MODELO PARA OBTENÇÃO DO ÍNDICE DE RESILIÊNCIA A

DESASTRES EM COMUNIDADES: UMA ANÁLISE PARA ORIENTAR

OS INVESTIMENTOS DOS ÓRGÃOS PÚBLICOS

Paulo Roberto Souza Junior

Instituto Militar de Engenharia (IME)
Praça Gen. Tibúrcio, 80 – Urca – Rio de Janeiro, RJ
[email protected]

Marcos dos Santos

Centro de Análises de Sistemas Navais (CASNAV)
Praça Barão de Ladário s/n° - Ilha das Cobras – Rio de Janeiro, RJ
[email protected]

RESUMO

A quantidade e a severidade dos desastres aumentam com o decorrer das décadas, devido,
principalmente, ao crescimento urbano desordenado. Esta tendência mundial chamou a atenção
da Organização das Nações Unidas (ONU) que passou a atuar de forma mais contundente para
minimizar o problema através da criação de vários programas internacionais para redução do
risco. No Brasil, os desastres de 2008 em Santa Catarina e 2011 na região serrana do Rio de
Janeiro levaram a aprovação da lei 12608/12 que instituiu a Política Nacional de Proteção e
Defesa Civil que possui como um dos seus objetivos estimular o desenvolvimento de cidades
resilientes e os processos sustentáveis de urbanização. Este estudo apresenta uma metodologia
baseada no Modelo Fuzzy COPPE-COSENZA para hierarquizar comunidades vulneráveis
expostas a riscos de desastres de modo a orientar e otimizar os investimentos do governo. A
metodologia utiliza variáveis quantitativas e qualitativas para a obtenção de um índice de
resiliência.

PALAVRAS CHAVE: Índice de Resiliência, Desastres, Risco, Fuzzy

Tópicos: AdP – PO na Administração Pública

ABSTRACT

The amount and severity of disasters are increasing over the course of last decades, mainly due to
urban sprawl. This global trend has caught the attention of the United Nations (UN) that started
to act more decisively to minimize the problem by creating a number of international programs to
reduce the risk. In Brazil, the 2008 disaster in Santa Catarina and 2011 in the mountainous region
of Rio de Janeiro led to the adoption of Law 12608/12 which established the National Policy for
the Protection and Civil Defense which has as one of its goals to stimulate the development of
resilient cities and sustainable urbanization processes. This study presents a methodology based
on Fuzzy Model COPPE-COSENZA to prioritize vulnerable communities exposed to disaster
risks in order to guide and optimize government investments. The methodology used for
quantitative and qualitative variables to obtain a resilience index.

KEYWORDS: Resilience Index, Disasters, Risk, Fuzzy

Paper topics: AdP – OR in Public Administration

https://proceedings.science/p/85526
1. Introdução

Os desastres naturais ou causados pelo homem constituem um tema recorrente no

cotidiano da população mundial. De acordo com [Silva 1998]: “Numa perspectiva sociológica,
um desastre é entendido como um acontecimento não rotineiro que provoca uma disrupção
social, cujo seu grau de impacto reflete em grande parte, o tipo e o grau de preparação de uma
determinada comunidade para lidar com os riscos naturais e tecnológicos”.
Conforme terminologia utilizada pela Estratégia Internacional para a Redução de
Desastres das Nações Unidas [UNISDR 2009], pode ser considerado um desastre quando há a
interrupção no funcionamento de uma comunidade ou sociedade que ocasiona uma grande
quantidade de mortes bem como perdas e impactos materiais, econômicos e ambientais que
excedam a capacidade da comunidade ou da sociedade afetada de lidar com a situação usando
dos seus próprios recursos. Isto é, o desastre é o resultado da combinação existente entre a
exposição a uma ameaça, as condições de vulnerabilidade presentes e a capacidade ou medidas
insuficientes para reduzir ou lidar com as possíveis conseqüências negativas resultantes.
Segundo [Almeida 2009], “No que tange aos perigos ditos “naturais”, há estatísticas que
confirmam o crescimento das perdas humanas e econômicas em todo o mundo, ao mesmo tempo
em que crescem a freqüência e a magnitude dos eventos naturais. Surge o questionamento: as
perdas (humanas e econômicas) têm aumentado em função do acréscimo na freqüência e
magnitude dos eventos ou pelo aumento na quantidade de pessoas vulneráveis aos perigos
naturais?” Outros exemplos na literatura também apontam para um incremento na frequência e
intensividade dos desastres [Cardona 2004], bem como para um aumento da consciência e do
engajamento da comunidade internacional em torno do problema [Brauch 2005].
O conhecimento dos fenômenos climáticos e dos desastres naturais e tecnológicos a que
nosso planeta está sujeito é fundamental para a efetividade de uma política de redução de riscos.
Os desastres não devem ser tratados como fatalidades inesperadas, ou seja, com um grau de
surpresa por parte dos atores relevantes em matéria de segurança. Estes atores, dentre eles a
Defesa Civil, devem desenvolver estratégias mais efetivas de prevenção dos riscos, assim como
planos emergenciais de contingência e mitigação no caso da ocorrência de desastres,
identificando as comunidades que se encontram vulneráveis a alguma ameaça, caracterizando a
vulnerabilidade dos lugares e desenvolvendo ações emergenciais e de prevenção acerca dos
riscos antes que o desastre ocorra, não restringindo suas ações no pós-desastre [Soriano 2009].
As conseqüências dos desastres não são sentidas igualmente por todos. Pobres, minorias,
mulheres, crianças e idosos são freqüentemente os mais afetados em todo o planeta. [O’Keefe et
al. 1976] apresentaram a primeira publicação em um periódico de grande circulação (Nature) a
detectar a interface entre catástrofes naturais e os segmentos mais vulneráveis da população.
Neste artigo, foi explicado que o aumento de vítimas de desastres naturais é decorrente do
crescimento populacional. “Como a população continua a crescer e os recursos continuam a ser
controlados pela minoria, o padrão real de vida decresce para grande parte da população
mundial”. Quanto mais a população aumenta, mais vulnerável se torna. Para reduzir essa
vulnerabilidade, planejamento preventivo deve ser estabelecido, considerando os aspectos
geográficos e geológicos, socioeconômicos e o status cultural.
Cardona et al. 2005, que também propõem pensar vulnerabilidade a desastres naturais em
uma perspectiva abrangente, identifica três componentes principais em sua composição:
fragilidade ou exposição; suscetibilidade; e falta de resiliência. Falta de resiliência é a
componente comportamental, comunitária e política, que captura a capacidade de um grupo
populacional submetido a um fenômeno perigoso de absorver o choque e se adaptar para voltar a
um estado aceitável.
Ainda segundo Cardona et al. 2012, a falta de resiliência, que se observa no baixo
desenvolvimento de capacidades para o enfrentamento de eventos extremos em comunidades
locais, são importantes geradores de vulnerabilidades. No entanto, os métodos e técnicas de
análise de risco e de vulnerabilidades devem levar em conta a complexidade de fatores, como por
exemplo, o tempo e a escala geográfica envolvida, o número e o tipo de atores, e os aspectos

https://proceedings.science/p/85526
econômicos e de governança. Devem também contar com abordagens mistas, quantitativas e
qualitativas, reunindo indicadores, índices e métricas de probabilidade com avaliações locais
participativas, em parceria com as comunidades em risco, para capturar toda a complexidade da
vulnerabilidade em suas diferentes dimensões.
O atual protocolo de ação das Nações Unidas para a Redução de Riscos e Desastres
(RRD) foi ratificado pelos representantes de 187 países, reunidos na terceira Conferência
Mundial de Redução de Riscos e Desastres, em Sendai, Japão, em março de 2015 (Sendai
Framework for Action – SFA), e substitui o Hyogo Framework for Action (HFA), que
estabeleceu as diretrizes de RRD para a década 2005-2015. As novas diretrizes, que valem de
2015 a 2030, visam reduzir vulnerabilidades como uma forma de ampliar a resiliência diante da
necessidade de buscar a adaptação diante das mudanças climáticas. Para isso, o documento
destaca como prioridade número um, a necessidade da compreensão do risco de desastre em
todas as suas dimensões de vulnerabilidades, capacidades, características das ameaças e do meio
ambiente [EIRD-ONU 2007].
Nos países em desenvolvimento, como é o caso do Brasil, o aumento da população aliado
às desigualdades sociais e econômicas, à concentração de riquezas e à especulação imobiliária,
tem levado as pessoas a habitarem regiões de maior risco, como as áreas próximas a rios e
encostas de morros, o que aumentou consideravelmente a possibilidade de ocorrer os desastres
ambientais naturais.
Devido à heterogeneidade interna dos estados brasileiros, tanto no que se refere à
vulnerabilidade quanto à exposição a desastres naturais, estudos com abrangência estadual ainda
estão sujeitos às limitações de escala. Desta forma, a realização de trabalhos em âmbito
microrregional torna-se mais adequada, pois seriam capazes de produzir resultados mais precisos
e identificar padrões de distribuição espacial do risco e da vulnerabilidade internos aos estados da
federação [Braga et al 2006]. Ao longo dos anos, as estratégias de redução de riscos e desastres
vêm se aproximando cada vez mais das comunidades locais, dentro das quais os relatos de boas
práticas vêm mostrando ser esse o melhor caminho para a eficiência das ações de ampliação da
resiliência diante de desastres. Com a disseminação dessas boas práticas, as políticas de redução
de riscos e desastres se voltaram para a redução de vulnerabilidades.
Neste trabalho, será mostrado um modelo ao qual utiliza variáveis quantitativas e
qualitativas de modo a avaliar comparativamente comunidades sujeitas a risco de desastres,
identificando suas vulnerabilidades e estabelecendo um índice de resiliência.

2. O Problema

De acordo com [Dilley et al.2005], o Brasil se encontra entre os 20 maiores receptores

mundiais de empréstimos para cobrir emergências relacionadas a desastres naturais, além disso,
partes importantes de nosso território – as Regiões Sul, Sudeste e Nordeste – foram consideradas
pelo estudo do Banco Mundial e da Universidade de Columbia como hotspots globais de risco de
desastres hidrológicos e de seca. Diante deste cenário, faz-se necessária uma gestão criteriosa dos
parcos recursos públicos disponíveis e, para tal, o uso de uma metodologia de hierarquização é
fundamental para o estabelecimento de prioridades de investimento.
Foram realizadas buscas na literatura por metodologias de avaliação de riscos, avaliação
de vulnerabilidades e índice de resiliência para desastres. A pesquisa realizada neste estudo não
esgota todas as metodologias existentes na literatura, mas produziu uma amostra representativa
das diferentes abordagens utilizadas a nível mundial e nacional. Uma importante limitação em
algumas metodologias analisadas diz respeito à confiabilidade, amplitude e cobertura das bases
de dados utilizadas. A utilização somente de dados estatísticos de desastres já ocorridos, como
mortalidade e frequência, não é suficiente para uma classificação adequada da vulnerabilidade,
principalmente em nível local, pois os cenários são dinâmicos, com um crescimento urbano
desordenado aliado ao aumento das ameaças decorrentes da variação climática. Segue abaixo um
quadro comparativo com as metodologias estudadas:

https://proceedings.science/p/85526
 Tabela 1: Metodologias
Escala Perigos Dados Participação da
comunidade
DRI nacional inundação, quantitativos NÃO
estiagem, ciclone
tropical
HOTSPOTS subnacional inundação, quantitativos NÃO
estiagem, ciclone
tropical e
deslizamento
Tyndall Centre nacional todos quantitativos NÃO
SoVI subnacional todos quantitativos NÃO
APELL subnacional todos quantitativos e SIM
qualitativos
CEPED-UFSC subnacional inundação e quantitativos e SIM
deslizamento qualitativos
COPPETEC subnacional inundação quantitativos NÃO
Fonte: Souza (2016)

A realização de estudos em escalas intermediárias, como a subnacional, é de importância

primordial para superar as limitações de escala verificadas nos estudos internacionais. Também
são importantes para comprovar a validade das hipóteses e a capacidade de generalização dos
resultados obtidos por metodologias que adotam a escala nacional. Desta forma, os trabalhos em
âmbito microrregional, a nível local, seriam capazes de produzir resultados mais precisos e
identificar padrões de distribuição espacial do risco e da vulnerabilidade internos aos estados da
federação. Algumas metodologias podem ser utilizadas para todo tipo de fonte de perigo, sejam
elas naturais ou tecnológicas (produzidas pelo homem), contudo, cabe observar que todos os
estudos incluíram o perigo de inundação devido a sua elevada frequência mundial. Quanto aos
dados de entrada, o uso de dados qualitativos se torna presente quando há um envolvimento da
população em torno do problema, o que enriquece substancialmente o resultado da avaliação do
risco.
Após a pesquisa e a análise das metodologias apresentadas, não foram encontrados
modelos de avaliação de risco, vulnerabilidades e resiliência adequados para hierarquizar
comunidades expostas a um mesmo tipo de perigo e verificou-se a necessidade da criação de um
modelo integrado que contemple a fase de identificação de vulnerabilidades e aumento da
resiliência a um desastre levando em conta critérios qualitativos e quantitativos para auxílio da
tomada de decisão para este problema. Desta forma estabelece-se como objetivo geral do
trabalho: Construir um modelo de auxílio à decisão para hierarquizar comunidades expostas a
riscos de desastres naturais ou industriais de modo a orientar os investimentos dos órgãos
públicos.

3. Referencial Teórico

Santos et al., 2017 afirmam que um engenheiro é, antes de mais nada, um “resolvedor de
problemas”. Ele tem a capacidade de compreender as condições de contorno de uma situação
problemática e, a partir daí, propor soluções que agreguem valor não só para a organização da
qual faz parte, mas também para a sociedade como um todo.
Morse e Kimball, 1951 destacam que a Pesquisa Operacional (PO) é uma ciência
aplicada que lança mão de todas as técnicas científicas como ferramentas para resolver problemas
específicos, provendo uma base para o tomador de decisão. Como se pode observar, a PO lança
mão da Matemática, mas não é um ramo específico da Matemática. Para Santos et al., 2015, a PO
lança mão de modelos matemáticos e/ou lógicos, a fim de resolver problemas reais, apresentando
um caráter eminentemente multidisciplinar. Daí, buscou-se solucionar o problema apresentado

https://proceedings.science/p/85526
nesse trabalho a partir do arcabouço metodológico da Matemática Nebulosa, particularmente com
a aplicação do Método COPPE-COSENZA.

3.1. Lógica Fuzzy

Segundo Zadeh. 1965, quanto maior a complexibilidade de um sistema, maior é a

eficiência desse sistema em Lógica Fuzzy, em detrimento de outros métodos que não podem ser
modelados a partir de informações imprecisas ou ambíguas. Os modelos baseados em Lógica
Fuzzy não oferecem uma substituição aos modelos baseados na lógica tradicional, ou aos
modelos probabilísticos. De fato, todo conjunto “crisp” (denominação na teoria clássica quando
um dado elemento do domínio pertence ou não pertence ao referido conjunto) está contido em
um Fuzzy, mas não o inverso. A introdução do uso da Lógica Fuzzy permite ao modelo a
utilização simultânea de variáveis qualitativas e quantitativas, sendo capaz de gerar resultados
quantitativos a partir de dados qualitativos [Cosenza 1998]. Na teoria dos conjuntos Fuzzy, os
grupos são rotulados qualitativamente, usando-se variáveis linguísticas no lugar de variáveis
numéricas e os elementos destes conjuntos são caracterizados variando o grau de pertinência
(valor entre 0 e 1 que indica o grau em que um elemento pertence a um conjunto).
A Lógica Fuzzy é uma ferramenta poderosa para a solução de problemas complexos
devido a sua habilidade em inferir conclusões e gerar respostas baseadas em informações vagas,
ambíguas e/ou qualitativamente incompletas e imprecisas. Neste aspecto, os sistemas de base
Fuzzy têm habilidade de raciocinar de forma semelhante ao cérebro humano. Seu comportamento
é representado de maneira muito simples e natural, levando à construção de sistemas
compreensíveis e de fácil manutenção.

3.2. Modelo COPPE-COSENZA

O Modelo Coppe-Cosenza [Cosenza 2003] é um modelo de hierarquia Fuzzy que tem

uma estrutura particular no tratamento do problema de auxílio à decisão, pois contempla a análise
de diversos projetos simultaneamente. O modelo de hierarquia Fuzzy é, de um modo geral, um
modelo de alocação de recursos que avalia o nível de satisfação de um conjunto de
atributos/fatores necessários a um determinado projeto ou solicitados por ele em contraponto a
disponibilidade destes atributos/fatores por diferentes alternativas. O grau de satisfação é medido
através da comparação da importância de cada fator para o projeto e a quantidade e qualidade da
disponibilidade deste fator em cada alternativa. A Lógica Fuzzy foi aplicada no modelo de
hierarquia desenvolvido por Cosenza o qual permite a geração de resultados objetivos a partir de
utilização simultânea de variáveis tanto qualitativas quanto quantitativas. Este modelo, apesar de
desenvolvido originalmente como ferramenta de apoio decisório em problemas de localização
industrial, foi adaptado para a obtenção de um índice de resiliência de modo a hierarquizar
comunidades mais vulneráveis a desastres.

4. Modelo Proposto

Observaram-se as seguintes características para construção do modelo: simplicidade,

aplicação para desastres naturais/industriais, abrangência a nível local, flexibilidade e
hierarquização. Para tal, foram estabelecidas as seguintes variáveis:
- Fatores de Risco (FR): são todos os fatores que contribuem para a probabilidade de
ocorrência e a intensidade dos desastres.
- Nível de Proteção ao Risco (NPR): indica a capacidade da comunidade em se
contrapor ao perigo, sendo associado a cada Fator de Risco.
- Índice de Resiliência Parcial (IRP): indica a capacidade de recuperação parcial da
comunidade a cada FR associado ao NPR.
- Índice de Resiliência da Comunidade (IRC): indica a capacidade total de uma
comunidade retornar ao seu nível aceitável de funcionamento após um desastre. O IRC é a soma

https://proceedings.science/p/85526
de todos os seus IRP. A partir da definição das comunidades a serem analisadas, o modelo vai
depender de um conjunto de informações dado por especialistas que são: a) definição dos Fatores
de Risco (FR); b) relevância desses fatores; c) determinação dos níveis de risco; e d) classificação
dos Fatores de Risco nas comunidades. O diagrama a seguir ilustra as entradas e saídas do
modelo:
Figura 1: Diagrama de inputs/outputs

Fonte: SOUZA (2016)

4.1. Definição dos Fatores de Risco (FR) e Relevância

A definição dos FR é a etapa mais importante do modelo, pois vai determinar a

hierarquização das comunidades com relação aos perigos associados à região em estudo. Consiste
de perguntas sobre a vulnerabilidade da comunidade possuindo características gerais (comuns a
todas as comunidades) e específicas (relacionados ao tipo de perigo presente na comunidade).
Uma excelente base para seleção dos FR é o estudo feito pela UNEP (United Nations
Environment Programme) no Programa APELL (Awareness and Preparedness for Emergencies
at Local Level) [UNEP 2010] e o estudo realizado pelo Centro Universitário de Estudos e
Pesquisas Sobre Desastres da Universidade Federal de Santa Catarina [CEPED 2014]. A tabela 2
lista alguns exemplos de FR gerais e específicos:

Tabela 2: FR gerais e específicos

Fatores de Risco (FR)
FR1 Qual a densidade humana da área em risco?
FR2 Qual o nível sócio-econômico da população?
FR3 Qual o tipo de moradia mais comum da área em risco?
FR4 Qual a percepção do risco da população?
FR5 A comunidade está em uma área costeira?
FR6 Existe um sistema de comunicações para alertar a comunidade?
FR7 Existe procedimento de evacuação e alocação em instalações definidas?
FR8 É a região ou a área a montante sujeita a episódios de chuva intensa?
FR9 A comunidade está em um vale de rio?
FR10 A comunidade está localizada em uma bacia hidrográfica íngreme?
FR11 Existe um plano de emergência que abranja todos os perigos identificados?
Fonte: Adaptado do Manual do APELL (2010)

https://proceedings.science/p/85526
 Os FR1 a FR7 são considerados gerais, enquanto os FR8 a FR11 são FR específicos para
o perigo de inundação. A seleção dos FR são dinâmicas, o que faz com que fatores que outrora
não existiam, como por exemplo, uma fábrica recém inaugurada, seja incluída. Em contrapartida,
uma obra de contenção de encosta concluída pode diminuir a relevância ou excluir determinado
fator. Para uma hierarquização mais realista, as comunidades devem, preferencialmente, estar
dentro da mesma região em estudo, de modo a possuírem características sócio-ambientais
semelhantes. Cada região tem particularidades que podem ser levadas em consideração para a
escolha dos FR, como por exemplo, se a comunidade é dominada pelo crime organizado, o que
dificulta o acesso dos órgãos do estado em obras de infraestrutura. Conforme mencionado, a lista
dos FR possui caráter flexível e dinâmico, podendo ser modificada de uma região para outra ou
ainda atualizada de acordo com a avaliação dos especialistas.
Após a seleção dos FR, os especialistas devem atribuir um grau de relevância para cada
FR. Esta classificação vai contribuir para a hierarquização do modelo. Os graus de relevância
foram atribuídos conforme a seguir:
 1- Crucial (Cr) – afeta gravemente a comunidade.
 2- Condicionante (Co) – produz danos significativos na comunidade.
 3- Pouco Condicionante (PC) – produz danos pouco significativos na comunidade.
 4- Irrelevante (Ir) – não afeta ou produz danos mínimos na comunidade.
A Matriz de Desastres (A) mostra a relevância dos FR para cada um dos perigos
analisados. Tem-se assim: A= [aij]dxf , onde d = perigos relacionados a região de estudo, f = FR e
aij = grau de relevância (1, 2, 3 e 4).
Tabela 3: Matriz de Desastres
FR f1 f2 f3 … fj
Perigos
d1 a11 a12 a13 … a1j
d2 a21 a22 a23 … a2j
d3 a31 a32 a33 … a3j
: : : : : :
di ai1 ai2 ai3 … aij
Fonte: Souza (2016)

4.2. Determinação do Nível de Proteção ao Risco (NPR)

Para cada FR, são estabelecidos parâmetros representados por grandezas numéricas ou
termos lingüísticos indicando qual o NPR da comunidade. Estes requisitos foram estabelecidos
em quatro níveis, levando em consideração a capacidade em se contrapor ao perigo:
 Supera – condição ótima de se contrapor ao perigo
 Atende – condição boa de se contrapor ao perigo
 Insuficiente – condição ruim de se contrapor ao perigo
 Inexistente – condição péssima de se contrapor ao perigo

Estes parâmetros são estabelecidos por especialistas e exemplificados na tabela abaixo:

Tabela 4: Exemplo de parâmetros

FR Unidade Supera Atende Insuficiente Inexistente
2
FR1 hab/km <12 10 ≤ x ≤ 22 22 < x ≤ 30 > 30
FR2 Termo Linguístico ótimo bom ruim péssimo
FR3 Termo Linguístico ótimo bom ruim péssimo
FR4 Termo Linguístico ótimo bom ruim péssimo
FR5 Km >5 2< x <5 2< X <0,5 <0,5
Fonte: Autores (2018)

https://proceedings.science/p/85526
No exemplo da Tabela 4, os termos lingüísticos foram utilizados nos FR em que não se consegue
estabelecer valores ou intervalos numéricos, sendo a forma mais adequada de classificação. A
simples resposta SIM ou NÃO, de maneira “crisp”, não atenderia, por exemplo, o FR4: “Qual a
percepção do risco da população?”.
A Matriz NPR (B) apresenta os NPR a um determinado perigo aos quais se encontram as
comunidades. Tem-se assim: B = [bjk]fxm, onde f = FR, m = comunidades, e bjk = NPR (Supera,
Atende, Insuficiente e Inexistente).
Tabela 5: Matriz NPR
Comunidades m1 m2 m3 … mk
FR
f1 b11 b12 b13 … b1k
f2 b21 b22 b23 … b2k
f3 b31 b32 b33 … b3k
: : : : : :
fj bj1 bj2 bj3 … bjk
Fonte: Souza (2016)

4.3. Matriz de Resiliências

A construção da Matriz de Resiliências se inicia pela definição da regra de solução de

coeficientes Fuzzy onde são confrontados o grau de relevância de cada FR com seu respectivo
NPR de modo a se obter um Índice de Resiliência Parcial (IRP). A Tabela 6 ilustra um exemplo
de regra de solução, sendo n igual ao número de FR.

Tabela 6: Regra de solução Fuzzy

NPR
Supera Atende Insuficiente Inexistente

RELEVÂNCIA
1- Cr 1+4/n 1 1-4/n 0

2- Co 1+3/n 1 1-3/n 1/(n-16)!

3- PC 1+2/n 1 1-2/n 1/(n-17)!

4- Ir 1+1/n 1 1-1/n 1/(n-18)!

Fonte: Souza (2016)

A regra de solução de coeficientes Fuzzy não é fixa, depende do grau de aderência do

modelo à realidade, através de comparação de dados fornecidos por especialistas e do número de
FR. O exemplo apresentado na Tabela 6 só permite valores de n maiores que 18 e, para n maior
que 30, os valores com NPR inexistente vão ser muito próximos a zero. O valor padrão do IRP é
1, podendo ser acrescidos ou penalizados de acordo com o grau de relevância e do NPR, ou seja,
um FR considerado crucial para determinado perigo, em uma comunidade que está no melhor
cenário (supera) terá um IRP maior que outra comunidade que está num pior cenário
(insuficiente). Para exemplificar melhor, veremos a seguir uma tabela com 20 FR (n=20), onde
obtemos o IRP por meio da associação do grau de relevância com o NPR. Ao final temos o IRC
como somatório dos IRP. Este exemplo foi retirado de [Souza 2016], quando foi levantado o IRC
para o perigo de inundação do bairro da Praça da Bandeira.

https://proceedings.science/p/85526
 Tabela 7: IRP e IRC
FR RELEVÂNCIA NPR IRP
FR1 1 Supera 1
FR2 2 Atende 1
FR3 1 Supera 1,2
FR4 2 Atende 1
FR5 1 Insuficiente 0,8
FR6 2 Insuficiente 0,85
FR7 1 Atende 1
FR8 1 Atende 1
FR9 1 Supera 1,2
FR10 1 Supera 1,2
FR11 1 Supera 1,2
FR12 1 Supera 1,2
FR13 1 Inexistente 0
FR14 1 Insuficiente 0,8
FR15 2 Inexistente 0,04
FR16 2 Atende 1
FR17 1 Supera 1,2
FR18 2 Supera 1,15
FR19 1 Atende 1
FR20 1 Supera 1,2
IRC 19,04
Fonte: Souza (2016)

A Matriz de Resiliências (C) é obtida a partir do confronto entre a Matriz de Desastres e

a Matriz NPR, sendo C = [cik]dxm , onde d = perigos relacionados a região de estudo, m =
comunidades, e cik = índice de resiliência da comunidade k ao perigo i, ou seja, o Índice de
Resiliência da Comunidade (IRC). Da matriz de Resiliências, podemos extrair mais duas
definições: D = Índice de Resiliência Total (IRT) da comunidade k a todos os perigos; e M =
Índice de Resiliência Regional (IRR) ao perigo i.

Tabela 8: Matriz de Resiliências

Comunidades m1 m2 m3 … mk M
perigos
d1 c11 c12 c13 … c1k ∑kn=1 c1n
d2 c21 c22 c23 … c2k ∑kn=1 c2n
d3 c31 c32 c33 … c3k ∑kn=1 c3n
: : : : : : :
di ci1 ci2 ci3 … cik ∑kn=1 cin
D ∑in=1 cn1 ∑in=1 cn2 ∑in=1 cn3 … ∑in=1 cnk

Fonte: Souza (2016)

Quanto maior for cik, a comunidade será mais resiliente e menos vulnerável e quanto
menor for cik a comunidade será menos resiliente e mais vulnerável. O modelo vai identificar as
comunidades menos resilientes para que possam ser investidos recursos em infraestrutura, além
de conscientização e treinamentos dos moradores. Assim, observa-se:
- mink {cik} = ci , indica a comunidade mais vulnerável ao perigo i; e
- mini {cik} = ck , indica o perigo ao qual a comunidade k está mais vulnerável.

Em uma região sujeita aos perigos de inundação, deslizamentos de terra e riscos

industriais, suas comunidades terão índices de resiliência para cada tipo de perigo (IRC) e para
todos os perigos em conjunto (IRT), indicando aquele com maior potencial de danos. Ao
somarmos os IRC de cada comunidade a um tipo de perigo, teremos a resiliência regional (IRR).

https://proceedings.science/p/85526
5.0. Análise do Modelo

No exemplo da Tabela 7, podemos observar para quais FR, a comunidade possui NPR
Insuficiente e Inexistente, gerando IRP menores que 1. O objetivo do modelo é identificar quais
os NPR que poderiam ser elevados até pelo menos ao nível “Atende” (IRP =1), de modo a
incrementar o IRC. Note-se que nem todos os IRP menores que 1 poderão ser incrementados,
devido a característica de alguns FR. Por se tratar de uma adaptação do Modelo de Hierarquia
Fuzzy COPPE-COSENZA, o modelo proposto possui a capacidade de hierarquizar as seguintes
questões:
a) Dado um perigo, quais os FR presentes em uma comunidade que deverão ser
prioritariamente mitigados?
b) Dada uma região com várias comunidades, qual destas comunidades é a menos
resiliente a um certo perigo?
c) Dada uma comunidade, quais os perigos em que ela é menos resiliente?
d) Dada uma região, qual a comunidade menos resiliente a todos os perigos
presentes nesta região?
e) Qual a região menos resiliente a um certo perigo?

As ações a serem empreendidas pelos governantes vão obedecer basicamente às

restrições de recursos financeiros e tempo disponível, assim o modelo permite prospectar a
variação do NPR da comunidade ao simular cenários de curto prazo (onde seriam empreendidas
somente ações de baixa complexidade), médio prazo (ações de baixa e média complexidade) e de
longo prazo (empreendidas todas as ações). A classificação da complexidade é diretamente
proporcional ao custo e ao tempo para empreender as ações. Por exemplo, considerou-se que a
elaboração de um plano de emergência, por mais completo que seja, é bem menos complexo que
a construção de reservatórios profundos de água. Outro exemplo seriam as campanhas de
conscientização junto à população sobre os riscos existentes na comunidade. Outras ações de
baixo custo seriam as manutenções preventivas de infraestrutura, o que poderiam reduzir a
intensidade dos desastres e evitariam ações emergenciais que geralmente são de custo elevado.

6. Considerações Finais

Há algum tempo os órgãos internacionais de prevenção e redução de riscos abandonaram

a meta do risco zero, ou seja, devido ao atual quadro de urbanização e ocupação, a única certeza é
quando e onde o próximo desastre ocorrerá. Neste panorama, a meta a ser atingida é o aumento
da resiliência.
O modelo proposto, adaptado do Modelo de Hierarquia Fuzzy COPPE-COSENZA,
permite hierarquizar de forma mais realista e coerente as comunidades expostas a riscos de
desastres, utilizando variáveis qualitativas e quantitativas para se obter o Índice de Resiliência da
Comunidade (IRC). Este índice vai permitir aos gestores públicos a identificação das
comunidades mais necessitadas em investimentos. Simulações de cenários podem ser realizadas e
analisadas quanto ao impacto no IRC, contribuindo para o correto dimensionamento das ações e
de recursos para mitigar os riscos existentes.
A aderência do modelo à realidade pode ser aproximada de acordo com a opinião de
especialistas e o cruzamento de dados geofísicos e de Índice de Desenvolvimento Humano
(IDH), além de outros índices sociais e econômicos.
Para garantir a confiabilidade dos resultados, a opinião dos especialistas é indispensável,
pois são os responsáveis pelos inputs do modelo como a definição dos Fatores de Risco e sua
relevância, bem como o levantamento de parâmetros para atribuição dos Níveis de Proteção ao
Risco. O corpo de especialistas pode ser formado principalmente pelos representantes das
associações de moradores, especialistas em gerenciamento de risco, membros da Defesa Civil,
Corpo de Bombeiros, técnicos e engenheiros de diversos institutos e agências governamentais,

https://proceedings.science/p/85526
pesquisadores de universidades dentre outros, dependendo da região a ser hierarquizada e dos
principais perigos envolvidos.
Uma possibilidade do avanço deste modelo, diz respeito à situação em que os recursos
financeiros são insuficientes para combater integralmente os Fatores de Risco de uma
comunidade. Neste caso, um problema de otimização poderia ser modelado de forma a
maximizar o IRC, tendo como restrição o limite disponível no orçamento destinado à prevenção/
proteção das comunidades aos desastres e preparação contra emergências. Para tal, seria
necessário um conhecimento detalhado do custo relacionado ao aumento do IRP.
A estruturação do modelo torna desejável a elaboração de um software em que basta os
inputs serem fornecidos para que se extraia o resultado. O software facilitaria em muito a
aplicação do modelo proposto como permitiria simular diversas situações em que as condições
ambientais e estruturais de uma comunidade poderiam ser alteradas, além de mostrar o custo total
e otimizado para que a comunidade aumente seu Índice de Resiliência, o que seria de interesse
para a tomada de decisão dos gestores públicos quanto a alocação de investimentos e definição de
políticas habitacionais. O software disponibilizaria ainda, um pacote de simulação visual a fim de
enfatizar os efeitos de um possível desastre.

Referências

Almeida, L. (2009) Desastres Naturais: no Brasil não há gestão de risco. Jornal da Ciência,
SBPC. Disponível em: http://www.jornaldaciencia.org.br. Acessado em 12/10/2014.

Braga, T. M., Oliveira, E. L., Givisiez, G. N.; Avaliação de metodologias de mensuração de risco
e vulnerabilidade social a desastres naturais associados à mudança climática. São Paulo em
Perspectiva, v. 20, n. 1, p. 81-95, jan./mar. 2006.

Brauch , H.G. Treats, challenges, vulnerabilities and risks in environmental and human security.
Bonn: SOURCE (Studies of the University: research, counsel, education)/UNU-EHS, n. 1, 2005.

Cardona, O. D.; Maarten, k.; Birkmann, J., 2012: Determinants of risk: exposure and
vulnerability. In: Managing the Risks of Extreme Events and Disasters to Advance Climate
Change Adaptation. A Special Report of Working Groups I and II of the Intergovernmental Panel
on Climate Change (IPCC). Cambridge University Press, Cambridge, UK, and NewYork, NY,
USA, pp. 65-108. Disponível em:www.ipcc.ch/pdf/specialreports/srex. Acesso em:6 jun. 2015.

Cardona O. D. System of indicators for disaster risk management: main technical report.
Manizales – Washington: Instituto de Estudios Ambientales Universidad Nacional de Colombia /
Inter-American Development Bank, 2005.

Cardona , O.D. The need for rethinking the concepts of vulnerability and risk from a holistic
perspective: a necessary review and criticism for effective risk management. In: Bankoff , G.;
Frerks, G.; Hilhorst, D. (Eds.). Mapping vulnerability:disasters, development, and people.
London: Earthscan Publications, 2004. p. 37-51.

CEPED-UFSC. Relatório de vulnerabilidade dos setores de risco – município de navegantes.

2014.

Cosenza, C., & Toledo, O., Um caso de aplicação da Lógica Fuzzy – o Modelo Coppe-Cosenza
de Hierarquia Fuzzy. XXIII Encontro Nacional de Engenharia de Produção, OuroPreto, Minas
Gerais, Brasil, 2003.

Cosenza, C., Localização Industrial: delineamento de uma metodologia para a hierarquização

das potencialidades regionais, Universidade Federal do Rio de Janeiro.1998.

https://proceedings.science/p/85526
 Dilley, M.R.S.; Chen, B.; Deichm ann , U.; Lerner- Lam, A.; Arnold, M. Natural disaster
hotspots: a global risk analysis. Washington: World Bank Publications, 2005.

EIRD ONU. Estratégia Internacional para a Redução de Desastres das Nações Unidas. Marco de
Ação de Hyogo 2005-2015: Aumento da resiliência das nações e das comunidades frente aos
desastres. Versão resumida. Genebra, Suíça, 2007. Disponível em:
<http://www.mi.gov.br/cidadesresilientes/pdf/mah_ptb_brochura.pdf>. Acesso em: 26 jul. 2013.

Morse, P. M.; Kimball, G. E. Methods of Operations Research. The Technology Press and John
Wiley & Sons Inc. New York. Chapman & Hall. London. 1951.
Nações Unidas. 2009. Terminologia sobre reducción del riesgo de desastres. UNISDR, Ginebra,
Suiza: 38 p.

O’Keefe, P.; Westgate K.; Wisner, B. Taking the naturalness out of natural disasters. Nature, v.
260, p. 566–567, 1976.

Santos, Marcos dos; Ramos, Matheus Falcão; Reis, Marcone Freitas dos; Walker, Rubens
Aguiar. Estratégia de redução do custo de transporte dos centros de distribuição da Marinha do
Brasil a partir de métodos heurísticos. Anais do IX Simpósio de Engenharia de Produção de
Sergipe – SIMPROD. São Cristóvão/SE, 2017. ISSN 2447-0635. DOI:
10.13140/RG.2.2.32792.29444/1

Santos, Marcos dos.; Quintal, R. S.; Paixão, A. C.; Gomes, C. F. S. Simulation of Operation of an
Integrated Information for Emergency Pre-hospital Care in Rio de Janeiro Municipality. Elsevier
- Procedia Computer Science, v. 55, p. 931-938, 2015. DOI: 10.1016/j.procs.2015.07.111.

Silva, D. S, (1998) Os Desastres não são Fatalidades Incontornáveis, Considerações sobre

Planejamento e Gestão de Crises em Vales a jusante de Barragens. Em: Santos, M. A.; Silva, D.
S. (Orgs.) Risco e Gestão de Crises em Vales a Jusante de Barragens. LNEC/IST, Lisboa,
Portugal.

Soriano, E. Os desastres naturais, a cultura de segurança e a gestão de desastres no Brasil. V

Seminário Internacional de Defesa Civil - DEFENCIL São Paulo – 18, 19 e 20 de Novembro de
2009.

Souza, P.R.J.; Modelo para identificar e hierarquizar comunidades expostas a riscos de desastres.
Tese de doutorado. Rio de Janeiro (RJ). Programa de Pós-graduação em Engenharia de Produção.
COPPE-UFRJ. 2016.

United Nations Environment Programme (UNEP). Assessing the vulnerability of local

communities to disasters: an interactive guide and methodology – Community Risk Profile Tool.
CRP mannual. 2010. http://www.unep.fr/shared/publications.

Zadeh, L., Fuzzy Sets - Information and Control, pp. 338-352, 1965.

https://proceedings.science/p/85526
Powered by TCPDF (www.tcpdf.org)