Sistemas complicados são aqueles cujos componentes são
conhecidos (apesar de muitos e diversos), suas interconexões também são bem
estabelecidos e por isto seu funcionamento também é conhecido. Portanto, o
resultado é previsível, ou seja, podemos prever o resultado a partir das
entradas. Como exemplos temos um computador, um foguete, um carro. O mau
funcionamento pode ser rastreado e podemos encontrar a causa devido a falha em
alguma componente ou uma conexão mal sucedida. Podemos prever o resultado mas
não o futuro. Ou seja, podemos saber o que pode acontecer caso algum componente
falhe, mas não possamos saber quando um componente irá falhar (Sargu and McGrath, 2011).
Sistemas complexos, por sua vez, podem até ter poucos
componentes, mas as interações não estão bem estabelecidas e, portanto, os
resultados não podem ser previstos. Podemos até modelar os possíveis
resultados, mas não podemos prevê-los a partir das entradas estabelecidas. As
relações podem mudar e por isto são também chamados sistemas vivos ou
dinâmicos. Há decisões complexas e há o livre arbítrio; os componentes podem
decidir entre caminhos possíveis. São exemplos destes sistemas tudo o que
envolve seres vivos (ecossistemas) e principalmente o Homem (sistemas sociais).
As relações econômicas dentro de um país ou entre países são sistemas
complexos. Uma empresa, uma equipe esportiva, uma família e até mesmo um casal (Sargu and McGrath, 2011).
A tecnologia é um sistema complicado. Mas quando inserida na
Sociedade, torna-se parte de um sistema complexo. McLuhan previu (em A Galáxia de Gutenberg)
que a Humanidade não está preparada para entender, prever e muito menos
controlar as mudanças causadas pela tecnologia. Eric McLuhan (filho do mais famoso) diz que as novas
tecnologias, quando entram em funcionamento na sociedade, espalham-se como
vírus.
A Teoria dos Jogos é uma tentativa de tentar prever
resultados em sistemas complexos. Através da análise da combinação de
diferentes estratégias dos jogadores (componentes do sistema que possuem poder
de decisão), pode-se prever os resultados possíveis. A dificuldade está em
prever as decisões que serão tomadas. Se tivéssemos como prever o que as
pessoas farão (como no filme Minority Report), poderíamos saber o resultado
final do jogo. Analisar o histórico pode ser uma alternativa. Se pudermos
encontrar padrões no passado, é possível que se repitam no futuro. Gorr (1999) discute
a perspectiva de analisar dados históricos para entender estratégias e tentar
prever eventos futuros. Maltz e Klosak-Mullany (200) utilizaram a técnica de
sequência de tempo (um tipo de Data Mining) para encontrar padrões estatísticos
no comportamento de jovens delinquentes nos EUA e antever eventos ruins em suas
vidas, para intervir antes que aconteçam.
Os estudos de Steven D. Levitt e Stephen J. Dubner em Freakonomics
sugerem haver relação entre a legalização do aborto e a redução de crimes 20 anos
depois. A teoria não foi provada. Há sim uma correlação estatística entre os 2
eventos, mas não se pode ainda comprovar que o primeiro é causa do segundo. O
perigo de analisar as correlações é que muitas vezes deixamos de fora algumas
variáveis importantes, que influenciam no sistema. Por exemplo, anos atrás os
americanos achavam que o sorvete era causador da pólio, porque os gráficos eram
muito semelhantes; as vendas de sorvete e os casos de pólio cresciam no verão.
Estudos sobre Sabedoria das Massas ou Multidões (Wisdom of
Crowds) também possuem tal pretensão. Observando-se o que a maioria das pessoas
está fazendo, seria possível prever resultados ou entender o que está
acontecendo. Por exemplo, o Google Trends é usado para monitorar epidemias nos
EUA. Quando há muitas pesquisas no Google, vindas de uma mesma região, por palavras-chave
relacionadas a uma determinada doença, isto significa que o número de casos desta
doença está aumentando nesta região. Há um experimento do Google (http://www.google.org/flutrends/br/#BR)
para monitorar casos de gripe. O artigo de Dugas et al. também trata do mesmo
assunto.
A análise de redes
sociais virou uma maneira fácil de observar as multidões. Um artigo de 2011
(Bollen et al.), conseguiu provar a correlação entre o tipo de humor nas
postagens do twitter e o índice Dow Jones da bolsa de valores americana. Outros
artigos provaram ser possível prever receitas de filmes, aumento no número de
turismo e mesmo prever eventos futuros analisando postagens ou buscas (Asur et
al. 2010; Mishne, 2006; Radinsky & Horvitz, 2013; Choi & Varian, 2012).
A grande dúvida é se podemos prever o resultado de inovações
tecnológicas.
Adam Smith acreditava que as inovações surgem do
individualismo e não devem ser controladas para que haja um equilíbrio natural.
Muitos já entenderam que isto não funciona. Schumpeter acreditava que as
inovações eram o principal fator para o desenvolvimento econômico. Daí,
acredita-se que o Estado deva intervir incentivando as inovações. Manuel Castells afirma "... foi o Estado, e não o empreendedor de inovações em
garagens (empréstimos inovadores, como os que deram início ao Vale do Silício
ou aos clones de PCs em Twain)
,
que iniciou a revolução da informação, tanto nos Estados Unidos como em todo o
mundo".
Tanto que Governos tentam direcionar as inovações para
certos setores, seja para aumentar produtividade interna ou melhorar a balança
comercial com mais exportações e menos importações. Então o Governo usa de
subsídios, desoneração de impostos e até mesmo de editais para fomentar
inovação e empreendedorismo através de verbas não reembolsáveis (subvenção
econômica). Mesmo os americanos, defensores do capitalismo e do liberalismo,
intervém nos mercados através do Estado.
O Estado pode tanto inibir o desenvolvimento (China e Rússia
em alguns momentos) como incentivar (Japão e Alemanha pós-guerra e Índia
atualmente). Uma das formas de incentivo é fomentar a produção intelectual
através do apoio à pesquisa. E isto é medido erroneamente pelo número de
artigos científicos publicados ou pelo número de patentes registradas. Só estes
indicadores não são suficientes (papo para outro artigo).
Thomas Malthus criou a teoria de que as populações humanas
crescem em progressão geométrica, enquanto que os meios de subsistência
(produção de alimentos) crescem somente em progressão aritmética. Isto nos
levaria inevitavelmente à fome caso não houvesse um controle imediato da
natalidade. Somente aumentar a produção não seria suficiente. Malthus também
defendia o padrão conhecido como a Lei dos Rendimentos Decrescentes (proposta
pelo economista inglês David Ricardo), também conhecida por Lei das proporções
variáveis ou Lei da produtividade marginal decrescente. Esta lei diz que o
aumento nos fatores de produção nem sempre leva a aumento de produção. Há um
limiar ótimo, depois do qual a produção tende até mesmo a cair.
Outro estudo que desestimula tal perspectiva é o de Steven
D. Levitt e Stephen J. Dubner em Freakonomics. Eles entendem que as pessoas (e
consequentemente as empresas) vivem atrás de incentivos, que podem ser criados
para direcionar comportamentos. Mas os incentivos funcionam por um tempo e para
algumas pessoas (não todas). O problema é que não temos como prever o que
acontecerá depois de um tempo, pois é um sistema complexo. Pessoas tomam
decisões, podem mudar seu comportamento, podem mudar suas relações com outras
pessoas, podem perder o interesse pelos incentivos. É como uma caça ao rato:
dá-se um pedaço de queijo e conseguimos direcionar um pouco o comportamento
dele. Depois de um tempo, ele já entende nossa estratégia e não cai mais na
armadilha.
Eu teria muito mais a falar sobre isto, mas vou deixar para
artigos futuros.
Referências bibliográficas:
BOLLEN, Johan; MAO, Huina; ZENG, Xiao-Jun. Twitter
mood predicts the stock market. Journal of Computational Science, 2(1), March 2011,
1-8.
ASUR, Sitaram; HUBERMAN, Bernardo A. Predicting the
Future with Social Media.
Proceedings WI-IAT '10 IEEE/WIC/ACM International
Conference on Web Intelligence and Intelligent Agent Technology - v.1, 2010, p.
492-499.
CHOI, H.; VARIAN, H. Predicting the Present with
Google Trends. Economic Record, special issue selected Papers from the 40th
Australian Conference of Economists, v. 88, n.1, p.2–9, June 2012.
DUGAS, A.
F. et al. Influenza Forecasting with Google Flu Trends. PLoS One, 8(2), 2013. http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3572967/
GORR, Wilpen
L. et al. Forecasting Crime. 1999.
MALTZ, Michael
D.; KLOSAK-MULLANY, Jacqueline. Visualizing Lives: New Pathways for
Analyzing Life Course Trajectories. Journal of Quantitative Criminology, v.16, n.2,
June 2000, p.255-281.
MISHNE, Gilad. Predicting movie sales from blogger
sentiment. In AAAI Spring Symposium on Computational Approaches to Analysing
Weblogs (AAAI-CAAW) 2006.
RADINSKY, Kira; HORVITZ, Eric. Mining the web to
predict future events. Proceedings WSDM '13 Proceedings of the sixth ACM
international conference on Web search and data mining, 2013, p. 255-264.
SARGUT, Gökçe;
McGRATH, Rita Gunther. Learning to Live with Complexity. Harvard Business
Review, special issue on Complexity, September 2011.
Nenhum comentário:
Postar um comentário