figura 11 – Bairros da CRT 2.2. Figura 12 – Exemplos de questões objetivas (I) e subjetivas (II) Figura 13 – Hierarquia dos indicadores críticos Figura 14 – Função de pertinência triangular fuzzy Figura 15 – Gráfico do grau de criticidade dos bairros da CRT 2.2 Figura 16 – Gráfico de inclusão Figura 17 – Matriz de relação fuzzy (semelhança entre bairros) Figura 18 – Classificação dos bairros da CRT 2.2 de acordo com GC 14 16 24 29 30 31 33 34 35 35 36 38 44 47 49 51 54 55 LISTA DE TABELAS Tabela 1 – Avaliação do “peso” dos especialistas, conforme questionário 39 Tabela 2 – Classificação do grau de pertinência dos indicadores 39 Tabela 3 – Avaliação do grau de importânciade indicadores por especialistas 40 Tabela 4 – Dados da CRT 2.2, ano de 2010 41 Tabela 5 – Grau Padrão de Criticidade (GPC) dos indicadores de trânsito 43 Tabela 6 – Dados da CRT 2.2. convertidos em Índice-Fuzzy 45 Tabela 7 – Hierarquização das áreas conforme Grau de Criticidade 48 Tabela 8 – Hierarquização das áreas conforme Grau de Inclusão 51 Tabela 9 – Grau de Semelhança entre bairros 53 39 39 40 41 43 45 48 51 53 LISTA DE ABREVIATURAS E SIGLAS AP Área de Planejamento CET-RIO Companhia de Engenharia de Tráfego do Rio de Janeiro CRT Coordenadoria Regional de Tráfego CTB Código de Trânsito Brasileiro DENATRAN Departamento Nacional de Trânsito DNER Departamento Nacional de Estradas de Rodagem DNIT Departamento Nacional de Infra-Estrutura de Trânsito GC Grau de Criticidade GI Grau de Inclusão GIT Gerência de Informações de Tráfego GPC Grau Padrão de Criticidade GS Grau de Semelhança IPEA Instituto de Pesquisa Econômica Aplicada IPP Instituto Municipal de Urbanismo Pereira Passos ISP Instituto de Segurança Pública ITE Institute of Transportation Engineers MT Ministério dos Transportes PCRJ Prefeitura da Cidade do Rio de Janeiro PIB Produto Interno Bruto SESEG Secretaria de Estado de Segurança UFSC Universidade Federal de Santa Catarina SUMÁRIO 1 INTRODUÇÃO............................................................................................... 1.1 Apresentação do Tema...................................................................................... 1.2 Técnicas Nacionais de Abordagem................................................................... 1.3 Investimento...................................................................................................... 1.4 O Processo de Tomada de Decisão................................................................... 1.4.1 Definição........................................................................................................... 1.4.2 Complexidade de Uma Decisão........................................................................ 1.4.3 Equipe de Decisão............................................................................................. 1.4.4 Seleção de Áreas Críticas de Acidentes............................................................ 1.5 Objetivo do Estudo............................................................................................ 1.5.1 Objetivo Geral.................................................................................................. 1.5.2 Objetivo Específico........................................................................................... 2 DESENVOLVIMENTO.................................................................................... 2.1 Referencial Teórico........................................................................................... 2.1.1 Redução de Acidentes....................................................................................... 2.1.2 Análise Espacial e a Identificação de Pontos Críticos....................................... 2.1.3 Lógica Fuzzy e a Priorização de Áreas.............................................................. 2.1.4 Classificação de Áreas Contaminadas............................................................... 2.1.5 Identificação e Mapeamento de Segmentos Críticos......................................... 2.1.6 Programa de Redução de Acidentes.................................................................. 2.1.7 Identificação de Interseções Críticas de Acidentes........................................... 2.2 Metodologia Aplicada....................................................................................... 2.2.1 Introdução à Lógica Fuzzy................................................................................. 2.2.2 Conceituação de Lógica Fuzzy.......................................................................... 2.2.3 Aplicação dos Conjuntos Fuzzy......................................................................... 2.3 Tipo de Pesquisa................................................................................................ 2.4 Universo e Amostra........................................................................................... 2.4.1 Área de Estudo................................................................................................... 2.4.1.1 A Cidade do Rio de Janeiro............................................................................... 2.4.1.2 Divisões Administrativas................................................................................... 2.4.2 Indicadores de Desempenho.............................................................................. 11 11 12 13 15 15 16 17 17 18 18 18 19 19 19 19 20 21 21 23 27 28 28 29 30 32 32 33 33 35 36 2.4.3 Especialistas...................................................................................................... 2.5 Coleta de Dados................................................................................................. 2.5.1 Peso dos Especialistas....................................................................................... 2.5.2 Grau de Pertinência dos Indicadores................................................................. 2.5.3 Dados Estatísticos das Regiões......................................................................... 2.6 Tratamento de Dados......................................................................................... 2.6.1 Grau Padrão de Criticidade (GPC).................................................................... 2.6.2 Estabelecimento do Índice .Fuzzy..................................................................... 2.6.3 Classificação de Áreas Críticas......................................................................... 2.6.3.1 Grau de Criticidade (GC).................................................................................. 2.6.3.2 Grau de Inclusão (GI)........................................................................................ 2.6.4 Grau de Semelhança (GS)................................................................................. 3 RESULTADOS................................................................................................. 4 CONCLUSÃO................................................................................................... 4.1 Considerações Finais......................................................................................... 4.2 Limitações do Método....................................................................................... 4.3 Recomendações................................................................................................. REFERÊNCIAS........................................................................................................................ APÊNDICES............................................................................................................................. ANEXOS.................................................................................................................................. 37 37 38 39 40 41 4144 46 46 49 52 55 57 57 57 58 59 62 64 11 1 INTRODUÇÃO 1.1 Apresentação do Tema A engenharia de tráfego se tornou objeto de estudo imprescindível para qualquer cidade que aglomere um número significativo de pessoas e veículos automotivos. Isso ocorre pelo fato de que a segurança no trânsito “é um direito de todos e um dever dos órgãos e entidades do Sistema Nacional de Trânsito, aos quais cabe adotar as medidas necessárias para assegurar esse direito” (DENATRAN, 2004, p. 19). Em muitas dessas cidades, o tráfego exige um sistema de organização, planejamento e controle, que seja adequado a cada região e eventualidade. É principalmente através de dados estatísticos que ocorre o controle de tráfego por área, e a partir deles é elaborado um tipo diferente de estratégia operacional visando atenuar o nível de criticidade local. Por “criticidade”, neste caso, entende-se o grau crítico que cada área apresenta perante um conjunto de indicadores que reflete direta ou indiretamente a incidência de acidentes de trânsito e a necessidade que cada região tem de sofrer intervenções relacionadas ao controle de tráfego. A segunda maior metrópole do Brasil é uma das principais cidades que investe no fator transporte. Devido à taxa de crescimento elevada do número de veículos em atividade e ao intenso fluxo de tráfego que se torna decorrente desse fator, muitas regiões e pontos da cidade do Rio de Janeiro tornam-se alvos eminentes de altos índices de acidentes que, consequentemente, geram inúmeras sobrecargas refletidas no trânsito, em forma de congestionamentos, dificuldades de acessos às vias, transtornos aos condutores além, é claro, de comprometer a saúde e a vida do homem. No âmbito da gestão de tráfego, definir uma área como “crítica” é um fator submetido à subjetividade, já que envolve uma série de variáveis que podem ser interpretadas de maneiras divergentes por quem as analisa, gerando possíveis incertezas na decisão final de qual área deve sofrer intervenção. Diante de qualquer medida a ser tomada, o segmento público necessita de uma avaliação precisa dos perfis de cada área a ser monitorada, não apenas se baseando em conflitos de opiniões e interpretações subjetivas de quais os indicadores mais interferem negativamente no trânsito. A subjetividade, em um ponto de vista decisivo para qualquer organização, acarreta riscos estratégicos e financeiros se o investimento for aplicado 12 sem um mecanismo de análise conciso. Segundo o DNIT (2006, p. 91), “praticamente não existem regras precisas para definição da área de estudo” de um projeto viário. Dessa forma, torna-se necessário a realização de um estudo aprimorado para mensurar quão críticas se diferem essas áreas de análise. Essa análise pode ser efetuada baseando-se na teoria dos conjuntos fuzzy devido às suas características intrínsecas. Introduzida por Zadeh (1965) a teoria de sistema fuzzy é baseada na idéia intuitiva dos conjuntos fuzzy, e tem o objetivo de desenvolver uma metodologia para a formulação e solução de sistemas com contornos mal definidos e imprecisos num sentido estritamente matemático e que não podem ser modelados e resolvidos por técnicas convencionais (KANDEL, 1982). Define-se lógica fuzzy como a lógica que suporta os modos de raciocínio que são aproximados, ao invés de exatos, e difere dos sistemas lógicos tradicionais em suas características e detalhes. A lógica fuzzy tem-se mostrado mais adequada e eficiente para tratar as imperfeições das informações, em comparação com a teoria das probabilidades e, sua utilização no presente trabalho visa auxiliar o processo de tomada de decisão de forma tal que proporcione a redução de acidentes de trânsito, além de uma maior fluidez e acessibilidade em suas principais vias urbanas, através de medidas como implantação de equipes de controladores de tráfego, radares, semáforos ou novos projetos viários. Esse projeto se estrutura da seguinte forma: Na seção I segue a introdução de como o tema é abordado nacionalmente e os objetivos do trabalho, a seção II é composta pelo desenvolvimento do trabalho, onde compreende o referencial teórico com os parâmetros utilizados para o desenvolvimento do trabalho e a metodologia aplicada para atingir o objetivo descrito, a seção III apresenta a análise dos resultados obtidos, a conclusão é abordada na seção IV apresentando as considerações finais, os limites do método e recomendações a estudos futuros, a seção V compreende as referências, a VI os apêndices e a VII é direcionada aos anexos da pesquisa. 1.2 Técnicas Nacionais de Abordagem A segurança no sistema integrado de transporte urbano é um tema abordado continuamente em congressos, debates e campanhas nacionais, pelo fato de não possuir uma solução comum que possibilite um tratamento generalizado, já que cada município apresenta 13 sua característica peculiar. Segundo o CTB (2008, p. 22), os órgãos e entidades municipais executivos de trânsito, no âmbito de sua circunscrição, são responsáveis pela coleta de dados estatísticos e elaboração de estudos sobre os acidentes de trânsito e suas causas, visando melhorias no gerenciamento de segurança viária e a redução de acidentes. Contudo, a complexidade da decisão e a influência de variáveis de estudo que se diferem de acordo com cada situação, são fatores que podem justificar a inexistência de uma técnica específica de identificação e priorização de locais críticos de trânsito no Brasil, deixando assim, a critério da política pública optar por uma metodologia eficaz para definição dessas áreas. Dessa forma, cada município adota a ferramenta que se adéqua melhor ao seu perfil crítico e que apresente as características ideais para solucionar o problema. [...] na maioria das cidades a identificação dos locais críticos em ocorrências de acidentes de trânsito ou é fruto de pressão da mídia, que com frequência veicula casos de acidentes em suas programações diárias, ao tempo em que demandam providências da administração local, ou de grupos comunitários, ou ainda de critérios técnicos estabelecidos pelos gestores do trânsito. Neste último, os indicadores quase sempre são fundados no número absoluto de ocorrências verificadas em determinados pontos da malha viária. (MT, 2002, p. 11). Apesar da existência de ferramentas para identificação de zonas rodoviárias consideradas críticas, DNIT e UFSC (2009) relevam o desenvolvimento de estudos complementares que permitam a avaliação de problemas de segurança viária, assim como as suas possíveis soluções. Além disso, enfatizam a necessidade de estabelecer prioridades entre as regiões selecionadas, de acordo com o fator que melhor defina a importância do trecho a ser analisado, como por exemplo, análise de custos e gravidade dos acidentes. Conforme o DENATRAN (2004), a carência de dados confiáveis e de indicadores de trânsito implica a necessidade de investimento, validação e aplicação de metodologias alternativas para a avaliação de resultados específicos da área de transporte urbano. Nas últimas décadas, vêm sendo observadas no Brasil, cinco linhas de atuação para o tratamento de acidentes de trânsito: por ponto crítico; por segmento crítico; por área crítica (as três se diferenciam pela extensão da área a ser tratada); por solução-tipo; e por tipo de usuário (MT, 2002). 1.3 Investimento O Brasil é um dos protagonistas no cenário mundial ao que se refere à questão 14 segurança de tráfego. A cada ano ocorrem cerca de 350 mil acidentes com vítimas, mais de 33 mil pessoas morrem e cerca de 400 mil tornam-se feridas ou inválidas em ocorrências de trânsito no país, onde o índice de fatalidade é superior aos de países desenvolvidos (CTB, 2008). Em estudo de impacto econômico dos acidentesde trânsito nas malhas urbanas brasileiras, chegou-se a estimativa de um custo anual de R$ 5,3 bilhões (não incluindo acidentes em rodovias), valor que representa aproximadamente 0,4% do Produto Interno Bruto (PIB) brasileiro (IPEA, 2003). Conforme apresentado na figura 1, no ano de 2001 os custos totais de acidentes nas aglomerações urbanas se distribuíram da seguinte forma: 42,8% decorrentes de perda de produção (feridos inválidos, mortes), 30% decorrentes de danos à propriedade (veículos, equipamentos de trânsito, sinalização de trânsito), 15,9% decorrentes de custos médico-hospitalares (resgate, tratamento médico, reabilitação) e 11,3% devido a outros custos (judiciais, congestionamento, atendimento policial, remoção de veículos, entre outros). Figura 1 – Composição dos custos de acidente de trânsito (Brasil, 2001) Fonte: IPEA (2003) O modelo imediatista brasileiro, junto à falta de planejamento e de estudo apurado, faz com que o investimento no processo de identificação e tratamento de áreas críticas raramente gere os melhores resultados. Isso se justifica pela priorização de áreas não necessariamente mais críticas em relação a outras efetivamente críticas, pelo envolvimento de custos às vezes desnecessários ou pelo deferimento de projetos nem sempre economicamente oportunos (MT, 2002). Por outro lado, a dificuldade de obtenção de recursos financeiros é um dos principais 15 fatores que acarretam a elaboração de programas com base em ações estratégicas de baixo custo que buscam reduzir os índices de acidentes e otimizar o fluxo de tráfego local. Segundo o DNER (1998, p. 4), “[...] a identificação e implantação de medidas de baixo custo aparece como uma solução viável para o problema de acidentes”, apresentando as seguintes vantagens: ● identificação relativamente fácil; ● rapidez na elaboração e implantação de projetos; ● redução imediata de acidentes, reduzindo o número de feridos e vítimas fatais e minimizando danos materiais; ● índices altos de benefício/custo; ● possibilidade de identificação de múltiplos locais que apresentem problemas semelhantes, o que resulta em economia de escala de projeto e de implantação de medidas de engenharia. 1.4 O Processo de Tomada de Decisão 1.4.1 Definição Em termos, a palavra decisão é constituída por de (que vem do latim e significa parar, extrair, interromper) que se antepõe à palavra caedere (que significa cindir, cortar). Sendo assim, literalmente significa “parar de cortar” ou “deixar fluir” (GOMES, L.; GOMES, C.; ALMEIDA, 2006). Segundo Gomes L., Gomes C., e Almeida (2006, p. 1), uma decisão precisa ser tomada “sempre que estamos diante de um problema que possui mais de uma alternativa para sua solução. Mesmo quando, para solucionar o problema, possuímos uma única ação a tomar, temos as alternativas de tomar ou não essa ação”. Tomar decisões é uma atividade que a qualquer momento pode ser exigida, seja no trabalho, no ambiente familiar, na faculdade ou na rua, contudo, cada decisão é acompanhada de um teor de importância, quanto maior a importância da decisão, maior é a responsabilidade de quem a toma e, consequentemente, maior é o impacto gerado. Em termos gerais, a tomada de decisão é a ação que separa o certo do errado, o lucro do prejuízo, e o sucesso do fracasso. 16 1.4.2 Complexidade de Uma Decisão Decisões podem ser tomadas por meio de parâmetros mensuráveis e não-mensuráveis quantitativamente. Os parâmetros quantitativos normalmente são de mensuração mais fácil e garantem maior segurança na decisão (ex: custos operacionais). Contudo, algumas decisões exigem a utilização de parâmetros não mensuráveis quantitativamente (ex: beleza), porém medidos qualitativamente, com forte característica subjetiva, o que torna o processo de tomada de decisão mais complexo (GOMES, L.; GOMES, C.; ALMEIDA, 2006). Segundo Daft (1997, p. 169), é comum o processo de tomada de decisão se basear em dois modelos: modelo clássico e modelo administrativo. O modelo clássico é considerado normativo, sendo “valioso quando aplicado a decisões programadas e caracterizadas pela certeza”, enquanto o modelo administrativo está inserido em decisões complexas, de metas vagas e conflitantes, não programadas e baseadas na incerteza (figura 2). Figura 2 – Modelos clássico e administrativo de tomada de decisão Fonte: Daft (1997) Raskin (2000) define esses dois modelos da seguinte forma: As decisões programadas são repetitivas e rotineiras e fornecem estabilidade, aumento de eficiência e redução de custos. As decisões não-programadas são novas e desestruturadas, cujas soluções são encontradas à medida que os problemas aparecem, por isso requerem mais atividades de pesquisa dos gerentes para encontrar a solução; elas permitem adaptação a mudanças do ambiente, a encontrar soluções para novos problemas e a lidar com situações imprevisíveis. A criação de uma estratégia organizacional requer dos gerentes decisões não programadas para encontrar a melhor forma de criar valor, usando as melhores habilidades e recursos. Para essas decisões, os gerentes se baseiam em julgamento, intuição e criatividade para resolver os problemas, e não em regras e normas. As organizações devem ter a capacidade para tomar ambas as decisões. Quanto maior o nível de conhecimento e informações disponíveis, menor torna-se o 17 risco de decisões malsucedidas. Segundo Angeloni (2003, p. 18), “o grande desafio dos tomadores de decisão é o de transformar dados em informações e informações em conhecimento”. Contudo, nem sempre o conhecimento individual é suficiente em certas ocasiões. Muitas vezes uma decisão é submetida a avaliações incertas e imprecisas, por não existirem opções claras que direcionam o tomador de decisão a agir de maneira segura. 1.4.3 Equipe de Decisão Angeloni (2003, p. 20) destaca a importância do trabalho em equipe e maior participação de pessoas no processo de tomada de decisão. A autora afirma que “o estabelecimento de um pensamento comum consiste em considerar o ponto de vista de cada um, para que as decisões tomadas nas organizações tenham um nível de qualidade superior”. Neste aspecto, French (1988 apud GOMES, L.; GOMES, C.; ALMEIDA, 2006), afirma que independente da complexidade de decisão, os grupos envolvidos se interagem socialmente a ponto de transformarem uma coleção de decisões individuais em uma ação conjunta. A partir do momento que há maior envolvimento de pessoas, a tomada de decisão tende a resultados mais qualificados, agregando mais conhecimento e informação para a decisão e, consequentemente, amenizando as distorções da visão individualizada. 1.4.4 Seleção de Áreas Críticas de Acidentes Além de colocar em risco a vida do homem, os acidentes de trânsito influenciam diretamente o fluxo de tráfego local, gerando como principais consequências os congestionamentos, dificuldades de acesso a vias e transtornos aos condutores envolvidos. A inexistência de regras precisas para a classificação de áreas críticas de tráfego deixa exposta a complexidade da tomada de decisão à gestão pública. Definir área a se investir induz, primeiramente, a mensuração de “quão crítica” é cada área, fator sujeito à avaliação de uma série indefinida de indicadores, visto que cada área apresenta uma peculiaridade o que torna o processo submetido à interpretação e opinião de quem o avalia. Tratando-se de uma equipe de decisão, é passível ocorrer conflitos interpretativos onde um analista interprete que o indicador A seja mais relevante que o indicador B, porém outro membro da equipe entenda que o indicador B possua um grau maior de incidência na decisão que o indicador A. Para 18 conter possíveis riscos, é fundamental que os tomadores de decisãosejam capacitados e tenham adquirido um nível de conhecimento considerável para agirem de modo propício e chegarem a uma decisão conjunta. 1.5 Objetivos do Estudo 1.5.1 Objetivo Geral O presente estudo tem como principal objetivo criar uma metodologia, baseando-se na teoria dos conjuntos fuzzy, para auxiliar o processo de tomada de decisão diante a classificação e priorização de áreas críticas de acidentes de tráfego urbano, de forma que proporcione à gestão pública maior segurança e confiança para agir diante de futuros investimentos e tratamentos nessas áreas. 1.5.2 Objetivo Específico Para validar tal metodologia pretende-se aplica-la na área da Coordenadoria Regional de Tráfego 2.2 da cidade do Rio de Janeiro, buscando-se apresentar a classificação dos bairros que a compõe de acordo com seus graus de criticidade de acidentes de trânsito, de modo que sejam identificadas as áreas prioritárias a serem adotadas em futuros projetos de redução de acidentes e, consequentemente, de melhoria do fluxo de tráfego do município. 19 2 DESENVOLVIMENTO 2.1 Referencial Teórico 2.1.1 Redução de Acidentes Levando em consideração a alta taxa de óbitos e acidentes provenientes do trânsito, Cunha e Fontes (2002) aplicaram o método Taxa de acidentes / Controle de Qualidade desenvolvido em 1981 pelo Institute of Transportation Engineers (ITE) para identificarem interseções críticas no sistema viário da zona sul da cidade do Rio de Janeiro. O método foi aplicado com fundamento nos dados da região, como por exemplo, o número de acidentes, o grau de severidade e o volume diário de tráfego local. Baseando-se nessa ferramenta, puderam constatar se um determinado local possuía taxa de acidentes maior que taxas usualmente encontradas nas demais regiões. O estudo visou subsidiar um programa contínuo aplicável de redução dos acidentes de trânsito e, conseqüentemente, proporcionar o decrescimento do número de vítimas associadas a eles. Entre o total de interseções analisadas, 93 delas foram consideradas críticas, quantidade que representa mais de 5% do total avaliado. A análise dos resultados demonstrou que a região (Zona Sul) apresenta um significativo percentual crítico em suas interseções, sendo estas definidas como zonas de risco para integridade física e de grande incidência na fluidez do tráfego da cidade. Os autores ainda implicam que as 10 interseções com o maior grau crítico representam um alto risco para a vida humana, com taxas que chegam a superar em 800% a taxa crítica de acidentes. Também adotando uma região da cidade do Rio de Janeiro como objeto de estudo, relevando a calamidade que o tráfego da cidade traz muitas vezes como conseqüência, e buscando mensurar e diferenciar a característica da região estudada por seções de controle, o presente trabalho se estruturou na lógica fuzzy para tratar o tema e avançar aos resultados. 2.1.2 Análise Espacial e a Identificação de Pontos Críticos A identificação de locais críticos mediante ao comportamento negativo do tráfego e suas conseqüências indesejadas, também se tornou um elemento de estudo para a aplicação da 20 metodologia de análise espacial. Queiroz, Loureiro e Yamashita (2004), objetivando distinguir regiões (interseções, trechos, corredores e áreas) com base nos dados armazenados no Sistema de Informações de Acidentes de Trânsito de Fortaleza (SIAT-FOR) e seus índices de severidades de acidentes, aplicaram esta ferramenta de análise para dar suporte e auxiliar analistas durante a fase de seleção da área mais alarmante e da hierarquização dos locais prioritários para o tratamento mais propício para ocasião. Miller e Shaw (2001, apud MENESES; LOUREIRO, 2003), tratam a análise espacial como um campo da geografia que estuda propriedades que variam geograficamente, enquadrando questões relativas à extensão, padrões, associações, interações e mudanças destas propriedades no espaço. A análise espacial envolve três tipos básicos de operações em bases de dados dinâmicos: consultas sobre atributos, operações espaciais e geração de dados (MENESES; LOUREIRO, 2003). A aplicação da metodologia de análise espacial no setor de transportes é considerada bastante conhecida e utilizada por pesquisadores e especialistas do assunto, embora as análises mais simplificadas sejam aderidas mais facilmente, tal como as ferramentas de seleção e manipulação (TEIXEIRA et. al., 2002, apud QUEIROZ; LOUREIRO; YAMASHITA, 2004) Entretanto, apesar destas ferramentas possibilitarem a visualização e geração de novos dados, não estão capacitadas para mensurar as propriedades e a correlação existente entre os dados espaciais (CÂMARA et. al., 2000, apud QUEIROZ; LOUREIRO; YAMASHITA, 2004). Durante a execução do estudo, os autores destinaram algumas etapas para coleta e tratamento de informações, visando obter uma base de dados para o desenvolvimento do trabalho, incluindo o número de acidentes cadastrados, classificações, período e tipologia. Esta metodologia depende principalmente de um sistema informatizado de acidentes e georeferenciamento dos acidentes armazenados. Ao final da pesquisa, foi possível identificar vários pontos críticos (interseções, trechos e áreas) existentes na malha viária urbana, consolidando a ferramenta de análise espacial adotada como de caráter efetivo no tratamento de segurança viária e controle de tráfego. 2.1.3. Lógica Fuzzy e a Priorização de Áreas Outro estudo referente aos problemas de segurança no trânsito e abordagem de acidentes foi realizado em João Pessoa, com o objetivo de dar apoio aos processos de tomada de decisão das áreas prioritárias e não-prioritárias a serem tratadas (COSTA, 2011). Para 21 chegar ao resultado esperado, a pesquisadora adotou conceitos e aplicações de análise espacial e lógica fuzzy. O desenvolvimento da metodologia nebulosa no estudo levou em consideração a inserção de variáveis de entrada e de saída, além de representar a função de pertinência para cada uma delas. Uma amostra de nove bairros da cidade de João Pessoa foi escalada para a aplicação das regras propostas e o resultado foi satisfatório. Chegando à conclusão que apenas três bairros possuem condições críticas para tratamento prioritário, a metodologia se consolidou como importante auxiliadora durante a fase de análise dos perfis urbanos com maiores índices de acidentes de trânsito. Como parâmetro, pode ser considerada uma ferramenta de baixo custo e de caráter preciso, pois a lógica fuzzy tornou-se uma eficiente forma de gerenciamento de incertezas (SHAW; SIMOES, 2007). 2.1.4 Classificação de Áreas Contaminadas Segundo Bilobrovec, Marçal e Kovaleski (2004), controladores fuzzy são aplicáveis em situações que ainda não dispõem de uma metodologia exata para seu controle, talvez pela complexidade ou inviabilidade de obtenção de um modelo matemático ou sistema que apresente um resultado próximo à precisão necessária. Dessa forma, o emprego da ferramenta nebulosa não se limita apenas aos estudos de tráfego e adjacências. Silva (2005) direcionou seus estudos à classificação de áreas contaminadas por vazamentos acidentais de petróleo e seus derivados. Através de simulações de casos ocorridos, a lógica fuzzy foi capaz de determinar o grau de contaminação (definido como um número menor ou igual a 100), indicando o índice de prioridade de cada caso. Chegou-se a conclusão que o lançamento de informações subjetivas e incertas possibilitou a transformação de variáveis quantitativas e qualitativas no potencial de contaminação da área, o qual atingiu um grau diferente para cada ocorrência. Este valor representou o potencial de contaminação da área, podendo ser utilizado no estabelecimento de rankingde prioridades e nas tomadas de decisões para seleção das regiões afetadas a serem designadas para remediação. 2.1.5 Identificação e Mapeamento de Segmentos Críticos Em 2008, DNIT e UFSC firmaram um destaque orçamentário (acordo de descentralização de créditos) para elaborar um programa de controle de segurança rodoviária, através da identificação e mapeamento dos segmentos críticos da malha viária do DNIT, 22 tomando como amostras todas as rodovias da malha rodoviária federal. Esse plano de ações foi dividido em 5 etapas e o resultado em 16 produtos. Em um destes produtos, DNIT e UFSC (2010), buscaram aplicar metodologias para identificação e priorização dos trechos críticos para obtenção das soluções, considerando a relevância de classificar os segmentos por classes homogêneas, de acordo com suas respectivas características. Para segmentos críticos, entendeu-se o trecho o qual seu índice crítico de acidentes (I) seja maior que o índice crítico anual médio que enquadre sua respectiva classe. Na definição do Índice de acidentes do segmento j tem-se: Onde: Nj = número anual de acidentes ocorridos no segmento j; Ej = extensão do segmento j (VMDa)j = volume médio diário por ano, referente ao segmento j Além do índice de acidentes de um determinado segmento, ainda foram desenvolvidas fórmulas do índice crítico anual para um grupo de trechos de mesma classe e de classes distintas. Em relação ao processo de priorização, foi estabelecido o cálculo do Índice Relativo de Gravidade (IRG) que é composto pela somatória da frequência (f) de certo tipo de acidente (k) e custo médio (C) do mesmo tipo acidente de um definido segmento, conforme apresentado na fórmula a seguir: A partir do IRG, chegou-se ao Fator de Gravidade (FG) que considera o volume médio diário de tráfego anual (VMDa) e a extensão (E) do segmento crítico: 23 Além do IRG e FG, foram elaborados os cálculos da média e desvio padrão dos fatores de gravidade, o intervalo de confiança e a relação dos segmentos críticos em cada classe de segmentos homogêneos. Foi elaborada, a partir daí, uma listagem dos segmentos críticos identificados com os maiores desvios entre seus FG individuais e divididos em classes. A apresentação dos resultados baseou-se na inserção de gráficos, os quais representavam os estados brasileiros e suas distribuições por classes de segmentos críticos, sendo que Minas Gerais foi o detentor do maior número de segmentos críticos, concentrando 19% do total analisado na malha nacional. O procedimento utilizado neste trabalho tornou-se modelo de referência, podendo ser aplicado em qualquer campo municipal, estadual ou nacional, de acordo com o interesse de quem o utiliza. 2.1.6. Programa de Redução de Acidentes O alto índice de acidentes de trânsito nos perímetros urbanos brasileiros estimulou o Ministério dos Transportes a elaborar um manual de tratamento de locais críticos de acidentes de trânsito, através do “Programa PARE”, objetivando constituir um guia simples e prático capaz de atender a todos os municípios integrados ao Sistema Nacional de Transporte. Em geral, o programa destinou-se à “melhoria do registro, coleta, organização, análise e tratamento de dados de acidentes de trânsito, além da capacitação de técnicos municipais para utilização a metodologia” (MT, 2002, p. 7). O manual é dividido em três etapas (módulos) principais: a identificação de locais críticos de acidentes de trânsito, a investigação das causas dos acidentes e, por fim, o tratamento do local crítico. Essas etapas e seus respectivos procedimentos são representados na figura 3, conforme a seguir: 24 Figura 3 – Fluxograma dos procedimentos no tratamento de locais críticos Fonte: MT, 2002 Atribuindo maior ênfase no Módulo I pelo fato de estar correlacionado com o presente projeto, a identificação de locais críticos é definida como uma etapa fundamental e deve ser realizada baseando-se em dados disponíveis sobre acidentes de trânsito. As primeiras ações a serem realizadas para compor o processo de identificação de áreas críticas são o registro e a coleta de dados, partindo do princípio que: Não há uma conduta uniforme quanto às formas de registro, coleta e tratamento dos dados sobre acidentes de trânsito no Brasil. Na maioria das cidades, o registro e a coleta de informações são realizados por policiais militares e civis [...] (MT, 2002, p. 17) 25 Independente dessa conduta, a qualidade do registro e a disponibilidade de dados de acidentes de trânsito das regiões são fatores determinantes para o prosseguimento das atividades. A partir do registro e coleta de dados, torna-se necessário apresentar o método de identificação de locais críticos. O método escolhido pelo manual foi o numérico, que é o mais simples e baseados em cálculos de indicadores (quantidade de acidentes, taxa de acidentes). Neste método são consideradas quatro técnicas: ● Número de acidentes: a quantidade de acidentes ocorridos em um determinado período de tempo na malha viária é comparada à média aritmética das ocorrências registradas em cada um dos locais analisados. ● Severidade de acidentes: destaca a gravidade dos acidentes, associando a cada tipo de ocorrência (com vítima fatal, atropelamento, com ferido e com danos materiais) um determinado peso. É determinado por Unidade Padrão de Severidade (UPS). Número de UPS = Acidentes somente com danos materiais x 1 + Acidentes com ferido(s) x 4 + Acidentes com feridos envolvendo pedestres x 6 + Acidentes com vítima(s) fatal(is) x 13 Onde: UPS = Unidade Padrão de Severidade da área ● Taxa de acidentes: relaciona a quantidade de acidentes de trânsito com o volume de tráfego em cada local (diferencia interseções e trechos viários). Em interseções: Onde: T = número de acidentes por milhões de veículos; A = número de acidentes na interseção; P = período do estudo, em dias (geralmente 365 dias); V = volume médio diário que entra na interseção (soma das aproximações). 26 Em trechos viários: Onde: T = acidentes por milhões de veículos x km; A = número de acidentes no trecho; P = período do estudo, em dias (geralmente 365 dias); V = volume médio diário que passa no trecho; E = extensão do trecho (em km). ● Taxa de severidade: combina as práticas das técnicas “Severidade de acidentes” e “Taxa de acidentes”, ao relacionar a quantidade de acidentes, expressa em UPS, com o volume de tráfego no período de análise. Em Interseções: Onde: T = acidentes em UPS por milhões de veículos; UPS = unidade padrão de severidade; P = período do estudo, em dias (geralmente 365 dias); V = volume médio diário que entra na interseção(soma das aproximações). Em trechos viários: 27 Onde: T = acidentes por milhões de veículos x km; UPS = unidade padrão de severidade; P = período do estudo, em dias (geralmente 365 dias); V = volume médio diário que passa no trecho; E = extensão do trecho (em km) Como visto, o guia desenvolvido pelo Ministério dos Transportes aborda a metodologia numérica como uma eficiente ferramenta de identificação de locais críticos. Nota-se, através da técnica de severidade de acidentes, que cada indicador de acidente possui um determinado valor significativo, o que resulta a necessidade de lhe atribuir um peso. O presente trabalho se baseia no mesmo sistema (ponderação), de acordo com a avaliação e opinião de especialistas da área de tráfego urbano, porém, a teoria dos conjuntos fuzzy foi o método incumbido para a obtenção dos resultados. 2.1.7 Identificação de Interseções Críticas de AcidentesO resultado positivo da metodologia do manual de procedimentos de tratamento de locais críticos elaborado pelo “Programa PARE” do Ministério dos Transportes (2002), pode ser comprovado através do estudo de localização de interseções críticas de acidentes de trânsito na zona urbana do município de Foz do Iguaçu (JUPPA, 2010). O autor instituiu a técnica de “Severidade de Acidentes” como a determinante para a solução do problema em questão, aplicando a seguinte fórmula: Número de UPS = Acidentes somente com danos materiais x 1 + Acidentes com ferido(s) x 4 + Acidentes com feridos envolvendo pedestres x 6 + Acidentes com vítima(s) fatal(is) x 13 Onde: UPS = Unidade Padrão de Severidade da área O estudo baseou-se em dados do ano de 2009, e foram selecionadas 80 interseções que apresentaram os maiores índices de acidentes no período, totalizando 573 acidentes. A 28 aplicação da fórmula proporcionou a identificação de 10 interseções com altos UPS, ou seja, alto risco exposto à sociedade. Através das UPS foi possível estabelecer uma classificação dos pontos mais críticos de Foz do Iguaçu e colaborar com estudos locais focados no tratamento, diagnóstico e segurança de cada ponto de acordo com suas respectivas necessidades. 2.2 Metodologia Aplicada 2.2.1. Introdução à Lógica Fuzzy Pioneiro dos estudos formais sobre a lógica clássica, o filósofo grego Aristóteles (384 – 322 a.C.) considerava a lógica como instrumento de conhecimento em qualquer campo da sabedoria. Segundo Chauí (2000), quando se afirma que algo é lógico ou ilógico, pretende-se referir a noções pressupostas de inferência, coerência, conclusões sem contradições e de conhecimento preciso e suficiente. A lógica em si, proporciona medidas a serem empregadas em qualquer tipo de raciocínio que reflete no conhecimento universal através de princípios, regras ou leis, que não são interferidas por opiniões contrárias. Após a formulação dos princípios da lógica por Aristóteles, Chrysippus (280 – 205 a.C.) propôs a lógica proposicional como forma de se entender as sentenças como verdadeiras ou falsas, de acordo com seus componentes. Durante séculos, filósofos buscavam respostas que se enquadravam apenas na teoria da precisão, e que influenciadas pela lógica clássica eram sempre limitadas por duas soluções para análise: “sim ou não”, “ser ou não ser”, “bom ou ruim”, “certo ou errado”. Entretanto, os primeiros questionamentos dos conceitos de razão, crença e dúvida, começaram a surgir na Idade Média, por William de Ockham (1285-1349) que dividiu empiristas e racionalistas por meio do pensamento de que uma tese só pode ser considerada lógica caso seja demonstrada, comprovada e deduzida (MORUJÃO, 2006). A aceitação do conceito de lógica clássica passava a ser algo questionável. Em 1965, abordando a lógica como referencial de estudo, o professor Lofti A. Zadeh da Universidade da Califórnia (Berkeley), formalizou através da publicação de jornal acadêmico a Teoria dos Conjuntos Fuzzy (ZADEH,1965), também conhecida como Lógica Nebulosa. Intitulado de “Fuzzy Sets”, o trabalho objetivou representar informações 29 imprecisas, vagas e mal-definidas comumente encontradas nos problemas cotidianos e fornecer métodos matemáticos que possibilitam o tratamento desses dados (COX, 1994). Supondo a mensuração de um índice de dificuldade, por exemplo, além de “fácil ou difícil”, é possível chegar a uma determinação de “quão difícil é” baseando-se na composição geral e detalhada do índice. Esse sistema inteligente possibilita chegar a conclusões que mais se aproximam da realidade, como por exemplo, medianamente fácil e muito difícil. Shaw e Simões (2007) retratam a lógica aristotélica como bivalente por reconhecer apenas dois valores: verdadeiro ou falso. Já a lógica difusa de Zadeh como multivalente, isto é, reconhece uma multitude de valores, assegurando que a verdade é uma questão de opinião ou de graduação e pode ser representada através da obtenção de um grau especifico. A figura 4 representa essa diferença através das cores, tratando a lógica clássica como um conjunto definido e conciso, e a lógica fuzzy como um conjunto de avaliação de incertezas. Figura 4 – Diferença entre Conjuntos Clássicos e Conjuntos Fuzzy Fonte: Próprio autor 2.2.2 Conceituação de Lógica Fuzzy A teoria dos conjuntos fuzzy tem como um de seus objetivos o desenvolvimento de metodologias para a formulação e solução de problemas complexos ou mal formulados sob o ponto de vista das técnicas convencionais (ZADEH, 1975). Uma característica especial da lógica fuzzy é a de “representar uma forma inovadora de manuseio das informações imprecisas, de forma muito distinta da teoria das probabilidades” (SILVA, 2005, p. 94). Nem 30 tudo que é possível é provável. Dessa forma, a lógica fuzzy está mais ligada à teoria das possibilidades por se especializar em determinar as pertinências entre informações, e não por calcular quão prováveis elas são. “Expressões verbais, imprecisas, qualitativas, inerentes da comunicação humana, que possuem vários graus de incerteza, são perfeitamente manuseáveis através da lógica fuzzy”. (SHAW; SIMÕES, 2007, p. 16). O sistema de transformação fuzzy é composto por entradas (input) e saídas (output) conforme o diagrama da figura 5. As entradas correspondem aos dados (valores ou conjuntos) subjetivos que ao serem agregados às funções de pertinência (fuzzificação) são convertidos em base fuzzy. A partir da aplicação de regras e metodologias de tratamento das informações fuzzy, obtém-se o resultado da avaliação das variáveis que sofre processo reverso de conversão, onde valores fuzzy são refletidos em números reais e saídas não-fuzzy (defuzzificação). Para situações que requerem uma resposta precisa, o conjunto fuzzy da saída é transformado num valor único (valor “crisp” ou nítido), pelo processo de defuzzificação (BELLMAN; ZADEH, 1970). Figura 5 – Estrutura de um sistema de inferência fuzzy Fonte: HAMMEL II, 2004 2.2.3 Aplicação dos Conjuntos Fuzzy A indicação de pertinência de um elemento x em um conjunto A, através da teoria dos conjuntos clássicos, é expressa pelo símbolo ∈: Segundo Shaw e Simões (2007, p. 16), “a lógica fuzzy é uma forma de gerenciamento 31 de incertezas, através da expressão de termos com um grau de certeza, num intervalo numérico [0,1]”. Uma função de pertinência µA(x)= {0; 1} indica se o elemento x pertence ou não ao conjunto A. O valor [1] é utilizado para representar a pertinência total de x em A. Já o valor [0] representa a não pertinência de x em A, como apresentado no seguinte caso: Para exemplificar tal situação, têm-se os conjuntos B = {x1, x2, x3, x4} e A = {x1, x3}, onde seja necessário estabelecer a função de pertinência µA(x) dos elementos de B em A. Dessa forma: µA(x1) = 1; µA(x2) = 0; µA(x3) = 1; µA(x4) = 0; Figura 6 – Pertinência de variáveis de um conjunto Fonte: (Shaw e Simões, 2007) Zadeh (1965) define que um conjunto fuzzy A em “x” é caracterizado por uma função de pertinência µA(x) que associa a cada “x” um número real no intervalo [0,1], onde µA(x) atribui a “x” o seu grau de pertinência em A. Segundo Braga (1995 apud SILVA, 2005, p. 99), “as funções de pertinência para a construção dos conjuntos fuzzy têm origem na opinião e no conhecimento de seres humanos, principalmente especialistas no assunto em questão”. 32 2.3 Tipo de Pesquisa Em tese, desenvolveu-se uma metodologia baseada nos conjuntos fuzzy para predizer e classificar o nível crítico de cada região geográfica de estudo, no que se refere às características de tráfego urbano e propôs sua aplicaçãocomo instrumento de identificação dos perfis de cada área e a partir daí, possibilitar uma priorização dos pontos de maior concentração negativa no trânsito, para servir de suporte a um estudo enfático de controle de tráfego por área. 2.4 Universo e Amostra O processo de triagem do universo e amostras teve contribuição da Companhia de Engenharia de Tráfego do Rio de Janeiro (CET-Rio), que é uma sociedade vinculada à Secretaria Municipal de Transporte e que tem como principal atividade administrar o sistema viário e de circulação do município. Segundo Malhotra (2004, p. 320), a população é “a soma de todos os elementos que compartilham algum conjunto comum de características e que compreende o universo para o problema de pesquisa”. Neste trabalho, a população será representada por três conjuntos de variáveis: I) Conjunto de áreas de estudo II) Conjunto de indicadores estatísticos III) Conjunto de especialistas O conjunto I é composto por regiões afetadas negativamente por ocorrências de trânsito, de acordo com a estratégia e projeto de melhoria elaborada pela CET-Rio. O conjunto II constará a compilação das variáveis estatísticas coletadas referentes a cada área, através da Gerência de Informações de Tráfego (GIT) da CET-Rio. E o conjunto III será formado por profissionais da área de estudo, neste caso a Engenharia de Tráfego, mais especificamente os responsáveis pelo controle de tráfego da cidade do Rio de Janeiro. 33 2.4.1 Área de Estudo 2.4.1.1 A Cidade do Rio de Janeiro Um dossiê elaborado pelo Instituto de Segurança Pública (ISP, 2011) traduz, através de dados de registros de ocorrência da Polícia Civil, a severidade dos casos de acidentes de trânsito no Estado do Rio de Janeiro. Somente no ano de 2010, foram contabilizadas 2.400 vítimas fatais de acidentes de trânsito (homicídio culposo de trânsito) e 42.845 vítimas não fatais (lesão culposa de trânsito). A figura 7 apresenta a série histórica desses acidentes ocorridos no estado desde 1997 e, simultaneamente, alerta para a tendência de crescimento existente em relação ao número de vítimas não fatais de acidentes. Figura 7 – Série histórica de acidentes no Estado do Rio de Janeiro Fonte: Edição – Dados ISP (2011) Após mapeamento preciso das áreas mais afetadas pelas ocorrências de acidentes de trânsito no estado, o ISP (2011, p. 30) concluiu que “o município do Rio de Janeiro é responsável por 45,2% do total de vítimas de acidente de trânsito, seguido pelas regiões do Interior (27,2%), da Baixada Fluminense (16,5%) e da Grande Niterói (11,1%)” (figura 8). 34 Figura 8 – Distribuição de vítimas de acidentes de trânsito (RJ) Fonte: Edição – Dados ISP (2011) No Rio de Janeiro, de 2000 a 2009, aproximadamente 9.039 mortes decorreram-se de acidentes de trânsito. O crescimento significativo de veículos em atividade na cidade afeta consideravelmente o fluxo de tráfego, o que faz com que o risco de ocorrência de acidentes tenda a crescer proporcionalmente. Um estudo realizado no ano de 2011 pelo Instituto Municipal de Urbanismo Pereira Passos (IPP), estabeleceu uma comparação entre os principais modais de transporte de passageiros (não incluindo veículos particulares) da cidade do Rio de Janeiro: aeroviário, hidroviário e terrestre. Em levantamento realizado com base em dados do ano de 2009 sobre, como na maioria das cidades brasileiras o transporte terrestre foi o mais exigido pelos passageiros em relação aos demais, representando 96,6% das movimentações municipais. Incluindo-se nessa porcentagem, o transporte via ônibus atingiu maior referência entre outros (metrô, trem e bonde) perfazendo um total de 72,5% dos passageiros. Dessa forma, conclui-se o tráfego urbano em ruas e avenidas da cidade se mantém sobrecarregado, englobando mais de 2/3 dos cidadãos cariocas que utilizam o serviço de transporte público e optam por meio de ônibus para se deslocarem (figura 9). 35 Figura 9 – Movimento de passageiros segundo o modo de transporte (2009) Fonte: IPP (2011) A figura 10 detalha a intensidade do fluxo de tráfego na área urbana do município onde, no ano de 2009, a frota ativa atingiu 1.947.622 veículos, uma quantidade que representa 3,3% da frota ativa no país (59.361.642 veículos). Figura 10 – Total da frota ativa do Rio de Janeiro (2009) Fonte:IPP (2011) 2.4.1.2 Divisões Administrativas A cidade do Rio de Janeiro, segunda cidade mais populosa do Brasil com aproximadamente 6.323.037 habitantes, está dividida administrativamente por 5 Áreas de Planejamento (AP) com 33 regiões administrativas e 160 bairros. A estrutura organizacional 36 da Secretaria Municipal de Transporte e da CET-Rio, está distribuída em 10 Coordenadorias Regionais de Tráfego (CRT) que atende todo o município. Essa descentralização tem a função de tornar eficaz o gerenciamento e controle das questões de trânsito da cidade de acordo com cada região de atendimento. (PCRJ, 2012). Dentre as dez CRT’s, encontra-se a CRT 2.2 (figura 11), a qual foi definida como amostra de estudo deste projeto e atende os seguintes bairros: Alto da Boa Vista, Andaraí, Grajaú, Maracanã, Praça da Bandeira, Tijuca e Vila Isabel. Figura 11 – Bairros da CRT 2.2. Fonte: CET-Rio, Gerência de Informações de Tráfego 2.4.2 Indicadores de Desempenho O conjunto de indicadores de desempenho foi definido de forma composta. Primeiramente, foi disponibilizada uma base de dados (anexo A), pela GIT – Gerência de Informações de Tráfego da CET-Rio, que contém oito dos dez indicadores tomados neste estudo: número geral de acidentes, acidentes por km, atropelamento, capotamento, colisão, 37 extensão viária, severidade dos acidentes e tombamentos. Atualmente, esse grupo de variáveis é estudado e controlado rigorosamente pela CET-Rio, que o considera uma fonte de imprescindível para a análise de criticidade dos bairros da cidade. Além dos oito indicadores, mais dois importantes fatores foram adotados para compor este conjunto: população e número de cruzamentos. Como amostra, este projeto aglomerou dados estatísticos da cidade do Rio de Janeiro referente às ocorrências do ano de 2010. 2.4.3 Especialistas Segundo o DENATRAN (2004, p. 22), “a capacitação de profissionais no setor de trânsito é condição indispensável para a efetiva gestão com qualidade das organizações do Sistema Nacional de Trânsito”. Dessa forma, para o sucesso da aplicação da metodologia fuzzy, o requerimento de um nível de informações confiáveis e seguras é de caráter fundamental. Buscando considerar a veracidade dessas informações e a obtenção de resultados que expressem a realidade dos problemas do tráfego urbano do Rio de Janeiro, efetivou-se a participação de uma equipe composta por 05 (cinco) especialistas da área de controle e gerenciamento de tráfego que atuam pela CET-Rio, e estão diretamente conectados ao processo de análise e identificação de regiões críticas da cidade. Segundo Angeloni (2003, p. 20), “a tomada de decisão em equipe é uma forma a ser utilizada para superar as barreiras das informações e conhecimentos parciais”. 2.5 Coleta de Dados Para enquadrar o projeto em seu contexto de pesquisa e garantir a credibilidade quanto aos resultados alcançados, o processo de coleta de dados teve integração com a principal fonte responsável pelo controle de informações de tráfego, a Gerência de Informações de Tráfego (GIT) da CET-Rio. Os dados são fornecidos à CET-Rio através de uma parceria realizada com o Instituto de Segurança Pública (ISP) e a Secretaria de Estado de Segurança (SESEG). Durante a etapa de agrupamento de dados foi utilizada a técnica de aplicaçãode questionários e a base de dados estatísticos de acidentes municipais. Segundo o DENATRAN (2000), dados estatísticos contribuem efetivamente para a identificação dos principais pontos de ocorrência 38 de acidentes, sua natureza, gravidade e período. Com estas informações é possível identificar os pontos críticos de estudo, orientando a priorização de intervenção a ser estabelecida. Em relação aos questionários, foram elaborados dois, um de caráter objetivo e outro de caráter subjetivo baseado em lógica fuzzy. Para Chwif (2002, p. 461), “[...] um questionário baseado em lógica fuzzy pode ser construído a partir de um questionário de um tipo “fechado” desde que cada questão possua as seguintes pré-condições”: ● Expresse caráter subjetivo e não “puramente” objetivo (figura 12) ● As alternativas possam ser relacionadas a níveis ou graus ● Os graus ou níveis estejam ordenados e sejam estritamente crescentes ou decrescentes. Figura 12 – Exemplos de questões objetivas (I) e subjetivas (II) Fonte: Editado de Chwif (2002) 2.5.1 Peso dos Especialistas Foi elaborado um questionário de caráter objetivo (apêndice A) correspondente à pesquisa qualitativa de nivelamento dos respondentes, visando uma adequação de pesos de acordo com as suas experiências e formações. Para experiência, abrangeram-se participações em congressos de transporte, elaboração de projetos viários, influência de tomada de decisão no departamento em que atuam, entre outros. Quanto maior o nível de conhecimento e de formação do especialista, maior foi o peso vinculado a ele. O cálculo do peso final de cada especialista (tabela 1) baseou-se na soma de todos os valores obtidos nas questões do questionário. Os valores provenientes dos resultados ainda foram convertidos de modo que o 39 somatório dos pesos dos respondentes fosse igual a 1. Tabela 1 – Avaliação do “peso” dos especialistas, conforme questionário. Índice “peso” dos Especialistas Especialista Peso I 0,119 II 0,165 III 0,266 IV 0,229 V 0,220 ∑ 1,000 Fonte: Próprio autor 2.5.2 Grau de Pertinência dos indicadores O segundo questionário, de caráter subjetivo (apêndice B), direcionou-se para pesquisa de opinião. Através da apresentação dos dez indicadores de desempenho de criticidade de trânsito do estudo, os cinco especialistas deveriam averiguar quão relevante era cada indicador no processo de tomada de decisão e identificação das áreas críticas da cidade, definindo um grau de pertinência para cada um ao conjunto “incidência”. Essa avaliação, classificada como relativa, foi limitada entre o intervalo [0,1] sendo que 0 foi adotado como um fator de nenhuma incidência e 1 de total incidência na decisão (tabela 2). Tabela 2 – Classificação do grau de pertinência dos indicadores Grau Incidência 0 Não incide na decisão 0,25 Incide pouco 0,5 Incide moderadamente 0,75 Incide muito 1 Incide totalmente Fonte: Próprio autor Caso o especialista “p” atribua um grau 0,75 ao indicador “a”, por exemplo, é interpretado então que “a” é um indicador de muita incidência nos estudos de controle de tráfego por área, porém não integralmente. Caso o mesmo especialista atribua um grau 0 ao 40 indicador “b”, então este é considerado um fator de nenhuma incidência no processo de tomada de decisão. A tabela 3 apresenta a distribuição dos graus de incidência dos indicadores no processo de tomada de decisão, conforme a opinião individual dos cinco especialistas. Tabela 3 – Avaliação do grau de importância de indicadores por especialistas Fonte: Próprio autor 2.5.3 Dados Estatísticos das Regiões A obtenção dos dados estatísticos das regiões abordadas é de extrema relevância para o sucesso e credibilidade do projeto, e deve ser realizada de forma correta e segura, pois engloba o conjunto de matérias-primas do presente estudo. Angeloni (2003, p. 18) afirma que “dados sem qualidade levam a informações e decisões da mesma natureza”. Segundo Katz (1974 apud GIL, 2002, p. 132), a busca de apoio de liderança local e a aliança com grupos e organizações que tenham interesse na pesquisa, são procedimentos que auxiliam na coleta de dados, por se estruturar em informações que exigem análise prolongada. Assim sendo, a coleta dos dados estatísticos de cada bairro em questão decorreu-se da disponibilização da base de dados utilizada pela GIT da CET-Rio no processo de avaliação de criticidade de áreas no âmbito de tráfego, conforme apresentado na tabela 4. Indicadores Especialistas I II III IV V Acidentes 0,5 1 0,5 0,75 1 Acidentes por km 0,25 1 0,5 0,75 1 Atropelamento 0,5 0,75 0,5 0,75 1 Capotamento 0,5 0,75 0,5 0,25 0,75 Colisão 0,5 1 0,5 0,25 0,75 Cruzamentos 0,25 0,25 0,75 0,25 0,5 Extensão viária em km 0,75 0,75 0,5 0,25 0,25 População 0,75 0,5 0,75 0,25 0,5 Severidade dos acidentes 0,75 0,75 0,5 0,25 1 Tombamento 0,5 0,75 0,5 0,25 0,75 41 Tabela 4 – Dados da CRT 2.2, ano de 2010. Indicadores Áreas de Estudo Alto da Boa Vista Andaraí Grajaú Maracanã Praça da Bandeira Tijuca Vila Isabel Acidentes 332 339 417 1133 564 2579 974 Acidentes por km 4 14 13 36 39 27 20 Atropelamento 4 23 17 54 36 143 51 Capotamento 7 1 2 6 0 5 6 Colisão 312 310 393 1050 512 2423 906 Cruzamentos 74 96 113 82 80 410 153 Extensão Viária (km) 79,38 23,97 31,71 31,25 14,32 96,88 48,57 População 9343 39365 38671 25256 8662 163805 86018 Severidade 19,90% 17,10% 17,70% 16,10% 17,70% 12,70% 13,40% Tombamento 9 5 5 23 16 8 11 Fonte: ISP/SESEG; CET-Rio; Gerência de Informações de Tráfego (2011) 2.6 Tratamento de Dados 2.6.1 Grau Padrão de Criticidade (GPC) Como visto, a teoria dos conjuntos fuzzy (ou nebulosos) requer a função de pertinência assumindo valores no intervalo [0,1], isto é, a cada elemento é atribuído um grau de pertinência relativo a um conjunto. Como o quesito “incidência” não se limita apenas em classificar “incide ou não-incide”, permite-se distinguir os indicadores por intensidade de incidência, representados por seus graus de pertinência no conjunto, definidos neste artigo como Grau Padrão de Criticidade (GPC). A partir do momento que se obtém os pesos dos especialistas e a avaliação que cada um atribui a cada indicador de desempenho, torna-se possível calcular o GPC ou “Grau de Importância Padrão” dos indicadores, que corresponde ao valor de pertinência que cada indicador possui ao conjunto “incidência”, ou seja, “quão incidente” é para o processo de análise de áreas críticas; e é calculado através da soma ponderada das atribuições classificatórias dos cinco especialistas a cada indicador de estudo, ou seja, o produto entre o grau de importância determinado pelo especialista ao indicador “i” e o coeficiente (peso) que 42 ele detém. A fórmula seguinte expressa o cálculo do padrão de criticidade. (1) Onde: GPCi = Grau Padrão de Criticidade do indicador “i” Xi = Grau de incidência do indicador “i”, avaliado pelo especialista “e” (p)e = Coeficiente “peso” do especialista “e” N = Número de indicadores Adotando a mesma regra do grau de incidência individual (avaliado singularmente pelos especialistas), o resultado final do GPC deve se enquadrar no intervalo entre [0, 1], conforme as seguintes aplicações. Cálculo do GPC do indicador “acidente”, conforme fórmula (1): Cálculo do GPC do indicador “cruzamentos”: Para tal avaliação, percebe-se que o indicador “acidente” é considerado de incidência 0,75 no processo de seleção e identificação de áreas críticas da cidade. Relacionando-o como parâmetro do limite inferior 0 e superior 1, chega-se à conclusão que 0,75 é um grau que caracteriza“acidente” como uma variável de estudo significativamente importante para o 43 processo de tomada de decisão em questão. Já o indicador “cruzamentos” obteve GPC de 0,44, podendo ser caracterizado como um conjunto menos relevante que o indicador “acidente”, porém, que de certa forma, incide pouco a medianamente para obtenção dos resultados finais de identificação da área desejada. Dando sequência ao procedimento dos demais indicadores de trânsito, obtém-se os seguintes GPC’s: Tabela 5 – Grau Padrão de Criticidade (GPC) dos indicadores de trânsito Indicadores GPC Acidentes 0,75 Acidentes por km 0,72 Atropelamento 0,71 Capotamento 0,54 Colisão 0,58 Cruzamentos 0,44 Extensão Viária em km 0,46 População 0,54 Severidade dos acidentes 0,62 Tombamento 0,54 ∑ 5,90 Fonte: Próprio Autor A figura 13 apresenta a hierarquia dos indicadores com base em seus respectivos graus de importância. Foi elaborada através da análise subjetiva de cada especialista, e ordenada de forma decrescente. 44 Figura 13 – Hierarquia dos Indicadores Críticos Fonte: Próprio autor 2.6.2 Estabelecimento do Índice-Fuzzy Como os dados de entrada devem ser fuzzificados, os dados estatísticos referentes a cada bairro da CRT 2.2 foram convertidos em índices-fuzzy para dar continuidade ao estudo. Os índices-fuzzy são valores no intervalo [0,1], onde 0 corresponde ao valor de menor proporção de determinado indicador dentre os sete bairros, e 1 refere-se ao valor do índice- fuzzy para o bairro que apresenta a mais alta incidência para o indicador em questão. O cálculo do índice-fuzzy é realizado da seguinte forma (LEMMI; BETTI, 2006): (2) Onde: I.F. a,i = valor do índice - fuzzy calculado para a área “a” e indicador crítico “i”; V i = valor observado da série do indicador crítico “i” para a área “a”; 45 Mín i = valor mínimo da série do indicador crítico “i” Max i = valor máximo da série do indicador crítico “i” Para o indicador crítico “população”, pode-se observar que o bairro Tijuca é o que abrange o maior número de habitantes entre os demais bairros, recebendo portanto o índice- fuzzy 1, e o bairro Praça da Bandeira, por possuir o menor número de habitantes do conjunto, importa o índice-fuzzy 0. Os índices-fuzzy dos bairros adjacentes são calculados de acordo com a fórmula (2): Chegando assim, à seguinte tabela: Tabela 6 – Dados da CRT 2.2. convertidos em Índice-Fuzzy Fonte: Próprio autor Indicadores Padrão de Criticidade Áreas de Estudo Alto da Boa Vista Andaraí Grajaú Maracanã Praça da Bandeira Tijuca Vila Isabel Acidentes 0,75 0 0,003 0,038 0,356 0,103 1 0,286 Acidentes por km 0,72 0 0,283 0,255 0,911 1 0,637 0,451 Atropelamento 0,71 0 0,137 0,094 0,360 0,230 1 0,338 Capotamento 0,54 1 0,143 0,286 0,857 0 0,714 0,857 Colisão 0,58 0,001 0 0,039 0,350 0,096 1 0,282 Cruzamentos 0,44 0 0,065 0,116 0,024 0,018 1 0,235 Extensão Viária em km 0,46 0,788 0,117 0,211 0,205 0 1 0,415 População 0,54 0,004 0,198 0,193 0,107 0 1 0,451 Severidade dos acidentes 0,62 1 0,611 0,694 0,472 0,694 0 0,097 Tombamento 0,54 0,222 0 0 1 0,611 0,167 0,333 46 2.6.3 Classificação de Áreas Críticas A partir da obtenção do grau de importância (padrão de criticidade) de cada indicador e dos índices-fuzzy provenientes das ocorrências de acidentes em cada bairro, tem-se o início das inferências no modelo na busca de classificar cada bairro da CRT 2.2 de acordo com seu perfil crítico. 2.6.3.1 Grau de Criticidade (GC) O grau de criticidade é um índice ponderado de atendimento ao grau padrão de criticidade que avalia o quanto estão sendo atendidos os indicadores de criticidade por bairro. É um valor presente no intervalo [0, 1] onde 0 representa um índice nulo de criticidade, e 1 representa um índice de criticidade total do bairro. A classificação do grau crítico “x” de uma área pode estar contido em cinco conjuntos triangulares fuzzy interpretativos: criticidade nula (quando valor é 0), criticidade baixa (valor 0,25), criticidade média (valor 0,50), criticidade alta (valor 0,75) e criticidade total (valor 1). Quando uma área possui um desses cinco graus (valores “crisp”), ela possui índice de pertinência total (representado no eixo y pelo valor 1) em um desses conjuntos. Contudo, a definição do grau crítico “x” está sujeita a variações, não sendo necessário pertencer totalmente a um desses conjuntos. A partir do momento que “x” sofre variação em relação a estes cinco valores, a pertinência do conjunto deixa de ser total, mas é mantida pelo fato do grau ainda estar inserido no conjunto triangular fuzzy e, consequentemente, torna-se pertinente também ao conjunto adjacente (figura 14). 0,25: Área de criticidade baixa X = 0,30: Área de criticidade baixa a média 47 Figura 14 – Função de Pertinência Triangular Fuzzy Fonte: Próprio Autor Esse procedimento de inferência ajuda a tomada de decisão quanto à priorização de tratamento das áreas e é semelhante a uma média ponderada. Segundo Barros e Bassanezi (2006), esse método de defuzzificação talvez seja o preferido pela comunidade científica fuzzy, e é apresentado conforme a fórmula a seguir: (3) Onde: GCa = Grau de Criticidade da área “a” Xi = Grau Padrão de Criticidade do indicador “i”; (I.F)a,i = Valor do índice-fuzzy da área “a” para o indicador “i”; Grau de Criticidade do bairro “Alto da Boa Vista” conforme fórmula (3): 48 Grau de Criticidade do bairro “Tijuca”: Em suma, de acordo com os resultados obtidos, a tabela 7 apresenta a hierarquização dos bairros da CRT 2.2 com seus respectivos graus de criticidade em ordem decrescente. Tabela 7 – Hierarquização das áreas conforme Grau de Criticidade Área GC 1. Tijuca 0,75 2. Maracanã 0,48 3. Vila Isabel 0,37 4. Praça da Bandeira 0,30 5. Alto da Boa Vista 0,28 6. Grajaú 0,19 7. Andaraí 0,16 Fonte: Próprio autor Conclui-se que nenhum bairro obteve grau de criticidade de valor igual a 1, contudo todos apresentam um respectivo índice crítico, satisfazendo a conceituação de pertinência intervalar dos conjuntos fuzzy. A figura 15 representa graficamente os graus de criticidade de cada bairro da CRT 2.2, onde o anel externo reflete o grau de criticidade máximo que um bairro pode atingir, enquanto o eixo central traduz um perfil crítico nulo. 49 Figura 15 – Gráfico do Grau de Criticidade dos bairros da CRT 2.2 Fonte: Próprio autor Analisando os graus de criticidade dos bairros da CRT 2.2, nota-se a predominância do bairro Tijuca em relação aos demais, caracterizando-o como o bairro mais crítico do conjunto, com o grau de criticidade 0,75 (valor que expressa um alto nível crítico da área destacada). 2.6.3.2 Grau de Inclusão (GI) More (2007) estabelece que através da fórmula (2) do Grau de Inclusão, de Kosko (1992), é possível determinar o nível de pertinência de um elemento em um conjunto fuzzy, e consequentemente, calcular a distância perceptiva entre eles. O grau de inclusão corresponde a um valor qualquer no intervalo [0,1] que um conjunto fuzzy A detém em relação a um determinado conjunto fuzzy B. Assim sendo, utilizando o método neste projeto, é possível atribuir suas características ao processo de identificação de áreas críticas, determinando quão incluído está o perfil padrão de criticidade (GPC), estabelecido pelos especialistas, no perfil crítico de cada bairro.
Compartilhar