Eduardo Ramos Loureiro*
“A ciência das redes é a ciência do mundo real – do mundo das pessoas, amizades, boatos, doenças, modismos, empresas e crises financeiras”. A frase do professor Duncan Watts sintetiza, com precisão, a centralidade que as estruturas de relacionamento assumiram na sociedade contemporânea, marcada pela intensificação dos fluxos informacionais e pela interconexão crescente entre indivíduos, organizações e sistemas institucionais. Nesse ambiente, a compreensão dos fenômenos sociais e econômicos deixa de se apoiar exclusivamente na observação de elementos isolados e passa a depender, de forma cada vez mais decisiva, da análise das relações que os conectam e das estruturas que emergem dessas interdependências.
A Análise de Redes Sociais (ARS) consolida-se, nesse contexto, como um campo teórico e metodológico voltado à representação, mensuração e interpretação dessas estruturas relacionais. Ao modelar Entidades como nós e suas interações como arestas, a ARS desloca o foco analítico dos atributos individuais para a topologia das conexões, permitindo revelar padrões de organização, posições estratégicas e dinâmicas de influência que permanecem ocultos em abordagens estritamente descritivas ou tabulares. Essa perspectiva relacional amplia o alcance da investigação empírica ao tratar os sistemas sociais, econômicos e institucionais como configurações dinâmicas de vínculos, nas quais o comportamento dos agentes é condicionado, em grande medida, pela posição que ocupam na rede.
No plano econômico, essa lógica se manifesta de forma particularmente clara na análise das cadeias de valor, entendidas como redes de atores produtivos, fornecedores, prestadores de serviços, intermediários e consumidores que se articulam na geração e na circulação de riqueza. No âmbito tributário, tais relações assumem a forma de vínculos societários, fluxos de prestação e aquisição de serviços, compartilhamento de estruturas operacionais e trajetórias de circulação de valor, compondo um tecido relacional passível de ser sistematicamente mapeado a partir de dados fiscais. A leitura dessas interações como uma rede, e não apenas como um conjunto de registros isolados, permite compreender como se organizam os fluxos econômicos e como se estruturam os padrões de conformidade e de risco no interior dos sistemas tributários.
A base empírica dessa abordagem é fornecida pelo fenômeno do Big Data, frequentemente caracterizado pelos chamados “5 V”: volume, velocidade, variedade, veracidade e valor. O crescimento exponencial da produção de dados por indivíduos, empresas e governos, aliado à diversidade de fontes e à necessidade de processamento em tempo cada vez mais reduzido, desafia os modelos tradicionais de armazenamento e análise da informação. Nesse cenário, a qualidade e a confiabilidade dos dados tornam-se dimensões críticas, uma vez que a multiplicidade de origens e formatos pode introduzir inconsistências, ruídos e vieses capazes de comprometer a validade das inferências. Mais do que acumular grandes quantidades de registros, o desafio central reside em transformar dados brutos em conhecimento acionável, capaz de orientar decisões estratégicas e políticas públicas baseadas em evidências.
Essa dinâmica, como definida por Loureiro e Mattos (2025), é bem sintetizada pela noção de que dados, quando contextualizados e interpretados, convertem-se em informação, e, quando aplicados a problemas concretos, produzem conhecimento. Sob essa perspectiva, o Big Data deixa de ser apenas um recurso tecnológico e passa a operar como um ativo institucional, cuja governança adequada se torna um diferencial estratégico para organizações públicas e privadas. No campo da ARS, os grandes volumes e a diversidade de dados fornecem a matéria-prima empírica necessária para mapear, quantificar e interpretar interações em múltiplas escalas, permitindo capturar, em tempo quase real, padrões de relacionamento, fluxos de valor e dinâmicas de influência que estruturam os sistemas sociais e econômicos.
As raízes conceituais dessa abordagem remontam à teoria dos grafos, cuja origem é tradicionalmente associada ao trabalho do matemático Leonhard Euler no século XVIII, ao resolver o problema das pontes de Königsberg. Ao representar regiões como vértices e pontes como arestas, Euler demonstrou que situações do mundo real podiam ser abstraídas em estruturas formais de pontos e ligações, inaugurando um campo matemático voltado ao estudo das propriedades das conexões. No século XX, essa base formal foi progressivamente incorporada às ciências sociais, especialmente a partir das contribuições de pesquisadores como Erdős e Rényi, com os modelos de redes aleatórias; Stanley Milgram, com o experimento do “mundo pequeno”; e Mark Granovetter, com a teoria dos laços fortes e fracos. Esses estudos evidenciaram que as redes sociais apresentam propriedades estruturais específicas, como alta conectividade global e a importância dos vínculos intermediários na circulação de informações e oportunidades.
Com o avanço da computação, a partir das décadas de 1970 e 1980, a ARS passou a dispor de ferramentas capazes de lidar com redes cada vez maiores e mais complexas. Nesse período, consolidaram-se métricas voltadas à descrição quantitativa da estrutura das redes, como centralidade, densidade, diâmetro e coeficiente de agrupamento, bem como algoritmos para a identificação de comunidades e de caminhos preferenciais de conexão. A constatação de que as redes reais não se comportam como estruturas puramente aleatórias, mas apresentam padrões recorrentes de aglomeração e hierarquização, abriu espaço para o surgimento da chamada ciência das redes complexas, impulsionada por autores como Watts, Strogatz e Barabási. Esses pesquisadores demonstraram que muitas redes exibem simultaneamente alto grau de clusterização e curtas distâncias médias entre nós, além de distribuições de conectividade assimétricas, nas quais poucos nós, os chamados hubs, concentram grande parte das conexões.
Do ponto de vista técnico, a representação dessas estruturas é realizada por meio de grafos de relacionamento, compostos por nós, que representam as Entidades do sistema, e arestas, que expressam os vínculos entre elas. Esses grafos podem ser direcionados ou não direcionados, valorados ou não valorados, simples ou multirrelacionais, conexos ou desconexos, refletindo diferentes tipos de relações e níveis de complexidade estrutural. A análise topológica dessas configurações permite avaliar propriedades como proximidade, intermediação, centralidade e coesão, oferecendo instrumentos formais para identificar posições estratégicas, padrões de agrupamento e fluxos preferenciais no interior da rede. Contudo, em ambientes caracterizados por alta dimensionalidade, a simples visualização de grafos extensos tende a se tornar pouco informativa, exigindo o emprego de estratégias de filtragem, métricas e algoritmos de navegação que orientem a exploração analítica e evitem o que se convencionou chamar de “visualização inútil”.
A Figura 1 mostra que, mesmo entre Entidades de determinado segmento, a modelagem relacional resulta em grafos com milhares de nós e um número ainda maior de conexões, o que reflete a diversidade de vínculos econômicos, societários, operacionais, entre outros. Nesse contexto de alta complexidade, identificar padrões relevantes, localizar Entidades centrais e reconhecer estruturas como grupos, cadeias de intermediação e fluxos de valor torna-se uma tarefa desafiadora, exigindo o uso de métodos de busca orientada e algoritmos para navegação em grafos.
Figura 1 – Grafo de base aleatória gerada no ContÁgil
Fonte: CTAT
No contexto das Administrações Tributárias no Brasil, essa abordagem ganha relevância particular a partir da consolidação de um paradigma normativo orientado por dados, explicitado pela Lei Complementar 214/2025, ao positivar o cruzamento de dados e o monitoramento fiscal como instrumentos estruturantes da atuação dos fiscos. Ao estabelecer que tais práticas não afastam a espontaneidade do sujeito passivo, o legislador desloca o eixo da fiscalização de um modelo predominantemente repressivo para uma lógica orientada à transparência, à previsibilidade e ao incentivo à autorregularização. Nesse cenário, a produção, o tratamento e a análise sistemática de dados passam a constituir não apenas um meio operacional, mas um fundamento organizacional da governança tributária baseada em evidências.
Essa inflexão normativa é potencializada pela criação do Ambiente de Dados Nacional (ADN) da NFS-e, concebido como um repositório federativo que assegura a integridade, a padronização e a disponibilidade das informações fiscais relativas à prestação de serviços. Ao centralizar e compartilhar documentos fiscais eletrônicos em escala nacional, o sistema viabiliza a construção de uma base empírica densa e conectada, apta a revelar padrões, fluxos e interdependências entre contribuintes, setores econômicos e localidades. O crescimento acelerado do volume de documentos compartilhados, com a maior adesão dos Entes ao ADN, amplia, simultaneamente, as possibilidades analíticas e os desafios técnicos associados ao processamento, à validação e à modelagem dessas informações.
A construção de análises orientadas por ARS nesse ambiente passa por processos estruturados de mineração de dados, que envolvem etapas de extração, estruturação, transformação, carregamento e análise. A partir dos registros fiscais, organizados e integrados em bases consistentes, torna-se possível empregar tanto a visualização tabular tradicional, voltada à identificação de inconsistências formais e desvios de comportamento, quanto a modelagem relacional, que permite mapear as interações entre prestadores e tomadores de serviços como uma rede de relações econômicas. Essa segunda abordagem desloca o foco da simples comparação de valores para a compreensão da topologia das interações, possibilitando identificar cadeias de fornecimento, dependências econômicas, nós centrais e padrões de intermediação que estruturam a economia local.
Ao tratar os fluxos de serviços e de valor como elementos de uma rede, a inteligência fiscal passa a operar com uma leitura sistêmica do comportamento dos agentes, distinguindo posições de consumo final, intermediação e centralidade, bem como identificando clusters de relacionamento que podem sinalizar a existência de grupos econômicos ou arranjos contratuais recorrentes. Essa perspectiva amplia a capacidade de diagnóstico e qualifica a seleção de alvos de fiscalização, ao mesmo tempo em que subsidia a formulação de políticas de conformidade e de desenvolvimento local orientadas por evidências. Assim, a Análise de Redes Sociais, ao articular fundamentos teóricos da ciência das redes, instrumentos técnicos da teoria dos grafos e a infraestrutura informacional proporcionada pelo que podemos chamar de “Big Data Fiscal”, consolida-se como um elemento central na transição das Administrações Tributárias para um modelo de governança baseado em dados, transparência e cooperação.
Referências
BARABÁSI, Albert-László. Linked a nova ciência dos networks: Como tudo está conectado a tudo e o que isso significa para os negócios, relações sociais e ciências. São Paulo: Leopardo Editora, 2009.
BRASIL. Lei Complementar 214, de 16 de janeiro de 2025. Institui o Imposto sobre Bens e Serviços (IBS), a Contribuição Social sobre Bens e Serviços (CBS) e o Imposto Seletivo (IS); cria o Comitê Gestor do IBS e altera a legislação tributária. Diário Oficial da União, Brasília, DF, 16 jan. 2025.
LOUREIRO, Eduardo Ramos; MATTOS, Artur. Da Multa ao Diálogo: Caminhos para uma Administração Tributária Baseada em Dados. ABAM, 2025.
MILGRAM, Stanley. The Small-World Problem. Psychology Today, Vol. 1, N. 1, Maio de 1967, p. 61‐67.
WATTS, Duncan J. Seis Graus de Separação (Six Degrees): A evolução da ciência de redes em uma era conectada. São Paulo: Leopardo Editora, 2003.
* Gerente de Fiscalização e Administração Tributária de Aracruz/ES. Segundo colocado na categoria Solução Fiscal do 28º Prêmio do Tesouro Nacional e duas vezes finalista do Prêmio Inoves. Programador culposo por circunstância, analista de dados por opção.
Eduardo Ramos Loureiro
