Q UÉ HABLA EL ABUELO ?: PÈRDUA DE LA CULTURA I SUBSTITUCIÓ LINGÜÍSTICA

A lógica fuzzy é utilizada nesta tese como suporte teórico e metodológico para operacionalização da análise comparativa no QCA, sendo viabilizada pelo fuzzy set analisis (análise de conjuntos difusos) através do software fsQCA 2.0, criado por Charles Ragin. Os fundamentos desta teoria permitem a identificação das inúmeras possibilidades de respostas dos fenômenos pesquisados, existentes na escala entre 0 e 1, utilizada pela estatística convencional. Assim, o fuzzy set analisis possibilita uma análise mais adequada das formas de utilização de recursos comuns inerentes às especificidades amazônicas, uma vez que estas formas também se apresentam sob inúmeras possibilidades.

A “lógica fuzzy” foi criada por Lotfi A. Zadeh nos Estados Unidos em 1975, com base na Teoria de Conjuntos Fuzzy. O termo fuzzy foi traduzido como nebuloso ou difuso e busca classificar em números uma situação que trabalha com variáveis incertas ou vagas, e possuem alto grau de dependência (MALUTA, 2004). A lógica fuzzy é considerada imprecisa, pois aproxima dados vagos (STURM, 2005), porém, ao contrário da lógica clássica de Aristóteles, permite uma descrição dos fatos de forma mais detalhada e gradual. Por exemplo, ao invés de analisar uma situação baseada apenas em respostas como “falso e verdadeiro”, “presente ou ausente”, o método permite respostas intermediárias, como “quase, pouco, mais ou menos”,

reduzindo a perda de informações e aproximando as respostas o máximo possível da realidade analisada (MALUTA, 2004).

Por meio de uma regra pré-determinada de acordo com o fim para qual a lógica fuzzy está sendo utilizada, as informações são classificadas como elementos pertencentes ou não a um determinado conjunto e aproximadas por números para facilitar sua interpretação, entre valores que variam de 0 até 1, onde 0 indica que o elemento não pertence ao conjunto e 1 indica que o elemento pertence ao conjunto. Ao contrário da lógica clássica que representa as informações apenas como 0 e 1 (KOHAGURA, 2007).

Questões como modo de pensar, crenças, tradições, modos de vida, possuem como forma analítica enraizada a bivalência (COELHO, 2008). No entanto, nem sempre é possível explicar de forma exata (bivalente) fenômenos naturais e sociais de natureza complexa. É necessário incorporar os graus de verdade e as incertezas presentes nos processos de transformação da realidade e nas relações sociais de um modo geral, permitindo uma apresentação das particularidades componentes dos fenômenos. Por exemplo, em uma comunidade tradicional preconiza-se que existem regras estabelecidas entre os usuários dos recursos naturais (OSTROM, 1990), pela lógica clássica a análise desta comunidade quanto às regras, teria como resultado respostas restritas a: “presença de regras” ou “ausência de regras”. Por meio da lógica fuzzy é possível averiguar os diferentes graus ou níveis de regras existentes, tais como, “regras rígidas”, “regras flexíveis”, “parte da comunidade possui regras rígidas e outra parte regras flexíveis”, “maior parte possui regras rígidas”, dentre outros. Esta análise permite a visualização de resultados parciais e em múltiplos valores.

No quadro 04, é possível verificar as principais diferenças entre a lógica clássica e a lógica fuzzy.

Quadro 04: Lógica clássica x Lógica fuzzy

Lógica clássica – Booleana Lógica fuzzy

- Limites bem delimitados

- Mudança brusca entre “existir e não existir” ou “pertencer e não pertencer”

- Baseados em conceitos estáticos

- Limites não delimitados (imprecisos)

- Mudança gradual entre “existir e não existir” ou “pertencer e não pertencer”

- Baseados em conceitos vagos e imprecisos

Fonte: BORBA et al (2007) apud COELHO (2008).

Medeiros et al. (2007) apontam a aplicabilidade positiva da lógica fuzzy para compreensão das consequências decorrentes de decisões da gestão pública, possibilitando a

orientação dos níveis de apropriação de um determinado projeto pelo público alvo e sua adequação às condições dadas. Crawford (2005) apresenta o potencial do uso da lógica fuzzy para análise de instituições, especialmente àquelas envolvidas em casos de uso de recursos comuns, onde as regras estabelecidas entre os grupos, na concepção de Elinor Ostrom, necessitam ser compreendidas para uma correta análise das causalidades e consequências de suas mudanças institucionais.

Analisando teoricamente a eficácia do uso da lógica fuzzy para avaliar o sucesso da inclusão de um sistema de irrigação gerenciado por órgãos governamentais sobre grupos de agricultores, Crawford ao utilizar as premissas de Ostrom, parte do pressuposto que as regras pré-existentes entre os grupos afetarão o sucesso da adesão ao sistema de irrigação. Na lógica clássica, a interferência das regras poderia ser classificada em “existência de regras de adesão=1” e “inexistência de regras de adesão=0”. Pela lógica fuzzy é possível avaliar variações como “regras forte de adesão”, “regras fracas de adesão”, “maior parte com regras forte”, dentre outras, permitindo uma visão mais ampla do grau de interferência das regras sobre o sucesso do sistema.

Ragin (2000) apresenta a utilidade da lógica fuzzy para identificar os intervalos existentes nos fenômenos entre as categorias negação (não há regras), concentração (regras fortes) e dilatação (regras fracas). Crawford (2005) acrescenta a ferramenta como útil também para analisar combinações e relações. Neste caso, a pergunta chave para se identificar as combinações possíveis em um caso é: quais características podem ser consideradas para classificar uma categoria como pertencente ou não a um determinado grupo? É importante desenvolver valores de pertinência que substituam o nível de significância de 0,5 (95% de confiança) dos métodos estatísticos, ou seja, deixar claro as características e os valores que o pesquisador utiliza para considerar uma característica como pertencente ou não a um determinado conjunto. O desenvolvimento da função de pertinência requer que o analista explicite o significado teórico dos intervalos de variação utilizados.

Outra vantagem da lógica fuzzy salientada por Crawford refere-se a sua eficácia para o uso de medidas por meio de variáveis linguísticas intuitivas. É possível desenvolver categorias intuitivas de pertencimento a exemplo daquelas utilizadas pelos peritos, como “fraco, forte, muito forte” ou “muito vago, vago, a maioria clara, muito clara”. Isso requer expertise do analista para desenvolver as categorias que classificarão as regras de adesão no caso do sistema de irrigação, por exemplo.

Um importante fator a ser considerado no uso da lógica fuzzy é que os valores determinados para identificar uma categoria não se relacionam necessariamente com o grau de probabilidade. Por exemplo, se atribuirmos um intervalo de 0,8 a 0,2 para o conjunto “regras de adesão claras”, não quer dizer que caso haja o subconjunto “regras quase transparentes = 0,8” isso represente que seja quatro vezes mais claro do que o subconjunto “regras vagas = 0,2”, mas sim a existência de um grau de variação no intervalo entre 0 a 1 dentro do mesmo conjunto ou subconjunto.

Chwif (2002) apresenta metodologia para construção de questionários baseados na lógica fuzzy. Segundo o autor, as questões devem apresentar caráter subjetivo, com alternativas que possam ser relacionadas em níveis ou graus, ordenados em escalas crescentes ou decrescentes. Por exemplo, ao se questionar sobre a renda de uma família em salários mínimos, as alternativas em caráter objetivo seriam: a) 1 a 2 s.m, b) 2 a 5 s.m, c) 5 a 10 s.m, d) 10 a 15 s.m, e) mais de 15 s.m. Convertendo-se as alternativas para lógica fuzzy (caráter subjetivo) poderiam ser: a) péssima, b) ruim, c) satisfatório, d) bom, e) ótimo. O próximo passo seria atribuir valores de 0 a 10 para identificar o grau de variação em cada alternativa (correspondendo aos valores fuzzy de pertinência de 0 a 1). A atribuição do valor 0 corresponderia à negação total da alternativa, os valores de 1 a 9 representam os diversos graus de verdade ou pertinência (dilatação), e o valor 10 corresponde à verdade total (concentração). A figura 15 representa um exemplo de possíveis respostas; à questão da renda familiar a serem analisadas pela lógica fuzzy.

Figura 15: Modelo de alternativas e respostas a questões baseadas na lógica fuzzy.

Fonte: Chwif (2002)

A lógica fuzzy não é vantajosa apenas por permitir a simplificação dos dados (resultando em um valor que reflete combinações para atribuições múltiplas), mas também preserva os pressupostos implícitos nos valores numéricos. O modelo fuzzy fornece possibilidade de combinar o efeito de várias regras (variáveis dependentes) sobre o desempenho de deteminados sistemas (variáveis independentes).

Assim, os gradientes utilizados para quantificação fuzzy dos resultados qualitativos baseiam-se nos intervalos sugeridos por RAGIN (2007), adaptados para análise realizada nesta tese: 1= totalmente satisfatório, 0,9 = parcialmente satisfatório, 0,6= mais satisfatório do que insatisfatório, 0,4= mais ou menos insatisfatório, 0,1= parcialmente insatisfatório e 0= totalmente insatisfatório.

A comparação entre as Unidades por meio de dados qualitativos e quantitativos permitiu estabelecer um padrão de variáveis e parâmetros para avaliação de políticas públicas relacionadas ao uso de recursos comuns na Amazônia. Apesar das especificidades do modo de vida em cada Unidade, o conjunto de variáveis utilizado contempla uma observação ampla e aproximada da realidade, incluindo-se os principais fatores limitantes do bom desempenho do uso de recursos comuns em Unidades de Conservação e Assentamentos Rurais.

Tomando conhecimento destes fatores, a análise torna-se mais robusta, contribuindo- se para elaboração de políticas mais adequadas à realidade amazônica, sendo possível,

1. Péssima X 0 1 2 3 4 5 6 7 8 9 10 2. Ruim X 0 1 2 3 4 5 6 7 8 9 10 3. Satisfatória X 0 1 2 3 4 5 6 7 8 9 10 4. Boa X 0 1 2 3 4 5 6 7 8 9 10 5. Ótima X 0 1 2 3 4 5 6 7 8 9 10

portanto, a aquisição de resultados mais satisfatórios. Ao incluir nos programas e projetos governamentais destinados a estas Unidades regras de uso que contemplem o modo de vida dos moradores, suas demandas e expectativas, é possível alcançar um desempenho mais positivo, portando-se à ideia de Immergut (1992): as regras do jogo definem os resultados.

A determinação dos valores de cada parâmetro que compõe a análise das variáveis no fuzzy set QCA (socioeconomia, produção, instituições e ambiente) baseia-se nos resultados do IAD framework apresentados nos capítulos de 3 a 7, sendo que a transformação desta análise qualitativa em dados quantitativos ocorre no capítulo 8, quando os valores numéricos (fuzzy set) são utilizados para novamente qualificar o desempenho no uso dos recursos, mediante a influência das políticas ambientais e agrárias nas práticas dos moradores das Unidades.