DESAFIOS PARA A EXPANSÃO DO SANEAMENTO EM ÁREAS RURAIS: CARACTERIZAÇÃO DE RURALIDADES POR MEIO DE ALGORITMOS DE APRENDIZADO DE MÁQUINA

Diego Augustus Senna, Luiz Philippe Pereira, Sonaly Rezende

Resumo


As distintas formas de ocupação do território rural brasileiro produzem demandas específicas que devem ser consideradas em políticas públicas. O cenário configurado diante da atualização do Marco Legal do Saneamento, e as incertezas quanto ao atendimento das áreas rurais, reforçam a importância de se reafirmar os modos de vida associados às múltiplas ruralidades. O Programa Nacional de Saneamento Rural (PNSR) definiu uma tipologia de ruralidades para orientar a criação de matrizes tecnológicas para o saneamento. Essa tipologia resultou da agregação de setores censitários do IBGE, vinculando ruralidades específicas a diferenças no atendimento. Neste artigo, algoritmos de clusterização, redes neurais e Random Forests foram aplicados para delinear as ruralidades. Os resultados apontam para notáveis diferenças no alcance do saneamento entre as ruralidades do PNSR, revelando-se aderência dessa divisão às condições encontradas. Este trabalho reforça a importância da análise de dados para a compreensão das desigualdades rurais, auxiliando em tomadas de decisão. 

Palavras-chave


Ruralidades, Saneamento rural, Big Data, Mineração de dados, Aprendizado de máquina, Clusterização, Redes neurais, Random Forests.

Texto completo:

PDF

Referências


ABRAMOVAY, R. Do setor ao território: funções e medidas da ruralidade no desenvolvimento contemporâneo. Rio de Janeiro: Instituto de Pesquisa Econômica Aplicada (IPEA), 2000.

BRASIL. Ministério da Saúde. Portaria no 2.866, de 2 de dezembro de 2011. Brasília, 2011. Recuperado em 6 de setembro, 2022, de https://bvsms.saude.gov.br/bvs/saudelegis/gm/2011/prt2866_02_12_2011.html.

BRASIL. Ministério da Saúde. Fundação Nacional de Saúde. Programa Nacional de Saneamento Rural – PNSR. Brasília: Fundação Nacional de Saúde (Funasa), 2019. Disponível em: http://www.funasa.gov.br/documents/20182/38564/MNL_PNSR_2019.pdf/08d94216-fb09-468e-ac98-afb4ed0483eb. Acesso: 9 de setembro, 2022.

BREIMAN, L. Random forests. Machine Learning, v. 45, p. 5-32, 2001. DOI: https://doi.org/10.1023/A:1010933404324.

CHAMIKARA, M. A. P. et al. Efficient privacy preservation of big data for accurate data mining. Information Sciences, v. 527, p. 420-443, 2020. DOI: https://doi.org/10.1016/j.ins.2019.05.053.

DUCANGE, P.; FAZZOLARI, M.; MARCELLONI, F. An overview of recent distributed algorithms for learning fuzzy models in Big Data classification. Journal of Big Data, v. 7, n. 19, 29 p, 2020. DOI: https://doi.org/10.1186/s40537-020-00298-6.

FAYYAD, U.; SHAPIRO-PIATETSKY, G.; SMYTH, P. From Data Mining to Knowledge Discovery in Databases. AI Magazine, v. 17, n. 3, p. 37-54, 1996. DOI: https://doi.org/10.1609/aimag.v17i3.1230.

FREITAS, E. S. M. Reflexões sobre o conceito de rural e ruralidade para o contexto do Programa Nacional de Saneamento Rural. In: REZENDE, S. (Org.). Aspectos conceituais da ruralidade no Brasil e interfaces com o saneamento básico. Série Subsídios ao PNSR, vol. 1. Brasília: Fundação Nacional de Saúde (Funasa), p. 101-125, 2021. Disponível em: https://repositorio.funasa.gov.br/handle/123456789/670. Acesso: 6 de setembro, 2022.

GALIZONI, F. M. Rural e Ruralidades: Reflexões para o Programa Nacional de Saneamento Rural. In: REZENDE, S. (Org.), Aspectos conceituais da ruralidade no Brasil e interfaces com o saneamento básico. Série Subsídios ao PNSR, vol. 1. Brasília: Fundação Nacional de Saúde (Funasa), p. 9-22, 2021. Disponível em: https://repositorio.funasa.gov.br/handle/123456789/670. Acesso: 6 de setembro, 2022.

GRAZIANO DA SILVA, J. A modernização dolorosa. Rio de Janeiro: Zahar Editores, 1981.

HARVEY, D. Condição pós-moderna. São Paulo: Loyola, 1989.

HOLANDA, S. B. Raízes do Brasil. Rio de Janeiro: José Olympio, 1999 (trabalho original publicado em 1936).

IBGE. Censo Demográfico 2010. Rio de Janeiro: Instituto Brasileiro de Geografia e Estatística, 2011. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/saude/9662-censo-demografico-2010.html?=&t=publicacoes. Acesso: 6 de setembro, 2022.

KAGERMANN, H. et al. (Eds.). Industrie 4.0 in a Global Context: Strategies for Cooperating with International Partners (acatech STUDY). Munique: Herbert Utz Verlag, 2016. Disponível em: https://en.acatech.de/publication/industrie-4-0-in-a-global-context-strategies-for-cooperating-with-international-partners/. Acesso: 14 de setembro, 2022.

KAGEYAMA, A. Desenvolvimento rural no Rio Grande do Sul. In: SCHNEIDER, S. (Org.), A diversidade da agricultura familiar. Porto Alegre: UFRGS Editora, 2006.

KANUNGO, T. et al. An efficient k-means clustering algorithm: Analysis and implementation. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 24, n. 7, p. 881-892, 2002. DOI: https://doi.org/10.1109/TPAMI.2002.1017616.

LANEY, D. 3D Data Management: Controlling Data Volume, Velocity and Variety. Stamford: META Group Res Note, 2001.

LASCHEFSKI, K. Da delimitação territorial do “rural” para um método de localização de grupos alvo do PNSR. In: REZENDE, S. (Org.), Aspectos conceituais da ruralidade no Brasil e interfaces com o saneamento básico. Série Subsídios ao PNSR, vol. 1. Brasília: Fundação Nacional de Saúde (Funasa), p. 23-76, 2021. Disponível em: https://repositorio.funasa.gov.br/handle/123456789/670. Acesso: 6 de setembro, 2022.

LEFBVRE, H. A revolução urbana. Belo Horizonte: UFMG, 1999.

LENZ, J.; WUEST, T.; WESTKÄMPER, E. Holistic approach to machine tool data analytics. Journal of Manufacturing Systems, v. 48, p. 180-191, 2018. DOI: https://doi.org/10.1016/j.jmsy.2018.03.003.

LIEBER, D. et al. Quality Prediction in Interlinked Manufacturing Processes based on Supervised & Unsupervised Machine Learning. Procedia CIRP, v. 7, p. 193-198, 2013. DOI: https://doi.org/10.1016/j.procir.2013.05.033.

MIRANDA, C.; SILVA, H. (Orgs.). Concepções da ruralidade contemporânea: as singularidades brasileiras. Série Desenvolvimento Rural Sustentável, vol. 21. Brasília: Instituto Interamericano de Cooperação para a Agricultura (IICA), 2013. Disponível em: http://repiica.iica.int/DOCS/B3226P/B3226P.PDF. Acesso: 6 de setembro, 2022.

RIGOTTI, J. I. R.; HADAD, R. PNSR – Delimitação das áreas rurais brasileiras. In: REZENDE, S. (Org.), Aspectos conceituais da ruralidade no Brasil e interfaces com o saneamento básico. Série Subsídios ao PNSR, vol. 1. Brasília: Fundação Nacional de Saúde (Funasa), p. 77-100, 2021. Disponível em: https://repositorio.funasa.gov.br/handle/123456789/670. Acesso: 6 de setembro, 2022.

RUBINGER, S. D. Desvendando o conceito de saneamento no Brasil: uma análise da percepção da população e do discurso técnico contemporâneo. Dissertação (Mestrado em Saneamento, Meio Ambiente e Recursos Hídricos). Escola de Engenharia, Universidade Federal de Minas Gerais. Belo Horizonte, 2008.

SCHMIDHUBER, J. Deep learning in neural networks: An overview. Neural Networks, v. 61, p. 85-117, 2015. DOI: https://doi.org/ 10.1109/TPAMI.2002.1017616.

SCHWARCZ, L. M. Sérgio Buarque de Holanda e essa tal de “Cordialidade”. Ide (São Paulo), v. 31, n. 146, p. 83-89, 2008.

VALADARES, A. A. O Gigante invisível: território e população rural para além das convenções oficiais. Brasília: Instituto de Pesquisa Econômica Aplicada (IPEA), 2014. Disponível em: http://repositorio.ipea.gov.br/bitstream/11058/2866/1/TD_1942.pdf. Acesso: 6 de setembro, 2022.

VICTORINO, M. de C. et al. Uma proposta de ecossistema de Big Data para a análise de dados abertos governamentais conectados. Informação e Sociedade, v. 27, n. 1, p. 225-242, 2017. Disponível em: https://periodicos.ufpb.br/ojs/index.php/ies/article/view/29299. Acesso: 6 de setembro, 2022.

WANDERLEY, M. N. B.; FAVARETO, A. A singularidade do rural brasileiro: as implicações para as tipologias territoriais e a elaboração de políticas públicas. In: MIRANDA, C. S.; SILVA, H. (Orgs.). Concepções da ruralidade contemporânea: as singularidades brasileiras. Série Desenvolvimento Rural Sustentável, vol. 21. Brasília: Instituto Interamericano de Cooperação para a Agricultura (IICA), 2013. Disponível em: http://repiica.iica.int/DOCS/B3226P/B3226P.PDF. Acesso: 6 de setembro, 2022.

WEY, W.-M.; HUANG, J.-Y. Urban sustainable transportation planning strategies for livable city’s quality of life. Habitat International, v. 82, p. 9-27, 2018. DOI: https://doi.org/10.1016/j.habitatint.2018.10.002.

WITTEN, I. H. et al. Data Mining: Practical Machine Learning Tools and Techniques (4ª ed.). Morgan Kaufmann, 2017.




DOI: https://doi.org/10.13059/racef.v14i4.1125

Apontamentos

  • Não há apontamentos.


Direitos autorais 2023 Revista de Administração, Contabilidade e Economia da Fundace

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição - Não comercial - Sem derivações 4.0 Internacional.

ISSN: 2178-7638