comparativo entre as metodologias mcda-c, dea e ahp

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.


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


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


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.


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


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,


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.


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.


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

comparativo entre as metodologias mcda-c, dea e ahp

Documents