Comparison between the methodologies MCDA-C, DEA and AHP
Comparativo entre as metodologias MCDA-C, DEA e AHP
R e v . F A E , C u r i t i b a , v. 18, n. 1, p. 6 - 19, jan./jun. 20157
Comparativo entre as metodologias MCDA-C, DEA e AHPComparison between the methodologies MCDA-C, DEA and AHP
Alvaro Luiz Neuenfeldt Júnior1
Caroline Martins Machado2
Julio Cezar Mairesse Siluk3
Marlon Soliman4
Naiara Tatiane Hupfer5
Sabine Ritter de Paris6
ResumoO elevado número de metodologias existentes na literatura científica para apoiar a tomada
de decisão estratégica e avaliar o desempenho organizacional pode levar os decisores a se
deparar com a dificuldade de escolha entre elas. Observando-se na literatura a escassez de
estudos que possam servir como guias na escolha da metodologia mais apropriada para
cada situação, o presente artigo reporta uma comparação realizada entre a Metodologia
Multicritério de Apoio à Decisão Construtivista (MCDA-C), a Análise Envoltória de Dados
(DEA) e a Análise Hierárquica de Processos (AHP), sendo abordado neste texto os critérios
subjetividade, simplicidade, adaptabilidade, aceitação e gerência, estabelecendo-se a
aplicabilidade e apontando as particularidades de cada método à luz destes cinco critérios.
Concluiu-se que a utilização de um determinado método deve ser condizente com a realidade
na qual se está inserido, cabendo ao decisor a racionalidade para a escolha da metodologia,
respeitando os critérios observados.
Palavras-chave: Metodologia Multicritério de Apoio à Decisão Construtivista (MCDA-C).
Análise Envoltória de Dados (DEA). Análise Hierárquica de Processos (AHP). Apoio à
decisão. Avaliação de desempenho.
AbstractThe high number of existing methodologies in the scientific literature to support strategic
decision making and evaluate organizational performance can lead decision makers to face
the difficulty of choosing between them. Observing the scarcity of studies which may serve as
guides in selecting the most appropriate methodology for each situation, this article reports
a comparative trial performed between Multicriteria Decision Aid Constructivist (MCDA-C)
methodology, Data Envelopment Analysis (DEA) and Analytic Hierarchy Process (AHP), being
addressed in this text the subjectivity, simplicity, adaptability, acceptance and management
as performing criteria, establishing the applicability and pointing the particularities of each
method. It was concluded in the end that the use of a particular method should be consistent
with the reality in which it is inserted, being incumbent upon the decision maker the rationality
to choose the methodology, respecting the observed criteria.
Keywords: Multicriteria Decision Aid Constructivist (MCDA-C). Data Envelopment Analysis
(DEA). Analytic Hierarchy Process (AHP). Decision Aid. Performance Assessment.
1 Doutorando em Engenharia Industrial e Gestão pela Universidade do Porto (FAUP/UPORTO).E-mail: [email protected].
2 Graduanda em Engenharia Química pela Universidade Federal de Santa Maria (UFSM).E-mail: [email protected].
3 Doutor em Engenharia de Produção pela Universidade Federal de Santa Catarina (UFSC). Coordenador do Programa de Pós-graduação em Engenharia de Produção da Universidade Federal de Santa Maria (PPGEP/UFSM). E-mail: [email protected].
4 Mestrando em Engenharia de Produção pela Universidade de Santa Maria (PPGEP/UFSM). Pesquisador do Núcleo de Inovação e Competitividade (NIC/UFSM). E-mail: [email protected].
5 Mestranda em Engenharia de Produção pela Universidade Federal de Santa Maria (PPGEP/UFSM). Pesquisadora do Núcleo de Inovação e Competitividade (NIC/UFSM). E-mail: [email protected].
6 Graduada em Arquitetura e Urbanismo pela Universidade Federal de Santa Maria (UFSM).E-mail: [email protected].
8
Introdução
O processo de gerência de uma organização
é, sobretudo, um processo contínuo de tomada
de decisões, pois é uma ação essencialmente
humana, comportamental, e engloba a escolha de
determinadas ações, seja de forma consciente ou
não, entre aquelas que são possíveis para o decisor
e para aqueles sob a influência deste (GOMES;
GOMES, 2012). Para Roy (1996), as decisões são
tomadas quando se opta por fazer ou não algo, ou
ainda quando se escolhe a forma como serão feitas,
seja em uma companhia ou mesmo na família. De
maneira mais enfática, Saaty (2008) sentencia que
tudo o que se faz, de forma consciente ou não, é
resultado de alguma decisão, fruto de julgamentos
prévios com base no conhecimento adquirido.
Sob a ótica do cenário econômico cada vez
mais competitivo, são as decisões tomadas pelo gestor
ou seus delegados que irão impactar diretamente
nos resultados do negócio. É notável, portanto, que o
resultado de uma organização, quando avaliado por
um sistema estruturado de medição de desempenho,
permite verificar se as decisões tomadas aproximaram
ou afastaram a organização dos seus objetivos
estratégicos anteriormente propostos (KAPLAN;
NORTON, 2008).
Olson e Slater (2002), Kaplan e Norton
(2008) e Hill e Jones (2012) corroboram essa
afirmação ao citar que a medição de desempenho
permite conhecer os desvios quantitativos e
qualitativos da organização em relação à estratégia,
subsidiando o processo decisório. Assim, avaliar
o desempenho da organização, para verificar o
impacto das escolhas realizadas, é tão importante
quanto tomar a decisão.
Seguindo esta lógica, estratégia, decisão
e desempenho são indissociáveis. O conceito de
desempenho, que por muitos anos compreendeu
apenas a perspectiva contábil, sofreu modificações
ao longo dos anos quando os gestores entenderam
que o lucro, apesar de ser a premissa vital de uma
empresa, não é a única forma de avaliação de
desempenho (PARMENTER, 2010). Kaplan e Norton
(2008) já percebiam a ocorrência desta mudança
em 1992 e propuseram o Balanced Scorecard, um
sistema de medição de desempenho que integra
quatro perspectivas: financeira, clientes, processos
internos do negócio e aprendizado e crescimento.
Este modelo, que se tornou referência mundial,
permitiu às empresas monitorarem, além dos
resultados financeiros, o progresso dos ativos
intangíveis para o crescimento do negócio
(KAPLAN; NORTON, 2008).
A estratégia que, segundo Porter
(2009), é a criação de uma posição única e
valiosa, envolvendo um conjunto diferente de
atividades, logicamente também passa a englobar
perspectivas que complementam a financeira.
Sendo assim, a tomada de decisão estratégica
ganha maior importância, uma vez que o impacto
causado pela decisão irá se alastrar nas diferentes
perspectivas do negócio. Uma vez tomada a
decisão estratégica, alterá-la irá demandar um
custo extremamente alto, talvez impossível para
muitas empresas (FISCHMANN; ZILBER, 2000;
SHIREY, 2013; ANAND et al., 2013). Logo, a decisão
é uma ação que necessita deixar de ser intuitiva
para passar a ser suportada por uma metodologia.
As escolhas realizadas devem ser confrontadas
com os dados provenientes do diagnóstico do
Sistema de Mensuração de Desempenho (SMD),
para que a estratégia proposta seja atingida.
Dado o exposto, este artigo tem como
objetivo comparar três metodologias consolidadas
para apoiar decisões, que recentemente também
figuram em estudos científicos como bases para
Tudo o que se faz, de
forma consciente ou
não, é resultado de
alguma decisão, fruto de
julgamentos prévios com
base no conhecimento
adquirido.
R e v . F A E , C u r i t i b a , v. 18, n. 1, p. 6 - 19, jan./jun. 20159
a construção de SMDs: a Metodologia Multicritério
de Apoio à Decisão Construtivista (MCDA-C), a
Análise Envoltória de Dados (DEA) e a Análise
Hierárquica de Processo (AHP). O objetivo central
deste trabalho é estabelecer um comparativo
entre elas, sob a luz de critérios considerados
como desejáveis para metodologias de apoio à
decisão e avaliação de desempenho, com base nas
referências bibliográficas consultadas.
A importância deste trabalho é justificada
pela ausência de publicações que contemplem
uma comparação direta entre as metodologias
selecionadas, sendo encontrado com mais
frequência estudos de caso. Diante desse fato,
os usuários dessas metodologias encontram
dificuldades para selecionar a mais adequada
para modelar cada realidade. Dessa forma,
espera-se contribuir com este público ao fornecer
orientações que auxiliem na seleção de um
método em detrimento de outro, além de expandir
o conhecimento científico no tema abordado.
1 Metodologia
Quanto à estrutura predisposta para a
verificação, o trabalho é apresentado sob o cum-
primento de três etapas distintas sequenciais,
conforme mostra a FIG. 1, sendo em um primeiro
momento realizada uma retomada teórica sobre as
metodologias alvos deste estudo, com a finalidade
de familiarizar o leitor com o tema, viabilizada por
meio da exploração de periódicos localizados nos
editoriais Scientific Direct, Emerald e Scopus, além da
utilização do portal de periódicos da Coordenação
de Aperfeiçoamento de Pessoal de Nível Superior
(CAPES), em conjunto com a verificação de livros e
artigos em eventos publicados a respeito dos temas.
Logo em seguida é proposta a comparação
entre as metodologias por meio dos critérios
denominados por subjetividade, simplicidade,
adaptabilidade, aceitação e gerência, esperando-se
ao final apresentar as conclusões encontradas quanto
ao cruzamento destes com os dados bibliográficos.
FIGURA 1 – Metodologia de desenvolvimento da pesquisa
Referencial teórico
MCDA-CSubjetividade
Simplicidade
Adaptabilidade
Aceitação
Gerência
ConclusãoDEA
AHP
Comparativo
Uma vez tomada a
decisão estratégica,
alterá-la irá demandar um
custo extremamente alto,
talvez impossível para
muitas empresas.
FONTE: Os autores (2014)
Em específico para a etapa de comparação,
com base nos pressupostos descritos por Kaplan
e Norton (2008), Saaty (2008) e Porter (2009), o
critério subjetividade se faz importante, uma vez
que a modelagem utilizada no apoio à decisão
e avaliação de desempenho deve traduzir a
realidade de maneira precisa, e por isso é um ponto
de atenção. Já a simplicidade é considerada um
atributo desejável para a construção de um sistema
de medição de desempenho pelos autores citados,
pois permite que este sistema seja compreendido
e utilizado por diversos usuários, com diferentes
níveis de instrução.
10
A adaptabilidade é outro atributo consi-
derado desejável pelos mesmos autores, por
entenderem que a metodologia deve ser de
tal forma adaptável que possa ser utilizada
na modelagem de diferentes organizações.
Por aceitação, entende-se a capacidade da
metodologia em transmitir de forma clara seus
objetivos e soluções para criar sinergia entre os
envolvidos e, por fim, destaca-se como gerência
a habilidade de não apenas apoiar ou tomar
a decisão, mas sim prever e acompanhar os
resultados desta decisão ao longo do tempo.
Após a etapa de comparação, o cruzamento
obtido das informações levantadas pela retomada
teórica serviu como suporte para a conclusão
deste trabalho, conforme será apresentado nas
seções posteriores.
2 Referencial Teórico
Neste capítulo serão apresentados os
métodos MCDA-C, DEA e AHP, com o intuito de
fundamentar as bases teóricas sobre as quais a
comparação entre os métodos foi construída.
2.1 Metodologia Multicritério de Apoio à Decisão Construtivista (MCDA-C)
A Metodologia Multicritério de Apoio à
Decisão Construtivista (MCDA-C) se apresenta
como uma ramificação da MCDA tradicional
(ENSSLIN et al., 2010) e sua origem data da
década de 1990 nos estudos de Roy (1996), Bana
e Costa (1990) e Keeney e Raiffa (1993). O ponto
chave de distinção está no paradigma adotado,
cuja função, segundo Kuhn (2006), é definir como
legítimos os problemas e métodos de uma área
de pesquisa, como as “regras do jogo”. Neste
contexto, a MCDA tradicional está enquadrada
no paradigma racionalista, enquanto a MCDA-C
segue o pressuposto do paradigma construtivista
(ENSSLIN et al., 2013a).
O paradigma racionalista, que é empregado
na pesquisa operacional tradicional, acredita
que se possa criar um modelo que será tão mais
preciso quanto melhor puder descrever a realidade
e, desde que as restrições sejam respeitadas,
existe uma solução ótima para o problema que
deve obrigatoriamente ser a mesma encontrada
por outros modelos, enquanto o paradigma
construtivista prevê o cruzamento de informações
e pontos de vista com o objetivo de gerar
conhecimento (ROY, 1993; ENSSLIN et al., 2013a;
ESPINOSA; SALINA, 2013).
É justamente esta crença em uma solução
ótima, preferível sobre as outras e indiscutível
do paradigma racionalista, que motivou os
estudos realizados a partir da década de 1970
para a metodologia de apoio à decisão por
meio do paradigma construtivista. O problema
sob esta perspectiva não tem como proposta
apresentar uma solução ótima, e sim auxiliar no
processo decisório recomendando cursos de
ação e construindo o conhecimento em cenários
complexos, como base nos sistemas de valor
dos envolvidos na decisão (ENSSLIN et al., 2001;
GOMES et al., 2004; DE AZEVEDO, 2013).
A metodologia MCDA-C, conforme Ensslin et
al. (2010), é realizada de forma sistêmica e sistemática
em três grupos de atividades: Estruturação, Avaliação
e Recomendações. Durante a primeira etapa, as
preocupações que o decisor considera relevantes
para o processo decisório são identificadas,
organizadas e mensuradas ordinalmente. Na
Avaliação, são construídas as escalas e definidas as
taxas de substituição (pesos) que atribuem valor às
preferências do decisor e, por fim, a última etapa
busca o entendimento das consequências das
possíveis decisões a serem tomadas.
A principal característica desta metodologia,
portanto, é apoiar a decisão, e não tomá-la, uma
vez que o apoio à decisão segue o paradigma
construtivista, enquanto a ciência da tomada de
decisão está suportada no racionalismo (ENSSLIN
et al., 2001). Segundo Roy (1993), o apoio ao
R e v . F A E , C u r i t i b a , v. 18, n. 1, p. 6 - 19, jan./jun. 201511
processo decisório pode ser definido como
uma atividade destinada a obter elementos de
respostas aos questionamentos dos envolvidos
no processo decisório (atores). Sendo assim, o
leitor deve ter em mente neste momento que a
contribuição da MCDA-C é facilitar o processo
de decisão, auxiliando os envolvidos a lidar com
situações complexas, gerando maior conhecimento
sobre o problema. Não faz parte dos objetivos
desta metodologia encontrar a solução ótima do
problema, mas sim aquela que melhor satisfaz os
anseios dos envolvidos.
2.2 Análise Envoltória de Dados (DEA)
A análise envoltória de dados, do inglês
Data Envelopment Analysis, tem origem na
publicação de Charnes, Cooper e Rhodes
(1978), proposta inicialmente para a avaliação
de programas educacionais públicos. Para
os autores, estes representam um conjunto
de Unidades Tomadoras de Decisão (DMUs)
que possuem inputs e outputs comuns, sendo
avaliadas em conjunto para que se estabeleça
uma fronteira de eficiência.
Adler, Friedman e Sinuany-Stern (2002)
trazem a definição de que a DEA é um modelo
matemático que mede a eficiência relativa entre
unidades tomadoras de decisão com múltiplos
inputs e outputs, em que o resultado, encontrado
por meio de um problema de programação
linear, é a determinação da superfície envoltória.
As DMUs que estiverem localizadas sobre esta
superfície são consideradas eficientes e terão sua
pontuação atribuída como h0=1,0, enquanto as
ineficientes recebem um valor compreendido no
intervalo 0≤h0<1,0.
Graficamente, isto pode ser verificado
pelo exemplo apresentado no GRAF. 1, onde um
conjunto fictício de dez DMUs, cada uma possuindo
um input e dois outputs, foi analisado, obtendo-se
a curva correspondente à região de eficiência.
GRÁFICO 1 – Representação da fronteira de eficiência
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8
Output1/Input
A
A1
B
C
D
EJ
F
G HI
FONTE: Os autores (2014)
Ao analisar O GRAF. 1, nota-se que as DMUs
B, C, D e E são eficientes, enquanto as A, F, G, H, I
e J não são, pois estão localizadas fora da curva.
Além disso, observa-se também que como a
comparação é relativa, é possível estabelecer alvos
para as DMUs ineficientes, em que, para o caso da
DMU A, estes são representados pela projeção do
ponto A até A’.
Sherman e Ladino (1995) resumem que a
DEA é capaz de fornecer as seguintes informações:
a) a de melhor prática é aquela que
disponibiliza produtos ou serviços com
qualidade igual ou acima do padrão
utilizando o mínimo de recursos;
b) a DMU menos eficiente comparada a
de melhor prática;
c) o excesso de recursos utilizado por
cada ineficiente; e
d) a quantidade de outputs a ser
incrementada pelas DMUs ineficientes
sem que se alterem os recursos para
serem consideradas eficientes.
Conforme Charnes, Cooper e Rhodes
(1978), a eficiência (h) de cada DMU é obtida por
meio da razão output/input, em que cada termo
da express recebe uma ponderação própria. Esta
razão é sujeita à restrição de ser menor ou igual a
um. Para a DMU zero, o problema de maximização
12
de sua eficiência é dado conforme a equação e as
restrições a seguir.
maxh0 ∑im
=1vixi0
∑r1=1uryr0
≤1; j=1,…,n∑im
=1vixij
∑im
=1uryrj
ur, vi≥0; r=1,…, s; i=1,…, m
(1)
Sujeito a:
(2)
(3)
Em que yrj, xij (todos positivos) são os
outputs e inputs da j-ésima DMU e ur, vi ≥ 0 são os
pesos (variáveis de decisão) a serem determinados
pela solução do problema. As consideradas
eficientes receberão uma pontuação de 1 e as
demais um valor entre 0 e 1.
Existem dois modelos principais para a DEA:
o modelo CCR, cuja sigla representa os nomes dos
seus fundadores (Charnes, Cooper e Rhodes),
trabalha com retornos constantes à escala, ou
seja, um incremento nos inputs produzirá uma
variação proporcional na saída (output), e por isso
este modelo também é conhecido como Constant
Return to Scale (CRS) (CHARNES et al., 1978).
Já o modelo BCC, cuja sigla também home-
nageia seus fundadores (Banker, Charnes e Cooper),
utiliza em sua modelagem o retorno variável à escala,
o que na prática implica que as DMUs que operam
com baixos inputs possuem retorno crescente à es-
cala, enquanto as que operam com altos inputs ob-
servam retornos decrescentes. De forma semelhante,
este modelo é conhecido como Variable Return to
Scale (VRS) (BANKER et al., 1984).
A DEA é, portanto, uma ferramenta
capaz de comparar diversas DMUs, identificar
quais unidades deste conjunto estão localizadas
sobre a fronteira de eficiência e fornecer um
benchmarking e um alvo para as ineficientes, onde
todas estas informações são obtidas utilizando-
-se apenas os dados de insumos consumidos e
produtos disponibilizados.
2.3 Análise Hierárquica de Processos (AHP)
A Análise Hierárquica de Processos (AHP)
ou Método de Análise Hierárquica (MAH) data
da década de 1970 e tem origem nos estudos
de Thomas L. Saaty, quando este trabalhava no
Departamento de Defesa dos Estados Unidos.
É um método multicritério com uma imensidade
de aplicações, sendo amplamente utilizado por
grupos de decisão.
A lógica deste método está enraizada no
método newtoniano e cartesiano de pensamento, que
consiste em decompor o problema em problemas
menores, tantas vezes quanto for necessário, até
que se chegue a um nível claro e dimensionável,
para então se estabelecer relações que possibilitem
a escolha da melhor alternativa frente à luz dos
critérios elencados (GOMES et al., 2004).
Saaty e Vargas (2012) citam como grande
vantagem do método AHP a possibilidade do
usuário atribuir pesos relativos para múltiplos
atributos ou ainda múltiplas alternativas a um dado
atributo. Além disso, realizam-se comparações par
Saaty e Vargas (2012)
citam como grande
vantagem do método
AHP a possibilidade do
usuário atribuir pesos
relativos para múltiplos
atributos ou ainda
múltiplas alternativas a
um dado atributo.
R e v . F A E , C u r i t i b a , v. 18, n. 1, p. 6 - 19, jan./jun. 201513
a par entre as possibilidades, o que facilita a mente
humana a julgar qual opção é mais importante
para o processo decisório.
Esta metodologia é regida por três princípios
do pensamento analítico: construção de hierarquias,
definição de prioridades e consistência lógica
(GOMES et al., 2004). A Construção de hierarquias
visa desdobrar o problema em níveis hierárquicos,
de modo a possibilitar um melhor entendimento
entre os componentes da decisão, enquanto a
definição de prioridades objetiva a comparação
entre os pares de alternativas, julgando a prioridade
de uma sobre a outra e, por último, é possível avaliar
o modelo proposto quanto a sua consistência, a fim
de verificar se os julgamentos foram realizados de
forma coerente (GOMES; GOMES, 2012).
Quanto à construção e utilização de uma
solução baseada no método AHP, esta consiste
em quatro fases principais (GOMES et al., 2004;
MARINS et al., 2010), que são a Construção da
hierarquia, etapa em que o foco principal, os critérios,
subcritérios e alternativas formam a estrutura
hierárquica; a Aquisição de dados, que consiste na
coleta dos julgamentos paritários emitidos pelos
envolvidos no processo decisório; Síntese dos
dados obtidos, em que se calculam as prioridades
de cada alternativa em relação ao foco principal; e
por último a Análise de consistência, que permite
identificar o quanto o sistema de priorização é
consistente na avaliação das alternativas.
Operacionalmente, a etapa de Construção
da hierarquia consiste em organizar o objetivo,
os atributos e as variáveis envolvidas sob a forma
de uma árvore de decisão. A função desta árvore
é tornar explícita a relação de subordinação dos
critérios e subcritérios em relação ao objetivo
principal (topo da árvore), e também a contribuição
de cada alternativa (base da árvore) para atingir o
objetivo. A FIG. 2 apresenta uma ilustração desta
árvore de decisão de maneira geral, e pode-se
observar que todos os critérios são avaliados em
relação a todas as alternativas.
FIGURA 2 – Estrutura hierárquica básica
Alternativa 1 Alternativa 2 Alternativa “n”...
Critério 1 Critério 2 Critério “m”...
Objetivo
FONTE: Os autores (2014)
Na etapa de definição de prioridades, em que
são realizados os julgamentos, será determinado
se existe ou não preferência de um elemento sobre
outro a cada par avaliado, e se esta preferência é
forte ou não, seguindo a escala numérica proposta
por Saaty (2008).
A análise dos dados hierarquicamente
organizados envolve modelagem matemática
com uso de uma matriz de julgamentos, que é
uma matriz quadrada utilizada como base para
o cálculo dos vetores de preferência, de onde se
extraem os valores que indicam as prioridades
(SAATY; VARGAS, 2012). Para estas operações
matemáticas, primeiramente obtém-se a matriz
A etapa de Construção
da hierarquia consiste em
organizar o objetivo, os
atributos e as variáveis
envolvidas sob a forma de
uma árvore de decisão.
14
normalizada (soma-se cada coluna e então divide-
-se cada coluna pela respectiva soma) e, em
seguida, calcula-se o valor médio em cada linha da
matriz normalizada para obter os pesos relativos.
Ressalta-se também a existência de softwares
específicos para a realização destas operações
matemáticas, como o Web-Hipre (MUSTAJOKI;
HÄMÄLÄINEN, 2000), que é um software gratuito
e amplamente utilizado.
3 Comparativo
Finalizado o referencial teórico, foi dado
início ao comparativo entre as metodologias
selecionadas, com o objetivo de auxiliar o decisor na
escolha da metodologia mais aplicável ao seu caso,
em cada critério, conforme o método apresentado.
3.1 Subjetividade
Em todo o processo de tomada de decisão,
a modelagem utilizada encontrará em algum
momento um ponto subjetivo, onde a formulação do
problema se dará através da percepção do decisor
ou do facilitador. A Análise Envoltória de Dados, em
sua forma original, traz justamente como diferencial
a possibilidade de utilizar um mínimo de julgamentos
subjetivos, traduzindo a realidade de modo mais
imparcial (COOK, 2006; BREY et al., 2014).
Nesta metodologia são utilizados um conjunto
de dados de inputs e outputs de diversas unidades
produtoras (DMUs) e restrições necessárias para
a programação linear, e o resultado obtido é uma
classificação eficiente ou ineficiente para cada uma
analisada (COOK; ZHU, 2013). Observa-se aqui o
que já foi citado durante o referencial teórico, que a
DEA utiliza apenas os dados da fronteira da DMU e
não analisa o processo interno.
A MCDA-C recorre a diversos julgamentos
subjetivos durante a construção do modelo, pois
nesta metodologia o objetivo é desdobrado
em uma série de critérios (Pontos de Vista
Fundamentais), os quais foram definidos segundo
as prioridades e valores dos atores envolvidos na
decisão (AZEVEDO et al., 2013). O facilitador tem
o papel de contribuir com o levantamento destes
PVFs, a fim de que o modelo possa realmente
representar as necessidades dos atores. Também
na etapa da definição das taxas de substituição são
atribuídos pesos a cada um dos critérios conforme
a importância destes para os decisores.
Na prática, é comum não haver unanimidade
na alocação destas taxas entre o grupo de
decisores, pois elas refletem o grau de importância
do critério para cada decisor. Um mesmo decisor,
em momentos diferentes, poderá adotar taxas de
substituição diversas (ZOPOUNIDIS; PARDALOS,
2010; GOMES; GOMES, 2012). Observa-se,
entretanto, que esta subjetividade faz parte da
proposta da metodologia, pois essa está suportada
no paradigma construtivista, e por isso o seu
“produto” não é uma ordem de preferência, mas
sim a construção do conhecimento (ENSSLIN et
al., 2001; ENSSLIN et al., 2013b).
Por fim, o método AHP utiliza julgamentos
paritários de acordo com a percepção do
decisor, em que este deve apontar preferências
(NEUNFELDT JR. et al., 2013). Esta etapa, que
faz parte da Definição de Prioridades, é análoga
à definição das taxas de substituição da MCDA-C,
e os julgamentos são pontuados numericamente
segundo a escala de conversão apresentada em
Saaty (2008) e demonstrada no QUADRO 1.
QUADRO 1 – Escala de conversão
Escala Verbal Escala Numérica
Igual preferência (importância) 1
Preferência (importância) moderada 3
Preferência (importância) forte 5
Preferência (importância) muito forte 7
Preferência (importância) absoluta 9
2,4,6 e 8 são associados a julgamentos intermediários.
FONTE: Saaty (2008)
Observa-se que os decisores terão de fazer
julgamentos conforme sua percepção, porém o
método AHP possibilita ao final da análise uma
verificação de consistência, indicando se os
julgamentos são coerentes ou não (KOU et al., 2013).
Estes julgamentos, quando realizados em pares,
R e v . F A E , C u r i t i b a , v. 18, n. 1, p. 6 - 19, jan./jun. 201515
permitem à mente humana comparar utilizando
uma referência, enquanto na MCDA-C as taxas de
substituição são escolhidas de forma livre, sem
comparativo, podendo levar a maus julgamentos
(SAATY; VARGAS, 2012; ENSSLIN et al., 2001).
3.2 Simplicidade
A simplicidade do uso da ferramenta de
apoio à decisão deve levar em consideração o
nível de conhecimento do usuário da ferramenta e
o contexto em que a metodologia escolhida será
aplicada. A exemplo do citado, a DEA é a ferramenta
que, por um lado, envolve recursos matemáticos
mais rebuscados, demandando conhecimentos
de problemas de programação linear e pesquisa
operacional por parte dos usuários, que nem sempre
possuem o domínio da técnica, e por outro, as diversas
aplicações computacionais que já contemplam a
implementação do método fazem com que a DEA
seja considerada na literatura como de uso bastante
simplificado, bastando que os usuários disponham
apenas dos dados de inputs e outputs, que devem
ser coletados de forma padronizada entre as diversas
DMUs (RAMANATHAN, 2003; ANGULO MEZA et al.,
2005).
Ainda sobre os recursos matemáticos, o
método AHP faz uso de cálculos matriciais para
elencar as alternativas em ordem de preferência.
Os julgamentos realizados segundo a escala
apresentada no QUADRO 1 são organizados na
forma de uma matriz de julgamentos que, dadas
as operações matemáticas necessárias, resultarão
nos pesos para cada critério e subcritério.
Uma vez realizadas estas operações, em que
o uso de um software especializado é fortemente
recomendado, tem-se em mão uma poderosa
ferramenta para tomada de decisão e avaliação de
desempenho (ZOPOUNIDIS; PARDALOS, 2010).
Esta modelagem matemática já está definida
pela metodologia, não havendo a necessidade
do desenvolvimento de modelos quantitativos
complexos por parte do usuário. Ao mesmo tempo,
a metodologia não deixa de ser capaz de absorver
customizações conforme o sistema ao qual está
sendo abordado.
No caso da MCDA-C, a aplicação é
relativamente mais simples. Isto porque a sequência
de construção do modelo segue uma lógica
facilmente aceitável pela mente humana, em que
o objetivo principal é suportado por Pontos de
Vista Fundamentais (PVF) em meio a um universo
de infinitas soluções (AZEVEDO et al., 2013). Por
exemplo, se o objetivo de um empresário é elevar o
saldo em caixa, ele poderá atingi-lo aumentando seu
marketshare e, consequentemente, as vendas.
Apesar de o objetivo também poder ser
atingido ao se demitir alguns funcionários, isso
não faz parte dos Pontos de Vista Fundamentais
e, portanto, não conduz ao objetivo. A matemática
envolvida neste modelo também é bastante simples,
permitindo que o usuário com menor instrução em
cálculo e álgebra faça uso da ferramenta sem maiores
dificuldades, sendo apenas necessária no momento
da definição das funções de valor que caracterizam
cada um dos critérios estabelecidos para verificação
(ENSSLIN et al., 2001; DA ROSA, 2012).
3.3 Adaptabilidade
A adaptabilidade de uma metodologia de
apoio à decisão é uma característica desejável,
pois só assim ela poderá ser aplicável a diversos
cenários. Devido às características generalistas
dos métodos, pode-se afirmar que todas as
metodologias alvos deste trabalho são adaptáveis,
uma vez que todas possuem como foco do seu
escopo o processo de tomada de decisões. Cabe,
porém, uma maior ressalva em relação à DEA, pois
enquanto a MCDA-C e AHP permitem visualizar e
apoiar a decisão ou mensuração de desempenho
de um único setor ou uma única organização como
um todo, a DEA exige que se tenha conhecimento
de outras DMUs que possuam os mesmos inputs e
outputs (COOPER et al., 2011).
Para setores como a administração pública,
a qual possui sob sua administração diversos
órgãos e instituições, como universidades,
hospitais e escolas, a pressuposição de unidades
homogêneas é facilmente atendida, uma vez que
estas repartições consomem os mesmos recursos,
provenientes da mesma fonte, e produzem os
16
mesmos produtos (pesquisa e atendimento
ao paciente e aluno formado são exemplos de
produtos para os casos citados) (PANTA et al.,
2011; GOK; SEZEN, 2013; SOLIMAN et al., 2014).
Assim, percebe-se as limitações da DEA
no que diz respeito à adaptabilidade, fato que
não ocorre com as demais metodologias, visto
que estas podem facilmente ser utilizadas para
a modelagem de uma única unidade ou várias.
Entretanto, tanto a MCDA-C quanto a AHP
irão demandar que se estabeleça de antemão
parâmetros de eficiência, o que não acontece
na DEA, permitindo a esta técnica comparações
isentas desta intervenção por parte do usuário
(ENSSLIN et al., 2001; COOPER et al., 2011;
ZOPOUNIDIS; PARDALOS, 2010).
3.4 Aceitação
No ambiente corporativo, uma preocupa-
ção comum entre os gestores é de que suas deci-
sões sejam plenamente aceitas pelos envolvidos
ou agidos, garantindo a sinergia da organização
e passando credibilidade nas ações tomadas.
Quando esta aceitação não acontece, o compro-
metimento de toda a equipe é afetado, impactan-
do diretamente nos resultados.
Sendo assim, para que os objetivos estraté-
gicos sejam alcançados, é preciso que a metodo-
logia utilizada para auxiliar o processo de decisão
e avaliação de desempenho não apenas aponte
uma solução, mas construa um embasamento ro-
busto o suficiente para argumentar a escolha, de
modo que esta seja clara e entendida por todos
os envolvidos.
Neste ponto, a MCDA-C ganha destaque
devido à forma como a construção do modelo
acontece, permitindo que o conhecimento seja
organizado e explicitado de tal maneira que,
ao final do processo, o assunto anteriormente
confuso e repleto de possibilidades ganha então
uma visão ordenada, onde é possível identificar
a relação entre os critérios, o impacto entre eles,
e assim por diante (ENSSLIN et al., 2001). Além
disso, este método não apontará a solução ótima,
como ocorre na pesquisa operacional tradicional
e nos métodos multicritério racionalistas, mas
será um guia para que os decisores possam ainda
escolher a melhor alternativa por eles mesmos,
com o suporte da metodologia para lhes auxiliar
(ENSSLIN et al., 2001; BORTOLUZZI et al., 2011)
Conforme citado por Da Rosa et al. (2012),
além de considerar a percepção e conhecimento do
gestor, a metodologia supracitada engloba a análise
de problemas complexos, conflitantes ou mesmo
incomensuráveis, encontrados nos negócios, na
engenharia e outras áreas de atividades. Assim,
a abrangência e versatilidade dessa ferramenta
proporciona um bom nível de aceitação dentro dos
mais variados setores empresariais.
De forma parecida, a AHP também é de fácil
aceitação pelos envolvidos, graças aos julgamentos
paritários realizados, em que os decisores são
consultados sobre suas preferências para os pares
de alternativas, que podem ser feitos por meio de
questionários ou de forma verbal. Os participantes
da decisão se sentem envolvidos nesta etapa,
podem expressar suas opiniões e demonstrar
preferência ou indiferença nos julgamentos, e
também se uma opção é fortemente ou fracamente
preferencial a outra (ANANE et al., 2012).
Aliado a isso, ainda há a etapa final de análise
de consistência, que permite maior segurança ao
final do processo, garantido a coerência dos dados.
A estrutura hierárquica sob uma árvore de decisão
também impacta visualmente os envolvidos,
deixando o processo transparente a todos, da
mesma forma que ocorre na MCDA-C (OSSADNIK;
KASPAR, 2012).
Já no caso da DEA, a aceitação pode não ser
imediata. Seydel (2006) alerta que a DEA, em sua forma
original, pode ser percebida pelos usuários como uma
metodologia do tipo caixa-preta, ou seja, após uma
série de acontecimentos, uma solução surge quase
que de forma mágica. Outro ponto causador de
discórdia é o fato de a DEA classificar as DMUs
em apenas dois grupos: eficientes e ineficientes.
Os usuários costumam sentir necessidade de uma
média de meio, e não só de extremos.
R e v . F A E , C u r i t i b a , v. 18, n. 1, p. 6 - 19, jan./jun. 201517
3.5 Gerência
Como já citado na introdução, a tomada de
decisão está intimamente ligada à avaliação de
desempenho organizacional, afinal é o resultado
obtido por esta avaliação que apontará se as
decisões passadas foram bem tomadas ou não.
Assim, mais do que o suporte para atender
multicritérios, é desejável que estas metodologias
sejam capazes de propiciar um acompanhamento
dos eventos, e que através deste acompanhamento
seja possível se estabelecer um processo gerencial.
Neste quesito, a metodologia AHP não satisfaz
o critério, pois apesar desta ser capaz de mensurar,
ela não é capaz de gerenciar (BORTOLUZZI et al.,
2011). Ainda segundo os autores, a AHP apresenta
uma relação de alternativas hierarquizadas para que
uma ou mais sejam escolhidas, ficando assim restrita
a etapa de priorização das ações possíveis, a escolha
em si. Os mesmos autores ainda afirmam que a AHP
não é capaz de realizar a identificação do problema,
sendo aplicável apenas quando já se parte de um
problema pré-estruturado (BORTOLUZZI et al., 2011).
Quanto à MCDA-C, seguindo a lógica de
como a metodologia foi concebida, ela é sim capaz
de gerenciar as atividades (BERTOLUZZI et al.,
2011). Estes autores ainda afirmam que a MCDA-C
apresenta processos para identificar os pontos
fortes e fracos do desempenho da organização,
que podem ser visualizados de forma gráfica,
sendo de fácil comunicação. Além disso, a MCDA-C
permite identificar os impactos de uma ação no
desempenho global da organização, permeando
os diversos níveis sob avaliação.
No caso da DEA, a metodologia permite
um acompanhamento ao longo do tempo, pois
atualizando-se os dados de inputs e outputs pode-se
acompanhar se uma DMU considerada ineficiente
está se aproximando ou se afastando da curva de
eficiência. Esta metodologia, porém, não permite
um acompanhamento completo e tão detalhado
quanto a MCDA-C, mas permite avaliar a eficiência
técnica da produção (que diz respeito à taxa de
conversão de inputs em outputs) e a eficiência
alocativa (se os melhores recursos e insumos estão
sendo utilizados) (COOPER et al., 2011).
Conclusões
O desempenho de uma organização é
reflexo das decisões tomadas no passado. Este
fato, apesar de ser de longa data do conhecimento
dos gestores, nunca foi tão evidente quanto
nos últimos anos, pois o número de decisões a
serem tomadas cresceu substancialmente, sendo
justamente a qualidade destas decisões que
faz com que algumas empresas se mantenham
competitivas e outras não. Porém, sabe-se
que a decisão precisa estar vinculada a uma
estratégia, que é a escolha que mais irá aproximar
a organização dos seus objetivos estabelecidos.
Logo, decisão, estratégia e desempenho não
podem ser estudados isoladamente.
Na literatura, existem diversas metodologias
utilizadas para avaliar o desempenho e dar suporte
à tomada de decisão. Entre as disponíveis, recebem
destaque a MCDA-C, DEA, e AHP, pois apesar de
suas criações não serem recentes, elas continuam
em processo de evolução e atualmente são alvos
de diversos estudos e aplicações.
Assim, este estudo teve por objetivo ser um
guia onde o leitor possa ter um comparativo entre
as metodologias MCDA-C, DEA e AHP, de modo a
perceber como cada uma dessas pode contribuir
na solução de seus problemas. Este comparativo
foi realizado à luz de cinco critérios: subjetividade,
simplicidade, adaptabilidade, aceitação e gerência,
sendo que o objetivo foi alcançado por meio de
uma pesquisa exploratória com levantamento
bibliográfico nas metodologias selecionadas.
Apesar dos pontos avaliados, o presente
trabalho limitou-se a explorar estas metodologias
de maneira qualitativa. Existe, portanto, a
possibilidade de futuros trabalhos serem
realizados para vislumbrar um aprofundamento
mais detalhado no tema, principalmente no
que tange a uma modelagem que relativize os
modelos multicritério de maneira quantitativa,
comparando-se as metodologias com base na
sua concepção, discutindo seus princípios sobre
os quais elas se apoiam.
18
Referências
ADLER, N.; FRIEDMAN, L.; SINUANY-STERN, Z. Review of ranking methods in the data envelopment analysis context. European Journal of Operational Research, Amsterdam, v. 140, n. 2, p. 249-265, 2002.
ANAND, V.; JOSHI, M.; O’LEARY KELLY, A. M. An organizational indentity approach to strategic group. Organization Science, Providence, v. 24, n. 3, p. 571-590, 2013.
ANANE, M. et al. Ranking suitable sites for irrigation with reclaimed water in the Nabeul-Hammamet region (Tunisia) using GIS and AHP-multicriteria decision analysis. Resource, Conservation and Recycling, Amsterdam, v. 65, p. 36-46, 2012.
ANGULO MEZA, L. et al. ISYDS – Integrated System for Decision Support (SIAD – Sistema Integrado de Apoio à Decisão): a software package for data envelopment analysis model. Pesquisa Operacional, Rio de Janeiro, v. 25, n. 3, p. 493-503, 2005.
AZEVEDO, R. C. et al. Performance measurement to aid decision making in the budgeting process for apartment-building construction: case study using MCDA-C. Journal of Construction Engineering and Management, New York, v. 139, n. 2, p. 225-235, 2013.
BANA e COSTA, C. A. (Ed.). Readings in multiple criteria decision aid. Berlin: Springer, 1990.
BANKER, R. D.; CHARNES, A.; COOPER, W. W. Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management Science, Providence, v. 30, n. 9, p. 1078-1092, 1984.
BORTOLUZZI, S. C.; ENSSLIN, S. R.; ENSSLIN, L. Avaliação de desempenho multicritério como apoio à gestão de empresas: aplicação em uma empresa de serviços. Gestão e Produção, São Carlos, v. 18, n. 3, p. 633-650, 2011.
BREY, J. J. et al. Roll-out of hydrogen fueling stations in Spain through a procedure based on data envelopment analysis. International Journal of Hydrogen Energy, Oxford, v. 39, n. 8, p. 4116-4122, 2014.
CHARNES, A.; COOPER, W. W.; RHODES, E. Measuring the efficiency of decision making units. European Journal of Operational Research. Amsterdam, v. 2, n. 6, p. 429-444, 1978.
COOK, W. D. Performance evaluation and beyond: data envelopment analysis research frontiers in honor of William W. Cooper. New York: Springer, 2006.
COOK, W. D; COOK, W. D.; ZHU, J. Data envelopment analysis: balanced benchmarking. North Charleston: Create Space, 2013.
COOPER, W. W.; SEIFORD, L.M.; ZHU, J. Handbook on data envelopment analysis. New York: Springer, 2011.
DA ROSA, F. S. et al. Environmental disclosure management: a constructivist case. Management Decision, New York, v. 50, n. 6, p. 1117-1136, 2012.
DE AZEVEDO, R. et al. Performance measurement to aid decision making in the budgeting process for apartment-building construction: Case Study Using MCDA-C. Journal of Construction Engineering and Management, New York, v. 139, n. 2, p. 225–235, 2013.
ENSSLIN, L.; MONTIBELLER, G. N.; NORONHA, S. M. Apoio à decisão: metodologias para estruturação de problemas e avaliação multicritério de alternativas. Florianópolis: Insular, 2001.
ENSSLIN, L. et al., Avaliação do desempenho de empresas terceirizadas como o uso da metodologia multicritério de apoio à decisão – construtivista. Pesquisa Operacional, Rio de Janeiro, v. 30, n. 1, p. 125-152, 2010.
_______. Improved decision aiding in human resource management: a case using constructivist multi-criteria decision aiding. International Journal of Productivity and Performance Management, Bradford, v. 62, n. 7, 2013b.
_______. Modelo multicritério de apoio à decisão construtivista no processo de avaliação de fornecedores. Produção, São Paulo, v. 23, n. 2, p. 402-421, abr./jun. 2013a.
ESPINOSA, F. F.; SALINAS, G. E. Selection of improvement strategies for working condition for to maintenance function using constructivist multicriteria decision aid approach MCDA. Información Tecnológica, Talca, Chile, v. 24, n. 3, p. 57-72, 2013.
FISCHMANN, A. A.; ZILBER, M. A. Utilização de indicadores de desempenho para a tomada de decisões estratégicas: um sistema de controle. Revista de Administração Mackenzie, São Paulo, v. 1, n. 1, p. 9-25, 2000.
GOK, M. S.; SEZEN, B. Analyzing the ambiguous relationship between efficiency, quality and patient satisfaction in healthcare services: The case of public hospitals in Turkey. Health Policy, Amsterdam, v. 111, n. 3, p. 290-300, 2013.
GOMES, C. F.; GOMES, L. F. A. M. Tomada de decisão gerencial: enfoque multicritério. 4. ed. São Paulo: Atlas, 2012.
R e v . F A E , C u r i t i b a , v. 18, n. 1, p. 6 - 19, jan./jun. 201519
GOMES, L. F. M.; ARAYA, M. C. G.; CARIGNANO, C. Tomada de decisões em cenários complexos. São Paulo: Cengage Learning. 2004.
HILL, C. W.; JONES, G. R. Strategic management theory: an integrated approach. Boston: Cengage Learning, 2012.
KAPLAN, R. S.; NORTON, D. P. The execution premium: linking strategy to operations for competitive advantage. Boston: Harvard Business School, 2008.
KEENY, R. L.; RAIFFA, H. Decision with multiple objectives: preferences and value trade-offs. Cambridge: Cambridge University, 1993.
KOU, G. et al. Data processing for the AHP/ANP. New York: Springer, 2013.
KUHN, T. S. A estrutura das revoluções científicas. São Paulo: Perspectiva, 2006.
MARINS, F. A. S. et al. Métodos de tomada de decisão com múltiplos critérios: aplicações na indústria aeroespacial. São Paulo: Blucher Acadêmico. 2010.
MUSTAJOKI, J.; HÄMÄLÄINEN, R. P. Web-hipre: global decision support by value tree and ahp analysis. Information Systems and Operational Research, Otawa, v. 38, n. 3, p. 208-220, 2000.
NEUNFELDT JR., A. L.; SILUK, J. C. M.; DA SILVEIRA, M. N. Modelo de avaliação de desempenho para o sistema de franquias no Brasil. Cuadernos de Administración, Cali, v. 26, n. 47, p. 285-307, 2013.
OLSON, E. M.; SLATER, S. F. The balanced scorecard, competitive strategy and performance. Business Horizons, Bloomington, Ind., US, v. 45, p. 11-17, 2002.
OSSADNIK, W.; KASPAR, R. Evaluation of AHP software from a management accounting perspective. Journal of Modelling in Management, Bradford, v. 8, n. 3, p. 305-319, 2013.
PANTA, M.; SMIRLIS, Y.; SFAKIANAKIS, M. Assessing bids of Greek public organizations service providers using data envelopment analysis. Operational Research, London, v. 13, n. 2, p. 251-269, 2011.
PARMENTER, D. Key performance indicators (KPI): developing, implementing, and using winning KPIs. 2nd. ed. Hoboken: J. Wiley, 2010.
PORTER, M. E. On competition, updated and expanded edition. Boston: Harvard Business School, 2009.
RAMANATHAN, R.(Ed.) An introduction to data envelopment analysis: a tool for performance measurement. London: Sage Publications, 2003.
ROY, B. Decision science or decision-aid science? European Journal of Operational Research, Amsterdam, v. 66, p. 184-203, 1993.
_______. Multicriteria methodology for decision aiding. Boston; London: Kluwer Academic, 1996.
SAATY, T. L. Decision making with analytic hierarchy process. International Journal of Services Sciences, Olney: Inderscience Enterprises, v. 1, n. 1, p. 83-98, 2008.
_______.; VARGAS, L. G. Methods, concepts & applications of the hierarchy process. New York: Springer, 2012.
SEYDEL, J. Data envelopment analysis for decision support. Industrial Management & Data Systems, Bradford, England, v. 106, n. 1, p. 81-95, 2006.
SHERMAN, H. D.; LADINO, G. Managing bankproductivity using data envelopment analysis. Interfaces, Providence, v. 25, n. 2, p. 60-73, 1995.
SHIREY, M. R. Executive presence for strategic influence. The journal of Nursing Administration, Hagerstown, v. 43, n. 7/8, p. 373-376, July/Aug. 2013.
SOLIMAN, M. et al. Modelagem para a avaliação da eficiência técnica de unidades universitárias. Gepros, Bauru, v. 9, n. 1, p. 69-83, 2014.
ZOPOUNIDIS, C.; PARDALOS, P. Handbook of multicriteria analysis. New York: Springer, 2010.
• Recebido em: 30/06/2014
• Aprovado em: 08/08/2014