Skip navigation
Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufpe.br/handle/123456789/17043

Comparte esta pagina

Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorMOTA, Caroline Maria de Miranda-
dc.contributor.authorGURGEL, André Morais-
dc.date.accessioned2016-06-08T18:37:38Z-
dc.date.available2016-06-08T18:37:38Z-
dc.date.issued2014-08-28-
dc.identifier.urihttps://repositorio.ufpe.br/handle/123456789/17043-
dc.description.abstractA segurança se torna um dos serviços públicos prioritários no contexto brasileiro, já que possui um impacto considerável na percepção de qualidade de vida da população. A tomada de decisão neste contexto é baseada, na maioria das vezes, no conhecimento intuitivo do decisor. Com isto, é importante o desenvolvimento de modelos de apoio à decisão que possam suportar o decisor e trazer diferenciais buscando a melhoria da gestão na segurança pública. Foram desenvolvidos quatro modelos multicritério no intuito de classi car regiões da Cidade do Recife possibilitando assim uma decisão mais condizente a realidade, tal como alocação de recursos e o desenvolvimento de políticas públicas. Os dois primeiros modelos foram desenvolvidos no contexto compensatório utilizando-se do método SMARTS/SMARTER sendo um sem e o outro com ajuste espacial aplicando o diagrama de espalhamento de Moran. O terceiro e o quarto modelo seguem este mesmo padrão aplicando o modelo de sobreclassi cação ELECTRE TRI-B. Em situações de inexistência de in uência espacial utiliza-se modelos sem ajuste espacial. Nos outros casos em que se veri ca in uência espacial utiliza-se de modelos com ajuste espacial. Para isto, aplicou-se os quatro modelos desenvolvidos na Cidade do Recife buscando assim demonstrar sua aplicabilidade ao contexto da segurança pública.pt_BR
dc.description.sponsorshipFACEPEpt_BR
dc.language.isoporpt_BR
dc.publisherUniversidade Federal de Pernambucopt_BR
dc.rightsopenAccesspt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectEngenharia de produçãopt_BR
dc.subjectSegurança públicapt_BR
dc.subjectDecisão multicrítériospt_BR
dc.subjectAnálise especialpt_BR
dc.subjectSIGspt_BR
dc.titleModelos multicritério para apoiar decisões no contexto da segurança públicapt_BR
dc.typedoctoralThesispt_BR
dc.publisher.initialsUFPEpt_BR
dc.publisher.countryBrasilpt_BR
dc.degree.leveldoutoradopt_BR
dc.publisher.programPrograma de Pos Graduacao em Engenharia de Producaopt_BR
dc.description.abstractxPublic security is becoming one of the most important public services in Brazil as it has a major impact on the perception of quality of life for the population. In this context, decision making is, most of the time based, on the intuitive knowledge of the decision maker. Because of this, it is important to develop the decision making models that can support the decision maker to enhance public security management. Four multicriteria analysis models have been developed to categorize regions of the city of Recife, allowing decisions like resources allocation and the development of public policy to be more aligned with reality. The rst two models were developed using the SMARTER method, but only one of them considers spatial statistics and uses Moran's Scatterplot to do so. The third and fourth models follow the same pattern using the ELECTRE TRI-B method. Through the analysis, these models have been veri ed to bring interesting results that are applicable to the public security context, but should be used in di erent situations because spatial statistics don't matter in some cities. Recife has a strong spatial statistics in uence and this allows the application of a model that considers them.pt_BR
Aparece en las colecciones: Teses de Doutorado - Engenharia de Produção

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TeseDeAndreGurgel.pdf7,17 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está protegido por copyright original



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons