A Integrao entre a Anlise de Envoltria de Dados e o Apoio

Multicritrio Deciso: Uma Reviso

Marcela Cecilia Gonzlez-Arayaa, Marcos Pereira Estellita Lins1,a, Luiz Flavio
Autran Monteiro Gomesb
a. Progr. Eng. Produo, COPPE/UFRJ, Caixa Postal 68507, Rio de Janeiro 21945-970, Brazil
b. Depto. Eng. Produo, Univ. Fed. Fluminense, Rua Passo da Ptria, 156, Niteri, Rio de Janeiro
24210-240, Brazil

Resumo
Este artigo contem uma reviso bibliogrfica da integrao que tem-se desenvolvido
nos ltimos anos entre a Anlise de Envoltria de Dados (DEA) e o Apoio Multicritrio
Deciso (MCDA). Um dos problemas principais em DEA a obteno das eficincias relativas
das Unidades de Tomada de Deciso (DMUs). Neste trabalho mostra-se como os mtodos de
apoio multicritrio deciso esto sendo usados, de uma maneira alternativa, para calcular as
eficincias relativas das DMUs, levando em conta a estrutura de preferncias do tomador de
decises, j seja atravs de julgamentos de valor para a determinao de limites aos
multiplicadores de DEA, ou atravs do estabelecimento de metas desejveis para as diferentes
DMUs. Por outro lado, algumas das problemticas bsicas da tomada de deciso esto sendo
abordadas usando a estrutura dos modelos DEA, sendo principalmente estas problemticas as
de seleo (P. ) e de ordenamento (P. ).

Palavras Chaves: Anlise de Envoltria de Dados; Apoio Multicritrio Deciso.

Abstract
This paper presents a survey about the integration developed in the last years between
Data Envelopment Analysis (DEA) and Multiple Criteria Decision Aid (MCDA). One of the
principal problems in DEA is to assess the Decision Making Units (DMUs) relative
efficiencies. This survey shows how Multiple Criteria Decision Aid methods have been used, in
alternative way, to assess these relative efficiencies including preference structure of
stakeholders by value judgements. The value judgements can bring either DEA weights
restrictions or the identification of different targets for each DMU. For the other hand, some
decision making problematiques have been dealt with Data Envelopment Analysis structure,
specifically for the cases of alternatives selection (P. ) and alternatives ranking (P. ).

Keywords: Data Envelopment Analysis; Multiple Criteria Decision Aid.

1. Introduo
A Anlise de Envoltria de Dados (Data Envelopment Analysis, DEA) e o
Apoio Multicritrio Deciso (Multiple Criteria Decision Aid, MCDA) so duas
tcnicas relativamente novas que tm recebido muita ateno na literatura de Pesquisa
Operacional e das Cincias da Gesto (OR/MS). Apesar de que os objetivos de ambas as
reas so diferentes, nos ltimos anos tem surgido uma ampla integrao entre elas.
A Anlise de Envoltria de Dados foi proposta por Charnes et al. [1]. O objetivo
deste mtodo comparar um certo nmero de Unidades Tomadoras de Deciso
(Decision Making Units, DMUs), que realizam tarefas similares e somente se
1

Autor para Correspondncia.

diferenciam nas quantidades de inputs que consomem e nas quantidades de outputs que
produzem. Em geral, o objetivo de DEA no selecionar uma DMU, seno identificar
as DMUs que de alguma maneira no esto sendo eficientes e determinar onde surgem
as ineficincias. DEA tambm apresenta uma estimativa da funo de produo, isto ,
uma funo que relaciona as combinaes de quantidades de outputs que possvel
produzir a partir de uma combinao dada de quantidades de inputs. A funo de
produo d um benchmark pelo qual todas as DMUs podem ser comparadas e,
consequentemente, uma base para associar uma medida de ineficincia a cada DMU.
Por outro lado, MCDA se ocupa de apoiar a soluo das problemticas de
deciso. Em MCDA assumido que existe um certo nmero de alternativas ou aes
entre as quais o tomador de decises deve decidir. Cada alternativa descrita atravs de
seu desempenho em um certo nmero de critrios, atributos ou objetivos. A avaliao
das alternativas deve-se enquadrar no mbito de uma problemtica de apoio deciso.
Segundo Roy e Bouyssou [2] as problemticas bsicas de apoio deciso so as
seguintes:
Problemtica P. (seleo): o objetivo consiste em esclarecer a deciso pela escolha
de um subconjunto, to restrito quanto possvel, tendo em vista a escolha final de
uma nica ao. Esse subconjunto conter as melhores alternativas (optimums) ou as
alternativas satisfatrias (satisfecum). O resultado do processo ser uma escolha ou
um procedimento de seleo.
Problemtica P. (triagem): o objetivo esclarecer a deciso por uma triagem
resultante de uma alocao de cada alternativa a uma categoria ou classe. As
categorias so definidas a priori a partir de normas aplicveis ao conjunto de
alternativas. O resultado do processo ser uma triagem ou um procedimento de
alocao.
Problemtica P. (ordenao): o objetivo esclarecer a deciso por um arranjo
obtido reagrupando-se todas ou parte (as mais satisfatrias) das alternativas em
classes de equivalncia, estas classes sendo ordenadas de modo completo ou parcial,
conforme s preferncias. O resultado do processo de deciso ser uma arranjo ou
um procedimento de classificao.
Problemtica P. (descrio): o objetivo consiste em esclarecer a deciso por uma
descrio, em uma linguagem apropriada, das alternativas e de suas conseqncias.
O resultado do processo ser uma descrio ou um procedimento cognitivo.
Bana e Costa [3] props um enriquecimento desta classificao, mas, para os
fins deste artigo o grau de detalhe da classificao de Roy e Bouyssou [2] suficiente.
Como pode-se observar, a incorporao de julgamentos de valor dos agentes
decisores seja tal vez a principal diferena entre os modelos MCDA e os modelos DEA.
MCDA lida com o problema de elucidar, de forma coerente, os julgamentos de valor
humanos e, assim, poder guiar ao tomador de decises a uma deciso coerente. A nfase
nesta rea dada na escolha de um curso de ao especfico. DEA, pelo contrrio, tende
a evitar os julgamentos de valor, procurando extrair o mximo de informao a partir
dos dados, considerados como uma base objetiva para a anlise. A literatura de DEA
coloca nfase na determinao da eficincia das DMUs, sem se preocupar muito com
decises especficas (por exemplo, a escolha de uma DMU ou o ordenamento das
DMUs em funo da pontuao de eficincia delas).
Apesar de que DEA e MCDA possuem fins diferentes, a diferena entre estas
abordagens resulta difusa em muitas aplicaes publicadas, tanto de DEA quanto de
MCDA. Os primeiros em discutir as semelhanas nas aplicaes de ambas as

abordagens foram Doyle e Green [4]. Eles reclamaram do fato que na reviso das
principais vertentes de Tomada de Deciso Multicritrio (Multi-Criteria Decision
Making, MCDM)2 levantada por Stewart [6], este ltimo no incluiu DEA como uma
ferramenta de MCDM. Stewart [7], respondendo s crticas de Doyle e Green [4],
afirmou que DEA s serve como ferramenta de MCDA quando os critrios podem ser
divididos facilmente em custos e benefcios, pudendo serem associados a inputs e
outputs, respectivamente. Segundo ele, em muitos casos a classificao dos critrios em
inputs e outputs apresenta srias dificuldades. Portanto, as formulaes de DEA e
MCDA s coincidem quando os inputs e outputs podem ser vistos como critrios ou
atributos para avaliar DMUs, com a minimizao dos inputs e/ou a maximizao dos
outputs como objetivos associados. Esta analogia foi apresentada claramente por Belton
e Vickers [8, 9].
As relaes entre DEA e MCDA tm sido discutidas a partir de vrios pontos de
vista e por diversos autores. Belton e Vickers [9] e Stewart [10] apresentaram as
primeiras eqivalncias entre os modelos bsicos de DEA e uma funo de valor linear
multiatributo clssica, isto , uma funo linear aditiva. Desde um ponto de vista
terico, Belton e Stewart [11] mostraram o fato que DEA efetivamente utiliza uma
abordagem de somas ponderadas, porm no existe nenhum conhecimento das
limitaes da independncia preferencial inerente ao mtodo da funo linear aditiva.
Bouyssou [12] pesquisou a utilidade de DEA como uma ferramenta de MCDM.
Indo alm da formulao de programao linear, Joro et al. [13] usaram uma
funo escalarizante de logros (Wierzbicki [14]) para provar uma correspondncia mais
completa entre DEA e Programao Linear Multiobjetivo (MOLP), uma das reas de
MCDA. A abordagem MOLP escolhida completa e construtiva, no sentido que todas
as solues eficientes podem ser geradas pelo mtodo e existe um algoritmo construtivo
para atingir qualquer fronteira. Agrell e Tind [15] solidificaram os limites entre os
modelos DEA para a anlise de eficincia e os modelos de Programao Multiobjetivo,
para os casos linear e no linear. Usando as propriedades de uma relaxao Lagrangeana
parcial, eles apresentaram uma correspondncia entre os modelos CCR (retornos
constante de escala) e BCC (retornos variveis de escala) e os modelos de envoltria
descartvel livre (Free Disposable Hull, FDH), em DEA e em MCDM.
Alm dos estudos que comparam os modelos DEA e os modelos MCDA, surgiu
uma outra linha de estudos que se ocupa de integrar as metodologias de DEA e MCDA.
A motivao da integrao dos mtodos de MCDA a DEA se deve a que, quando um
tomador de decises avalia um conjunto de DMUs, geralmente ele quer analisar as
melhores prticas para melhorar o desempenho das DMUs ineficientes, alocar os
recursos existentes ou colocar recursos adicionais s DMUs e, as vezes, premiar de
alguma forma as DMUs eficientes. A maioria das vezes, o tomador de decises possui
preferncias em relao aos inputs e outputs. Em tal situao, uma DMU que fosse
superior na produo de um output marginalmente importante deveria ser considerada
eficiente, inclusive se ela se desempenhasse pobremente em relao a todos os outros
outputs. Porm, no modelo tradicional de DEA, a priori, nenhum input ou output mais
importante que outro. Portanto, a pontuao de eficincia do modelo DEA original no
necessariamente um bom indicador do desempenho. Dado que o modelo DEA
tradicional surgiu totalmente livre de julgamentos de valor, tm sido desenvolvidos
2

Existem diferenas nos conceitos de Apoio Multicritrio a Deciso (MCDA) e Tomada de Deciso
Multicritrio (MCDM), mas neste artigo sero considerados conceitos eqivalentes. Uma discusso sobre
o tema pode ser encontrada em Roy [5].

vrios modelos para incorporar este tipo de informaes de preferncia. Halme et al.
[16] dividiram este tipo de modelos em duas categorias:
1. Modelos DEA que usam a informao de preferncia para produzir eficincias mais
significativas.
2. Modelos DEA que usam as informaes de preferncia para estabelecer objetivos
(targets) s DMUs ineficientes.
Na seo 2 ser comentada a primeira categoria de modelos DEA, onde existem
vrias maneiras de introduzir a informao das preferncias dos agentes decisores
atravs de julgamentos de valor, buscando determinar limites aos multiplicadores de
DEA. Na seo 3 apresentada a segunda categoria de modelos DEA. Ao igual que na
categoria anterior, existem diferentes formas de incorporar informao referente a
estrutura de preferncias do tomador de decises nas formulaes de DEA, atravs do
estabelecimento de objetivos desejveis para as diferentes DMUs. Na seo 4 so
comentados alguns modelos de MCDA que se baseiam na estrutura dos modelos DEA
para resolver problemticas da tomada de deciso, sendo principalmente estas
problemticas as de seleo (P. ) e de ordenamento (P. ). Na seo 5 so apresentadas
as concluses.

2. Julgamentos de Valor e Restries aos Pesos em Modelos DEA

Muitas das aplicaes de DEA, para se aproximar de uma maneira mais fiel
realidade, isto , quando existem preferncias entre os inputs e/ou outputs por parte dos
agentes decisores, buscaram a forma de incorporar estes julgamentos de valor atravs de
restries aos pesos (ou multiplicadores) associados aos inputs e aos outputs das DMUs.
Atualmente, as restries aos pesos baseadas em julgamentos de valor cobrem uma
grande parte da literatura de pesquisas sobre DEA.
Os julgamentos de valor se referem a crenas ou experincias dos agentes
decisores. O desejo de incorporar estes julgamentos de valor se deve necessidade de
incorporar uma viso ou informao prvia relacionada ao clculo da eficincia das
DMUs. Esta informao a priori pode ser incorporada atravs de vrias formas
diferentes, obtendo-se diferentes implicaes no clculo da eficincia relativa das
DMUs. Allen et al. [17] fizeram uma completa reviso da evoluo da metodologia de
incorporao de julgamentos de valor atravs de restries aos pesos.
No contexto de MCDA, existe muita literatura a favor (por exemplo, Al-Kloub
et al. [18]) e em contra (por exemplo, Korhonen e Wallenius [19] e Wierzbicki [20]) do
uso de pesos como uma forma de representar a estrutura de preferncias do tomador de
decises. Isto se deve dificuldade de serem obtidos, j que a definio de pesos no
precisa e tambm no so precisos os valores dados pelos agentes decisores. Os pesos
no possuem um claro significado econmico, porm eles influenciam fortemente nos
resultados da anlise (Mareschal [21]).
Em DEA, os pesos representam um sistema de valor relativo para cada DMU,
que entrega a pontuao mais alta possvel para a DMU sob anlise, mantendo-se a
viabilidade das demais DMUs, no sentido em que nenhuma DMU ultrapassar o limite
superior de eficincia especificado pelo usurio.
DEA, em sua forma mais pura (Charnes et al. [1]), permite total liberdade em
relao s preferncias que possam ter os agentes decisores, na seleo dos pesos que
daro a mxima pontuao de eficincia vivel a uma DMU, segundo seus nveis de
inputs e outputs. Esta liberdade na seleo dos multiplicadores importante na
identificao das DMUs ineficientes, isto , aquelas DMUs que apresentam um baixo

desempenho, inclusive luz de seu prprio conjunto de multiplicadores. Porm, os

pesos estimados por DEA podem ser inconsistentes com o conhecimento a priori ou
vises aceitas que se tm em relao aos valores relativos dos inputs e outputs. Por esta
causa, a evoluo para incorporar julgamentos de valor no clculo das eficincias surgiu
como um subproduto natural das aplicaes de DEA na vida real.
O conceito julgamentos de valor no possui uma definio formal no contexto
de DEA, por esta razo, os julgamentos de valor so considerados como construes
lgicas, incorporadas dentro de um estudo de clculo de eficincia, que refletem as
preferncias do tomador de deciso no processo de estabelecimento da eficincia.
Contudo, julgamentos de valor so realizados implicitamente na escolha das variveis
de inputs e outputs que so usadas nos modelos DEA.
O tipo de julgamento de valor considerado na anlise afetar a seleo dos
multiplicadores timos dos inputs e dos outputs usados no clculo da eficincia de uma
DMU. Os tipos de julgamentos de valor identificados por Allen et al. [17] so
mostrados a seguir.
Julgamentos para identificar vises prvias em relao a inputs e outputs
individuais:
Dyson e Thanassoulis [22] impuseram restries flexibilidade dos pesos, para
incorporar as percepes do pessoal da alta gerncia em relao importncia relativa
dos inputs e outputs usados.
Julgamentos para relacionar os valores de alguns inputs e/ou outputs:
Thanassoulis et al. [23] calcularam a eficincia das unidades de atendimento
perinatal no Reino Unido. Eles determinaram que os bebs com risco (input) tinham o
mesmo peso que o nmero de sobreviventes (output). A varivel includa no clculo
foi o coeficiente entre o nmero de sobreviventes e os bebs com risco. A abordagem
adotada permite que a importncia desta taxa mude, mas no a importncia de seus
componentes individualmente.
Beasley [24] calculou o desempenho dos departamentos de uma universidade no
Reino Unido. Ele argumentou que se a universidade possui nfase em estudos de psgraduao, este ponto deve ser considerado no clculo do desempenho.
Julgamentos para incorporar vises prvias das DMUs eficientes e ineficientes:
No clculo da eficincia, os administradores geralmente possuem percepes
prvias tais como que DMUs sob anlise so consideradas com um desempenho bom
ou pobre. Assim por exemplo, Charnes et al. [25], na anlise do desempenho de
bancos nos Estados Unidos, descobriram que o modelo de Charnes et al. [1] identificava
algumas DMUs notoriamente ineficientes, como eficientes. As percepes
administrativas foram incorporadas no clculo da eficincia de maneira tal que fossem
obtidos resultados prximos s percepes tidas a priori. Desta forma surgiu a famlia de
modelos cone-ratio. Nesta anlise, a eficincia dos bancos foi obtida sobre a base dos
valores dos inputs/outputs de trs bancos pr-selecionados, reconhecidos como bancos
com um desempenho muito bom.
Julgamentos para satisfazer as necessidades de eficincia em relao s
noes econmicas da substituio de inputs/outputs:
Na economia, o uso de funes de produo paramtricas conduz a obteno de

taxas marginais de substituio entre inputs e outputs, que so includas no clculo da

eficincia. O coeficiente entre os pesos de um input e de um output obtidos por DEA
permite uma estimativa da taxa marginal de substituio. Porm, estes coeficientes no
podem ser sempre calculados a partir de alguns pesos de inputs e/ou outputs obtidos
pelo modelo de Charnes et al. [1], dado que eles poderiam ter um valor igual a zero.
Portanto, existe um problema conceptual quando, por um lado, se tenta relacionar os
pesos obtidos por DEA com as definies da teoria econmica e, por outro lado,
permitido ter pesos igual a zero para inputs e outputs.
Algumas tentativas para estimar taxas marginais de substituio compatveis
com a teoria econmica podem ser encontradas nos trabalhos desenvolvidos por Bessent
et al. [26] e Olesen e Petersen [27].
Julgamentos para permitir a discriminao entre unidades eficientes:
A anlise realizada por Thompson et al. [28] usando DEA, para apoiar a
localizao de facilidades de fsica nuclear em Texas, se deparou com o problema da
falta de discriminao em DEA. Cinco dos seis possveis locais foram achados
eficientes pelo modelo DEA tradicional. O poder discriminatrio de DEA foi melhorado
atravs da definio de intervalos de aceitao dos pesos, chamados de regio de
segurana, sendo usados posteriormente na seleo do local preferido por DEA.
Como de esperar, a incorporao de julgamentos de valor no clculo da
eficincia atravs de restries aos pesos (ou multiplicadores) levou a inmeras
extenses do modelo de Charnes et al. [1]. No trabalho de Allen et al. [17]
apresentada uma classificao dos mtodos desenvolvidos para incorporar julgamentos
de valor atravs de restries aos pesos. Eles identificaram trs abordagens principais,
sendo elas:
Restries diretas sobre os multiplicadores.
Ajuste dos nveis de input-output observados para a captura de julgamentos de valor.
Restrio de inputs e outputs virtuais.
A descrio terica destas abordagens pode ser vista no artigo de Allen et al.
[17].

3. Estrutura de Preferncias atravs de Objetivos nas Formulaes de

DEA
No modelo DEA tradicional, as DMUs de referncia so unidades hipotticas
que jazem sobre a superfcie eficiente. Elas so vistas como objetivos para as DMUs
ineficientes. Estes objetivos so obtidos projetando radialmente uma DMU ineficiente
at a fronteira eficiente. A argumentao terica de produo para este princpio que a
DMU conserva seu atual mix de inputs e outputs.
Porm, do ponto de vista do gerenciamento, possvel que outras solues, que
se encontram sobre a superfcie eficiente, sejam os objetivos preferidos, isto , existe um
mix de inputs e outputs mais adequado para uma DMU ineficiente que o obtido atravs
da projeo radial dada pelo modelo DEA tradicional. Uma linha de pesquisa em DEA
se concentra em achar os objetivos (targets) mais adequados para as DMUs ineficientes
(Golany [29], Thanassoulis and Dyson [30] e Zhu [31], entre outros). Assim, quando
uma DMU procura chegar eficincia, ela poder usar estes objetivos como metas ou
como DMUs benchmarking. Portanto, todos os modelos mencionados propem
projees no radiais fronteira eficiente.

Na pesquisa de Golany [29] gerado um conjunto de unidades de referncia

hipotticas que apresentado para uma determinada DMU. A DMU deve escolher uma
delas para ser seu objetivo, ou um novo conjunto de unidades de referncias ser gerado.
Thanassoulis e Dyson [30] permitiram que, para qualquer DMU, fosse possvel
articular as preferncias dos agentes decisores atravs de um conjunto de pesos sobre as
melhorias dos diferentes inputs e outputs, ou atravs de um objetivo ideal (no
necessariamente timo ou vivel). Depois de estabelecidos os pesos ou o objetivo ideal
pelo agente decisor, calculado o objetivo (target) correspondente DMU sob anlise.
No modelo desenvolvido por Zhu [31], para uma dada DMU, so articuladas as
preferncias do decisor atravs de pesos. Eles refletem o grau relativo de desejabilidade
do ajuste potencial dos nveis atuais de inputs e outputs da DMU.
No modelo de Golany [29] e no modelo de estrutura de preferncias baseados
nos pesos de Thanassoulis e Dyson [30] s possvel escolher um objetivo entre as
unidades de referncia que dominam s DMUs em considerao. Nestes casos, alguns
dos nveis de outputs (ou inputs) so os melhores possveis, enquanto que nenhum dos
nveis de inputs (ou outputs) pioram. No modelo de Zhu [31] e no modelo do objetivo
ideal de Thanassoulis e Dyson [30] possvel escolher um objetivo que no domina s
DMUs em considerao. Isto quer dizer que, no objetivo escolhido, ou a utilizao de
alguns inputs maior, ou a produo de alguns outputs menor e, desta maneira, o mix
de inputs e outputs deve ser reorganizado para uma extenso muito maior que quando se
escolhe um objetivo que domina s DMUs.
Os modelos recentemente descritos no tm como propsito produzir
pontuaes de eficincia. Eles s apresentam objetivos para as DMUs em considerao.
O modelo apresentado por Halme et al. [16], alm de incorporar a estrutura de
preferncias do tomador de decises, localizando seu vetor input-output preferido (vetor
da soluo mais preferida) na fronteira eficiente, ele entrega uma pontuao da
eficincia da DMU em considerao, chamada de Eficincia de Valor (Value
Efficiency). Para descobrir a soluo mais preferida (MPS) do tomador de decises,
primeiro usado um procedimento de busca interativa baseado em Programao Linear
Multiobjetivo (MOLP), que foi implementado no software VIG e foi chamado de
Pareto Race (Korhonen e Wallenius [32]). De maneira conceptual, uma soluo mais
preferida pode ser definida como o ponto no qual a funo de valor do tomador de
decises atinge o mximo assim que a busca acaba. Usando o conhecimento da soluo
mais preferida (determinada pelo tomador de decises), a funo de valor do tomador de
decises estimada usando cones tangentes soluo mais preferida. Depois desta
estimativa, pode ser determinada a eficincia de cada DMU em relao a estes cones
tangentes. Como resultado desta anlise obtida uma pontuao de eficincia chamada
de Eficincia de Valor, pois a eficincia de cada DMU determinada atravs de uma
superfcie de indiferena, sendo ela uma aproximao de uma funo de valor
implicitamente conhecida a partir da soluo mais preferida.
4. Problemticas de MCDA e Modelos DEA
Tal como j foi apresentado, DEA procura medir a eficincia das DMUs,
permitindo uma classificao das DMUs em dois grupos diferentes; as DMUs eficientes
(que esto na fronteira eficiente) e as DMUs ineficientes. O modelo DEA tem um certo
sucesso na discriminao das DMUs ineficientes, dado que as pontuaes de eficincia
destas DMUs podem servir para fazer uma ordenao da melhor pior DMU. Contudo,
para as DMUs eficientes no existe uma medida clara que permita discriminar entre

elas, pois todas elas possuem a mesma pontuao de eficincia (igual a um). Portanto,
DEA no capaz de fazer uma completa ordenao das DMUs atravs de uma escala
nica.
Existem vrias pesquisas, dentro do contexto DEA, que procuram fazer uma
completa ordenao das DMUs (problemtica ), desde a mais eficiente menos
eficiente. Esta ordenao permite identificar a melhor DMU (problemtica ). Existem
vrias situaes onde o principal interesse do agente decisor consiste em encontrar a
melhor DMU. Por exemplo, no caso em que cada DMU corresponde a um fundo de
investimento, um investidor estar interessado em saber qual o melhor fundo de
investimento. Se de 30 fundos de investimento, 10 so qualificados eficientes pelo
modelo DEA, o investidor no saber em qual destes 10 fundos investir seu capital.
Este e outros casos mostram a necessidade de possuir mecanismos que permitam a
discriminao entre as DMUs.
Uma outra linha de pesquisa busca melhorar os mtodos de ordenao de
alternativas, concebidos no mbito de MCDA, usando a estrutura DEA para obter
avaliaes mais racionais das alternativas.
Cook et al. [33] e Andersen e Petersen [34] desenvolveram procedimentos para
ordenar as DMUs eficientes obtidas pelo modelo DEA.
Cook et al. [33] apresentaram diferentes procedimentos de ordenamento das
DMUs eficientes, concebidos a partir das hipteses de gerncia (decises do usurio)
sobre a importncia relativa dos fatores (inputs/outputs). Essencialmente, eles
abordaram dois casos:
Os fatores so priorizados de acordo opinio da importncia relativa que se tem
deles.
Todos os fatores possuem igual importncia.
Andersen e Petersen [34] apresentaram um procedimento para ordenar DMUs
eficientes, cuja idia bsica consiste em comparar a DMU sob anlise com uma
combinao linear de todas as demais DMUs da amostra, isto , s os dados da DMU
sob avaliao so excludos da amostra de DMUs. Pode acontecer que uma DMU
eficiente ainda possa incrementar proporcionalmente seu vetor de inputs, mantendo-se
constante a eficincia dela. Neste caso, a DMU que est sendo estudada obter uma
pontuao de eficincia maior a um. Esta pontuao reflete a distncia radial da DMU
sob avaliao fronteira de produo estimada sem os dados dela, isto , representa o
incremento proporcional mximo dos inputs preservando-se a eficincia.
Cook e Kress [35, 36] propuseram uma ordenao de preferncias ordinal
subjetiva das alternativas, no mbito MCDA, baseada na estrutura de DEA.
Cook e Kress [35] apresentaram um modelo geral para agregar votos de uma
eleio, onde cada votante entrega uma lista completa estritamente ordenada de todos os
candidatos (ou alternativas ou DMUs). A partir deste modelo se obtm uma medida
global justa de cada candidato, correspondendo a uma avaliao agregada de todas
posies que obteve cada candidato na votao. Assim, a estrutura DEA usada para
combinar, de maneira racional, os votos das j-simas posies, com j = 1, 2, ..., k,
obtidos por cada candidato.
Cook e Kress [36] elaboraram um modelo, construdo sobre os princpios dos
mtodos de DEA, para avaliar um conjunto de alternativas sobre a base de MCDA.
Porm as informaes obtidas para avaliao das alternativas so ordinais (dados que
indicam posio ou ordenamento), em lugar de cardinais (dados que permitem
comparaes de distncia). O modelo aborda trs nveis de preferncias ordinais:

preferncia das alternativas em relao de cada critrio; preferncia entre os critrios

(importncia relativa do critrio); e preferncia entre os critrios, no sentido de que o
usurio consegue expressar claramente a prioridade relativa das alternativas sobre a base
de um determinado critrio (claridade do critrio). Uma extenso deste modelo foi
apresentada por Cook et al. [37]. O modelo se estende na situao onde cada alternativa
s pode ser avaliada por um subconjunto dos critrios.
Cook e Kress [35, 36] desenvolveram pesos comuns para as DMUs, atravs de
uma srie de corridas de DEA com restrio aos pesos, diminuindo o gap entre os
limites superior e inferior dos pesos. Estes limites superior e inferior foram
determinados de maneira subjetiva. O limite superior se relaciona com a regio de
segurana (AR) (Thompson et al. [28])..
Norman e Stoker [38] sugeriram uma abordagem stepwise para ordenar as
DMUs, usando a soma de um coeficiente simples entre pares de inputs e outputs.
Cooper e Tone [39] ordenaram as DMUs de acordo com a medida escalar de
ineficincia de DEA baseada nas variveis de folga. Esta medida s permite ordenar as
DMUs ineficientes.
Sinuany-Stern et al. [40] introduziram vrias abordagens para ordenar DMUs
dentro do contexto DEA, incluindo a anlise de discriminante em duas etapas. Na
primeira etapa, DEA distingue entre as DMUs eficientes e ineficientes. Na segunda
etapa, dados estes dois conjuntos, a anlise de discriminante entrega uma funo de
pontuao obtida a partir de uma combinao linear de todas as variveis (inputs e
outputs) que permitiram classificar a cada DMU. Contudo, nesta etapa no existe
nenhuma distino entre inputs e outputs, nem feita nenhuma considerao dos
coeficientes entre os outputs ponderados e os inputs. Este modelo foi usado para ordenar
departamentos acadmicos.
A matriz de eficincias cruzadas, obtida a partir de DEA, tem sido usada de
diversas maneiras para ordenar as DMUs. Isto pode ser visto, por exemplo, nos
trabalhos de Sexton [41], Silkman e Hogan [42], Doyle e Green [4, 43] e Green et al.
[44].
Friedman e Sinuany-Stern [45] apresentaram um modelo de ordenao
combinado, baseado em trs mtodos de ordenao elaborados dentro contexto DEA.
Dois dos mtodos se baseiam na anlise estatstica multivariada. Estes dois mtodos
so: a anlise de correlao cannica (CCA) (Sengupta [46]) e anlise discriminante de
coeficientes (DR/DEA) (Sinuany-Stern e Friedman [47]). Enquanto que o terceiro
mtodo se baseia na matriz de eficincias cruzadas (CE/DEA) derivada de DEA
(Silkman e Hogan [42]). A vantagem deste mtodo de ordenao combinado que ele
incorpora totalmente os trs mtodos, portanto, apresenta todas as vantagens deles.
Friedman e Sinuany-Stern [45] testaram seu modelo com os dados de uma cadeia
industrial de 72 DMUs.
5. Concluses
Este artigo faz uma reviso dos pontos onde existe, ou factvel que exista,
integrao entre as metodologias de DEA e MCDA, sem entrar em grandes detalhes nos
modelos apresentados.
Tal como pode ser visto, a integrao possvel entre DEA e MCDA grande.
Por um lado DEA busca extrair o mximo de informao de dados tidos como uma
fonte objetiva, sem precisar fazer julgamentos de valor para avaliar DMUs. Por outro
lado, MCDA tenta elucidar, entender e administrar os julgamentos de valor humanos,

para decidir sobre o curso de ao a tomar. Contudo, muitas vezes ambas as abordagens
precisam das tcnicas desenvolvidas dentro do mbito da outra. Muitos estudos na rea
de DEA esto precisando incorporar julgamentos de valor para melhorar a avaliao das
DMUs. De maneira similar, vrias pesquisas realizadas dentro do contexto MCDA esto
procurando integrar a informao subjetiva dada pelo tomador de deciso com
informao objetiva, obtida atravs de modelos matemticos. Portanto, nestes casos
onde DEA e MCDA podem-se integrar e complementar, aprendendo muito entre si.
Esta reviso no consegue ser exaustiva, existindo outras linhas de pesquisa
onde tambm existe uma integrao entre as tcnicas de DEA e MCDA. Por exemplo,
Li e Reeves [48] desenvolveram um modelo de programao linear multiobjetivo
(MOLP) para avaliar a eficincia de cada DMU, onde o objetivo de DEA (minimizar a
distncia fronteira eficiente) est includo dentro dos objetivos do modelo. Os outros
dois objetivos considerados na modelagem foram: a minimizao da distncia mxima
fronteira eficiente das restantes DMUs e a minimizao do somatrio das distncias
fronteira eficiente de todas as DMUs. Este modelo foi desenvolvido para melhorar o
poder discriminatrio de DEA e para conseguir multiplicadores melhor distribudos,
tentando evitar ter como resultado multiplicadores com valor igual a zero. Os autores
chamaram este modelo de Anlise de Envoltria de Dados Multicritrio (MCDEA).
Uma outra linha de integrao entre as abordagens DEA e MCDA corresponde
aos trabalhos desenvolvidos por Cook et al. [49, 50]. Eles apresentaram um modelo no
contexto DEA que permite trabalhar com fatores cardinais (quantitativos) e ordinais
(qualitativos), isto , os inputs e outputs do modelo podem ser tanto quantitativos
quanto qualitativos. Eles usaram seu modelo para avaliar projetos de pesquisa e
desenvolvimento em uma corporao pblica.
Finalmente, existem inmeras pesquisas que esto surgindo da integrao das
reas de DEA e Programao por Metas (Goal Programming), uma vertente de MCDM.
Athanassopulos [51] e Post e Spronk [52] desenvolveram modelos sob este tipo de
abordagem.
Desta reviso pode-se observar que a integrao entre DEA e MCDA vem
crescendo rapidamente nos ltimos anos e est longe de ser exaustiva. Muitas linhas de
pesquisas esto surgindo desta integrao, o que tem-se refletido na incluso destas
linhas nos congressos de Pesquisa Operacional. Portanto, os pesquisadores de DEA e
MCDA precisam prestar ateno aos novos temas surgidos desta parceria, j que
permitem o aperfeioamento de ambas as abordagens.
Referncias
[1]

Charnes, A. , Cooper, W. W., Rhodes, E., Measuring Efficiency of Decision

Making Units, European Journal of Operation Research, 2, pp. 429-444, 1978.

[2]

Roy, B., Bouyssou, D., Aide Multicritre la Dcision: Mthodes et Cas,

Economica, Paris, 1993.

[3]

Bana e Costa, C. A., Problemtica e Metodologia de Estruturao no Apoio

Multicritrio Desio, 6o Congresso da APDIO (IO 94), Braga, Portugal, 1994.

[4]

Doyle, J. e Green, R., Data Envelopment Analysis and Multiple Criteria Decision
Making, Omega, 21 (6), pp. 713-715, 1993.

[5]

Roy, B. Decision-Aid and Decision-Making, Document No. 51, LAMSADE,

Universit de Paris Dauphine, 1989.

[6]

Stewart, T. J., A Critical Survey on the Status of Multiple Criteria Decision

Making, Omega, 20 (5/6), pp. 569-586, 1992.

[7]
[8]

[9]

Stewart, T. J., Data Envelopment Analysis and Multiple Criteria Decision

Making: A Response, Omega, 22, 2, pp. 205-206, 1994.
Belton, V. e Vickers, S. P., VIDEA: Integrated DEA and MCDA - A Visual
Interactive Approach, in Proceedings of the Tenth International Conference on
Multiple Criteria Decision Making, vol. II, pp. 419-429, 1992.
Belton, V. e Vickers, S. P., Demystifying DEA - A Visual Interactive Approach
Based on Multiple Criteria Analysis, Journal of the Operational Research
Society, 44 (9), pp. 883-896, 1993.

[10] Stewart, T. J., Relationships between Data Envelopment Analysis and

Multicriteria Decision Analysis, Journal of the Operational Research Society,
47, pp. 654-665, 1996.
[11] Belton, V. e Stewart, T. J., DEA and MCDA: Competing or Complementary
Approaches?, Working Paper, University of Strathclyde, Scotland, 1997.
[12] Bouyssou, D., DEA as a Tool for MCDM: Some Remarks, Working Paper,
ESSEC, France, 1997.
[13] Joro, T., Korhonen, P. e Wallenius, J., Structural Comparison of Data
Envelopment Analysis and Multiple Objective Linear Programming,
Management Science, 44 (7), pp. 962-970, 1998.
[14] Wierzbicki, A., The Use of Reference Objectives in Multiobjective
Optimization, in G. Fandel e T. Gal (Eds.), Multiple Objective Decision Making,
Theory and Application, Springer-Verlag, New York, 1980.
[15] Agrell, P. e Tind, J., An Extension of the DEA-MCDM Liaison for the Free
Disposable Hull Model, Working Paper 3, Department of Operations Research,
University of Copenhagen, 1998.
[16] Halme, M., Joro, T., Korhonen, P., Salo, S. e Wallenius, J., A Value Efficiency
Approach to Incorporating Preference Information in Data Envelopment
Analysis, Working Paper W-171, Helsinki School of Economics and Business
Administration, Department of Economics and Management Science, Helsinki,
Finland, 1997.
[17] Allen, R., Athanassopoulos, A., Dyson, R. G. e Thanassoulis, E., Weights
Restrictions and Value Judgements in Data Envelopment Analysis: Evolution,
Development and Future Directions, Annals of Operations Research, 73, pp. 1334, 1997.
[18] Al-Kloub, B., Al-Shemmeri, T. e Pearman, A., The Role of Weights in MultiCriteria Decision Aid, and the Ranking of Water Projects in Jordan, European
Journal of Operational Research, 99, pp. 278-288, 1997.
[19] Korhonen, P. e Wallenius, J., A Careful Look at Efficiency and Utility in
Multiple Criteria Decision Making: A Tutorial, Asia-Pacific Journal of
Operational Research, 6, pp. 42-62, 1989.
[20] Wierzbicki, A., On the Completeness and Constructiveness of Parametric
Characterizations to Vector Optimization Problems, OR Spektrum, 8, pp. 73-87,
1986.
[21] Mareschal, B., Weight Stability Intervals in Multicriteria Decision Aid,

European Journal of Operational Research, 33, pp. 54-64, 1988.

[22] Dyson, R. G. e Thanassoulis, E., Reducing Weight Flexibility in DEA, Journal
of the Operational Research Society, 39, pp. 563-576, 1988.
[23] Thanassoulis, E., Boussofiane, A. Dyson, R. G., Exploring Output Quality
Targets in the Provision of Perinatal Care in England using DEA, European
Journal of the Operational Research, 60, pp. 588-608, 1995.
[24] Beasley, J. E., Comparing University Departments, Omega, 18, pp.171-183,
1990.
[25] Charnes, A., Cooper, W., Huang, Z. e Sun, D., Polyhedral Cone-Ratio DEA
Models with an Illustrative Application to Large Commercial Banks, Journal of
Econometrics, 46, pp. 73-91, 1990.
[26] Bessent, A., Bessent, W., Elam, J. e Clark, T., Efficiency Frontier Determination
by Constraint Facet Analysis, Operation Research, 36, pp. 785-796, 1988.
[27] Olesen, O. e Petersen, N., Collinearity in Data Envelopment Analysis: An
Extended Facet Approach, Working Paper N 1/1991, Department of
Management, Odense University, Denmark, 1991.
[28] Thompson, R. G., Singleton, F., Thrall, R. e Smith, B., Comparative Site
Evaluations for Locating High-Energy Physics Lab in Texas, Interfaces, 16, pp.
35-49, 1986.
[29] Golany, B., An Interactive MOLP Procedure for the Extension of DEA to
Effectiveness Analysis, Journal of the Operational Research Society, 39, pp.
725-734, 1988.
[30] Thanassoulis, E. e Dyson, R. G., Estimating Preferred Target Input-Output
Levels Using Data Envelopment Analysis, European Journal of Operational
Research, 56, pp. 80-97, 1992.
[31] Zhu, J., Data Envelopment Analysis with Preference Structure, Journal of the
Operational Research Society, 47, pp. 136-150, 1996.
[32] Korhonen, P. e Wallenius, J., A Pareto Race, Naval Research Logistics, 35, pp.
615-623, 1988.
[33] Cook, W. D., Kress, M. e Seiford, L. M., Priorization Models for Frontier
Decision Making Units in DEA, European Journal of Operational Research, 59,
pp. 319-323, 1992.
[34] Andersen, P. e Petersen, N. C., A Procedure for Ranking Efficient Units in Data
Envelopment Analysis, Management Science, 39 (10), pp. 1261-1264, 1993.
[35] Cook, W. D. e Kress, M., A Data Envelopment Model for Aggregating
Preference Rankings, Management Science, 36 (11), pp. 1302-1310, 1990.
[36] Cook, W. D. e Kress, M., A Multiple Criteria Decision Model with Ordinal
Preference Data, European Journal of Operational Research, 54, pp. 191-198,
1991.
[37] Cook, W. D., Doyle, J., Green, R. e Kress, M., Multiple Criteria Modelling and
Ordinal Data: Evaluation in Terms of Subsets of Criteria, European Journal of
Operational Research, 98, pp. 602-609, 1997.
[38] Norman, M. e Stoker, B., Data Envelopment Analysis, The Assessment of
Performance, J. Wiley and Sons, 1991.

[39] Cooper, W. W. e Tone, K., Measures of Inefficiency in DEA and Stochastic

Frontier Estimation, European Journal of Operational Research, 99 (1), pp. 7282, 1997.
[40] Sinuany-Stern, Z., Mehrez, A. e Barboy, A., Academic Departments Efficiency
in DEA, Computers and Operations Research, 21 (5), pp. 543-556, 1994.
[41] Sexton, T. R., The Methodology of DEA, in: Measuring Efficiency: An
Assessment of DEA, Ed. R. H. Silkman, Jossey-Bass, San Francisco, pp. 7-29,
1986.
[42] Silkman, R. H. e Hogan, A. J., DEA: Critique and Extensions, in: Measuring
Efficiency: An Assessment of DEA, Ed. R. H. Silkman, Jossey-Bass, San
Francisco, pp. 73-104, 1986.
[43] Doyle, J. e Green, R., Efficiency and Cross-Efficiency in DEA: Derivations,
Meanings and Uses, Journal of the Operational Research Society, 45 (5), pp.
567-578, 1994.
[44] Green, R. H., Doyle, J. R. e Cook, W., Preference Voting and Project Ranking
using DEA and Cross-Evaluation, European Journal of Operational Research,
90, pp. 461-472, 1996.
[45] Friedman, L. e Sinuany-Stern, Z., Combining Ranking Scales and Selecting
Variables in the DEA Context: The Case of Industrial Branches, Computers and
Operations Research, 25 (9), pp. 781-791, 1998.
[46] Sengupta, J. K., Test of Efficiency in Data Envelopment Analysis, Computers
and Operations Research, 17 (2), pp. 123-132, 1990.
[47] Sinuany-Stern, Z. e Friedman, L., DEA and the Discriminant Analysis of Ratios
for Ranking Units, European Journal of Operational Research, 111, pp. 470478, 1998.
[48] Li, Xiao e Reeves, G., A Multiple Criteria Approach to Data Envelopment
Analysis, European Journal of Operational Research, 115, pp. 507-517, 1999.
[49] Cook, W. D., Kress, M. e Seiford, L., On the Use of Ordinal Data in Data
Envelopment Analysis, Journal of the Operational Research Society, 44, pp.
133-140, 1993.
[50] Cook, W. D., Kress, M. e Seiford, L., Data Envelopment Analysis in the
Presence of Both Quantitative and Qualitative Factors, Journal of the
Operational Research Society, 47, pp. 945-953, 1996.
[51] Athanassopoulos, A. D., Goal Programming & Data Envelopment Analysis
(GoDEA) for Target-Based Multi-Level Planning: Allocating Central Grants to
Greek Local Authorities, European Journal of Operational Research, 87, pp.
535-550, 1995.
[52] Post, T. e Spronk, J., Performance Benchmarking using Interactive Data
Envelopment Analysis, European Journal of Operational Research, 115, pp.
472-487, 1999.