🤖 AI

Can Poverty Be Reduced by Acting on Discrimination? An Agent-based Model for Policy Making

Este artigo apresenta o Modelo Baseado em Agentes de Aporofobia (AABM), que utiliza dados do mundo real de Barcelona para demonstrar computacionalmente que a discriminação contra os pobres (aporofobia) exacerba a desigualdade de riqueza, defendendo, assim, mudanças de políticas que abordem a pobreza como uma questão social enraizada na discriminação, em vez de apenas por meio de medidas redistributivas tradicionais.

Autores originais: Alba Aguilera, Nieves Montes, Georgina Curto, Carles Sierra, Nardine Osman

Publicado 2026-02-06

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Alba Aguilera, Nieves Montes, Georgina Curto, Carles Sierra, Nardine Osman

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine uma cidade digital gigante, onde milhares de pessoas minúsculas, geradas por computador, vivem suas vidas. Isso não é um videogame sobre construir cidades; é uma "bola de cristal" usada por pesquisadores para testar como as leis afetam o bolso das pessoas reais antes que essas leis sejam aplicadas no mundo real.

Aqui está a história desse artigo, dividida em conceitos simples.

O Grande Problema: A "Armadilha da Pobreza"

Por muito tempo, o mundo tentou combater a pobreza simplesmente dando dinheiro às pessoas ou compartilhando a riqueza (como um pai dividindo uma torta). Mas, ultimamente, isso não está funcionando tão rápido quanto costumava funcionar. Os pesquisadores notaram que algo mais poderia estar bloqueando o caminho: a Aporofobia.

Pense na Aporofobia como "pavor da pobreza". É o medo, o desgosto ou a rejeição aos pobres. É como se um bairro decidisse que qualquer pessoa com os bolsos vazios era "má" ou "preguiçosa", e as regras da cidade fossem escritas para puni-las em vez de ajudá-las. O artigo faz uma pergunta simples: Se mudarmos as regras para parar de punir os pobres, a pobreza diminuirá?

A Ferramenta: Um Simulador de Cidade Digital

Para responder a isso, a equipe construiu um Modelo Baseado em Agentes (ABM).

Os Agentes: Estas são as pessoas digitais. Elas não são aleatórias; foram construídas usando dados reais de Barcelona, Espanha. Elas têm empregos, existem pessoas em situação de rua, têm famílias e têm contas para pagar.
O Cérebro: Essas pessoas digitais possuem um "cérebro" baseado na Hierarquia de Necessidades de Maslow. Imagine uma pirâmide. Na base, você precisa de comida e uma cama. Se você não tiver essas coisas, não pode se preocupar com o topo da pirâmide (como fazer arte ou sentir-se respeitado). As pessoas do computador agem para preencher sua "taça vazia" mais urgente primeiro. Se estão com fome, vão ao supermercado. Se não têm casa, procuram abrigo.
As Regras (As Leis): Os pesquisadores programaram a cidade com leis reais de Barcelona. Algumas leis são gentis (Não-Aporofóbicas), como oferecer auxílio-desemprego ou habitação gratuita. Outras são cruéis (Aporofóbicas), como multar pessoas por dormir na rua ou prendê-las se não puderem pagar.

O Experimento: Executando a Simulação

Os pesquisadores rodaram a simulação 64 vezes diferentes. Em algumas execuções, eles ativaram as leis "gentis". Em outras, ativaram as leis "cruéis". Em algumas, ativaram todas ao mesmo tempo.

Eles mediram o resultado usando um Coeficiente de Gini.

Pense nisso como uma "Pontuação de Justiça".
Uma pontuação de 0 significa que todos têm exatamente a mesma quantidade de dinheiro (perfeita igualdade).
Uma pontuação de 1 significa que uma pessoa tem todo o dinheiro e todos os outros não têm nada (desigualdade total).

O Que Eles Descobriram

Os resultados foram como um momento de iluminação para a criação de políticas públicas:

As Leis "Cruéis" Pioram as Coisas: Quando a simulação incluiu leis que puniam os pobres (como multar pessoas em situação de rua por dormirem na rua), a "Pontuação de Justiça" piorou muito. A lacuna entre ricos e pobres aumentou. Foi como tentar apagar um incêndio jogando gasolina nele.
As Leis "Gentis" Ajudam: Quando usaram leis que ofereciam suporte (como cheques de desemprego ou habitação gratuita), a "Pontuação de Justiça" melhorou. A lacuna entre ricos e pobres diminuiu.
O Impacto Específico: Uma lei específica "gentil" (dar auxílio-desemprego) foi a mais eficaz para impedir que as pessoas atingissem o fundo do poço. Por outro outro lado, uma lei que transformava multas não pagas em tempo de prisão tornou a situação para as pessoas mais pobres significativamente pior, empurrando mais delas para a falência.

A Conclusão

O artigo argumenta que a pobreza não é apenas um problema de "não ter dinheiro suficiente". É também um problema de como a sociedade trata as pessoas que não têm dinheiro.

Se as leis de uma cidade são escritas com medo ou ódio em relação aos pobres (aporofobia), essas leis realmente tornam a pobreza mais difícil de resolver. Mas se as leis forem escritas para apoiar e proteger os vulneráveis, toda a sociedade se torna mais igualitária.

Em resumo: Você não pode consertar um barco com vazamento apenas retirando a água (redistribuindo riqueza); você também tem que parar de dar socos no fundo do barco (leis discriminatórias). Este modelo computacional prova que parar os "socos" ajuda o barco a permanecer flutuando.

Resumo Técnico: A Pobreza Pode Ser Reduzida Agindo sobre a Discriminação? Um Modelo Baseado em Agentes para a Formulação de Políticas

Problema
O artigo aborda a desaceleração nas taxas globais de redução da pobreza, sugerindo que as abordagens redistributivas tradicionais podem estar perdendo eficácia. Os autores postulam que a discriminação contra os pobres, denominada "aporofobia", atua como um impedimento significativo para a mitigação da pobreza. Embora a literatura sugira que a aporofobia torna as políticas de mitigação da pobreza impopulares e difíceis de implementar, há uma carência de evidências empíricas que demonstrem um vínculo causal entre a aporofobia e o aumento da pobreza ou da desigualdade de riqueza. O problema central é a ausência de ferramentas computacionais para avaliar como estruturas jurídicas discriminatórias influenciam a distribuição de riqueza antes que as políticas sejam implementadas.

Metodologia
Os autores propõem o Modelo Baseado em Agentes de Aporofobia (AABM), uma simulação multiagente projetada para evidenciar computacionalmente a correlação entre a aporofobia e a pobreza. O modelo é construído utilizando a biblioteca Python Mesa e integra três componentes distintos:

Perfis de Agentes: Os agentes representam cidadãos com perfis socioeconômicos e demográficos únicos (idade, gênero, status, riqueza, renda, localização) instanciados a partir de dados do mundo real para quatro distritos de Barcelona (Sarrià-Sant Gervasi, Gràcia, Les Corts e Eixample).
Tomada de Decisão Autônoma (Modelo Baseado em Necessidades): Os agentes possuem "livre arbítrio" e tomam decisões baseadas em uma versão modificada do modelo de necessidades de Dignum et al., inspirada na hierarquia de Maslow.
- Necessidades: Os agentes gerenciam "necessidades de deficiência" (fisiológicas, segurança, pertencimento, estima) que decaem ao longo do tempo. As necessidades de crescimento (autorrealização) são excluídas para focar na sobrevivência básica.
- Deliberação: Em cada passo de tempo (iniciando às 17h), os agentes calculam uma pontuação para as ações disponíveis com base na urgência das necessidades não atendidas, na importância das categorias de necessidade e na satisfação esperada de uma ação. Eles selecionam a ação com a maior pontuação.
- Restrições: As ações são limitadas pelo status do agente (ex: apenas agentes empregados podem trabalhar), capacidade financeira e localização física.
Ambiente Regulatório: O modelo incorpora um conjunto de normas legais (políticas) como pré-condições e pós-condições. Estas normas são etiquetadas como Aporofóbicas (Apo) ou Não-Aporofóbicas (Não-Apo) com base na colaboração com ONGs especializadas.
- Exemplos Não-Apo: Benefícios de desemprego, rendimento vital mínimo e provisão de espaço de vida digno para pessoas em situação de rua.
- Exemplos Apo: Multas por dormir na rua ou roubar comida, comutação de multas para prisão e despejo devido à falência.
- A simulação assume a adesão perfeita a estas regras pelos agentes e a implementação impecável pelo sistema, abstraindo o processo legislativo para focar nos efeitos da política.

Configuração Experimental
O estudo utiliza um cenário de "prova de conceito" com $N=100$ agentes simulados ao longo de $T=2880$ passos de tempo (equivalente a 4 meses). Os pesquisadores testaram o conjunto das partes de seis normas específicas ( $2^6 = 64$ combinações). Para cada combinação, 10 execuções foram realizadas para considerar a variabilidade estocástica, resultando em uma amostra de 1.000 agentes por configuração. A métrica primária para avaliação é o coeficiente de Gini, que quantifica a desigualdade de riqueza, juntamente com a proporção de agentes que terminam em um estado de "falência" (riqueza $\le$ 0).

Principais Resultados
Os resultados da simulação fornecem evidência computacional ligando políticas aporofóbicas ao aumento da desigualdade de riqueza:

Efeitos de Normas Individuais: A maioria das normas individuais aumentou o coeficiente de Gini em comparação com uma linha de base sem regras. Apenas a Norma 1 (benefícios de desemprego) diminuiu a desigualdade. A Norma 5 (comutação de multas para prisão) causou o aumento mais significativo na desigualdade (+18,3%).
Efeitos Coletivos (Apo vs. Não-Apo):
- A implementação do subconjunto Não-Apo (Normas 1, 2, 3) reduziu o coeficiente de Gini em 18,8%, levando a uma distribuição mais igualitária. Reduziu significativamente a proporção de agentes em falência (de ~24% para ~7%).
- A implementação do subconjunto Apo (Normas 4, 5, 6) aumentou o coeficiente de Gini em 20,8%, levando a uma maior desigualdade e um aumento acentuado de pessoas em situação de rua e falência (39,3% dos agentes).
Correlação com a Aporofobia: Uma clara correlação positiva foi observada entre a proporção de normas aporofóbicas em um mix de políticas e o coeficiente de Gini resultante. O menor Gini (0,405) foi alcançado com o subconjunto Não-Apo, enquanto o maior (0,600) resultou de um mix contendo 60% de normas aporofóbicas. A Norma 1 foi identificada como um motor crítico para resultados igualitários.

Significância e Alegações
O artigo afirma ser o primeiro a fornecer evidência empírica e computacional da relação entre a aporofobia e o aumento dos níveis de desigualdade de riqueza. Sua significância reside em:

Novidade: Introduz uma nova perspectiva sobre a redução da pobreza ao tratá-la como um problema social influenciado por crenças discriminatórias codificadas na lei, e não apenas como um problema de redistribuição de recursos.
Ferramenta de Política: Demonstra a utilidade da Modelagem Baseada em Agentes como uma ferramenta não invasiva para prever os efeitos sociais de políticas públicas e identificar consequências negativas imprevistas (ex: como multas por situação de rua exacerbam a pobreza).
Contribuição para os ODS: As descobertas apoiam o Objetivo de Desenvolvimento Sustentável da ONU para a erradicação da pobreza, sugerindo que a formulação de políticas eficazes deve abordar a discriminação institucional (aporofobia) juntamente com a redistribuição econômica.

Os autores mantêm um tom modesto, reconhecendo que o modelo é uma "prova de conceito" com limitações, tais como a necessidade de uma população sintética mais robusta e a atual exclusão de indicadores de pobreza multidimensional além da distribuição de riqueza. Eles apresentam este trabalho como uma fundação para uma nova geração de políticas de redução da pobreza que combatam ativamente a discriminação.