The {\alpha} -Discounting ({\alpha}-DMCDM) as an extension of AHP, TOPSIS, VIKOR, PROMETHEE, and Weighted Sum

Resumen Técnico: El Descuento-$\alpha$ ($\alpha$-DMCDM) como una Extensión de AHP, TOPSIS, VIKOR, PROMETHEE y la Suma Ponderada

Planteamiento del Problema
Las técnicas tradicionales de Toma de Decisiones Multicriterio (MCDM), que incluyen el Proceso de Jerarquía Analítica (AHP), TOPSPI, VIKOR, PROMETHEE y los modelos de Suma Ponderada, se basan en el supuesto de que los decisores pueden proporcionar información de preferencia consistente, por pares (o totalmente compatible). Sin embargo, en escenarios del mundo real, las estructuras de preferencia suelen ser incompletas, no lineales o contradictorias. Por ejemplo, las inconsistencias cíclicas (p. ej., $C_1 > C_2$, $C_2 > C_3$, pero $C_3 > C_1$) vuelven insolubles los sistemas de ecuaciones utilizados por estos métodos, arrojando únicamente soluciones triviales. Si bien el AHP detecta la inconsistencia mediante la Razón de Consistencia (CR), no ofrece un mecanismo principista para reparar el conjunto de juicios o derivar pesos a partir de datos inconsistentes. Otros métodos simplemente requieren pesos precalculados y no pueden procesar estructuras de preferencia mal planteadas. Las extensiones existentes que utilizan conjuntos difusos o neutrosóficos a menudo siguen dependiendo de un paso de extracción de pesos consistente.

Metodología: MCDM de Descuento-$\alpha$ ($\alpha$-DMCDM)
El artículo propone el $\alpha$-DMCDM como un marco algebraico unificado que acepta la información inconsistente en lugar de rechazarla. La metodología central transforma las declaraciones de preferencia —ya sean lineales, no lineales, por pares o de $n$ elementos— en un sistema de ecuaciones o desigualdades algebraicas.

1. Base Axiomática: El método se basa en siete axiomas, destacando notablemente:

   • Axioma A3 (Admisibilidad de la Inconsistencia): El sistema puede ser inconsistente (es decir, $\det(I - A) \neq 0$), produciendo solo la solución trivial $x=0$.
   • Axioma A4 (Principio de Descuento-$\alpha$): Se introduce un factor de descuento escalar global $\alpha > 0$ tal que el sistema descontado $(I - \alpha A)x = 0$ admite una solución no trivial.
   • Axioma A5 (Medida de Consistencia): El valor de $\alpha$ cuantifica la consistencia global. $\alpha = 1$ implica consistencia total; $0 < \alpha < 1$ indica inconsistencia, donde valores más pequeños reflejan contradicciones más fuertes.

2. Teorema de Existencia: El artículo demuestra que para cualquier conjunto finito de ecuaciones de preferencia lineales (o linealizadas) donde el sistema original es inconsistente, existe al menos un escalar real positivo $\alpha$ tal que $\det(I - \alpha A) = 0$. Esto asegura la existencia de un autovector no trivial que puede normalizarse para obtener pesos de prioridad.

3. Procedimiento Algorítmico:

   • Modelar las preferencias como un sistema de ecuaciones/desigualdades para formar la matriz $A$.
   • Introducir un único factor de descuento $\alpha$ (cumpliendo con el Principio de Equidad).
   • Resolver $\det(I - \alpha A) = 0$ para el $\alpha$ admisible (típicamente la raíz positiva más pequeña).
   • Calcular el autovector de $(I - \alpha A)$ asociado con el autovalor cero.
   • Normalizar el autovector para obtener el vector de pesos final $w$.

4. Extensiones: El marco es modular y soporta:

   • Descuento-$\alpha$ de Intervalos: Manejo de coeficientes vagos como intervalos $[a^-, a^+]$, lo que resulta en un intervalo de valores $\alpha$ admisibles y pesos con valores de intervalo.
   • Descuento-$\alpha$ No Lineal: Acomodación de relaciones funcionales arbitrarias (p. ej., cuadráticas, logarítmicas) mediante la reducción del sistema a una ecuación trascendente resoluble vía búsqueda de raíces numéricas.
   • Toma de Decisiones en Grupo: Agregación de matrices de múltiples expertos mediante promedios, promedios ponderados o selección de $\alpha$ mínimo, preservando el tratamiento cuantitativo de la inconsistencia.
   • Lógica Neutrosófica: Mapeo del factor de descuento $\alpha$ al componente de "Verdad" ($T$) de los tríos neutrosóficos $(T, I, F)$, permitiendo que el método maneje la indeterminación y la falsedad de forma explícita.

Contribuciones Clave

• Unificación Teórica: Proporciona una exposición autocontenida de $\alpha$-DMCDM, estableciendo una base axiomática rigurosa y un teorema de existencia para el factor de descuento.
• Gestión de la Inconsistencia: Ofrece un mecanismo principista para cuantificar y resolver la inconsistencia algebraicamente sin descartar los juicios contradictorios. El parámetro $\alpha$ sirve como una métrica directa del grado de conflicto.
• Expresividad: Permite a los decisores articular sus preferencias en formas matemáticas naturales (lineales, no lineales, de intervalos) sin forzarlas a una estructura de matriz por pares.
• Implementación Práctica: Incluye ejemplos numéricos ilustrativos (cíclicos lineales, basados en intervalos y no lineales) y proporciona implementaciones de código en Python para resolver estos sistemas.
• Análisis Comparativo: Contrasta sistemáticamente $\alpha$-DMCDM con AHP, TOPSIS, VIKOR, PROMETHEE y la Suma Ponderada, resaltando su capacidad única para manejar preferencias no lineales, incertidumbre de intervalos e inconsistencia de datos, manteniendo una tractabilidad computacional comparable a los métodos basados en autovectores.

Resultados y Ejemplos Ilustrativos
El artículo demuestra el método a través de tres casos específicos:

1. Caso Cíclico Lineal: Para un sistema donde $x_1 = 2x_2$, $x_2 = 3x_3$ y $x_3 = 4x_1$ (una inconsistencia cíclica), el método calcula $\alpha \approx 0.346$. Los pesos resultantes son $(0.26, 0.37, 0.37)$, proporcionando una solución donde el AHP tradicional fallaría en producir pesos debido a la inconsistencia.
2. Caso de Intervalos: Para criterios ambientales con rangos de importancia vagos, el método deriva un intervalo $\alpha$ admisible $[0.346, 0.550]$. Seleccionar un $\alpha$ representativo genera pesos con valores de intervalo, permitiendo a los decisores explorar posturas de riesgo o de búsqueda de riesgo.
3. Caso No Lineal: Para un estudio de adopción tecnológica con relaciones cuadráticas y logarítmicas, el método resuelve una ecuación trascendente para encontrar $\alpha \approx 0.45$, produciendo pesos que reflejan los conocimientos conductuales no lineales específicos (p. ej., rendimientos decrecientes).

Significancia y Reivindicaciones
El artículo sostiene que el $\alpha$-Discounting cierra la brecha entre la teoría de decisión clásica y el razonamiento moderno consciente de la incertidumbre. Su principal significancia radica en transformar la inconsistencia de un diagnóstico negativo (una razón para rechazar datos) en información accionable (un parámetro cuantificable $\alpha$). Al retener la simplicidad algebraica de los métodos lineales mientras expande su poder de expresión para incluir datos no lineales e inciertos, el método se presenta como una alternativa robusta para la ingeniería compleja, la planificación estratégica y la agregación de preferencias impulsada por IA. Los autores posicionan al $\alpha$-DMCDM no como un reemplazo para todos los métodos existentes, sino como una extensión necesaria para escenarios donde las estructuras de preferencia son inherentemente contradictorias, incompletas o no lineales.

Limitaciones y Direcciones Futuras
El artículo reconoce modestamente limitaciones, incluyendo la posibilidad de múltiples raíces positivas en ecuaciones polinómicas (que requieren conocimiento del dominio para su selección), desafíos de escalabilidad para sistemas muy grandes y la necesidad de capacitación para los profesionales para interpretar la métrica $\alpha$. Las direcciones de investigación futura sugeridas incluyen la integración de aprendizaje automático para la elicitación de preferencias, el desarrollo de un $\alpha$ dinámico que varíe con el tiempo y el desarrollo de interfaces gráficas para visualizar la deformación geométrica de los hiperplanos causada por $\alpha$.