Escolar Documentos
Profissional Documentos
Cultura Documentos
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. ).
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. ).
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
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.
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:
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]
[2]
[3]
[4]
Doyle, J. e Green, R., Data Envelopment Analysis and Multiple Criteria Decision
Making, Omega, 21 (6), pp. 713-715, 1993.
[5]
[6]
[9]