TOPSIS-RAD: Ranking According to Desires

Resumen Técnico: TOPSIS-RAD: Clasificación de Acuerdo con los Deseos

Planteamiento del Problema
El TOPSIS tradicional (Técnica para la Ordenación de Preferencias por Similitud con la Solución Ideal) deriva sus puntos de referencia —la Solución Ideal Positiva (PIS) y la Solución Ideal Negativa (NIS)— directamente de los datos observados. Los autores identifican tres limitaciones críticas inherentes a este enfoque basado en datos:

1. Desalineación con las Preferencias del Decisor (DM): La PIS y la NIS son constructos artificiales basados en los extremos del conjunto de datos, que pueden no reflejar las aspiraciones reales o los requisitos mínimos aceptables del decisor.
2. Sensibilidad a los Valores Atípicos (Outliers): Los valores extremos dentro del conjunto de alternativas pueden distorsionar el cálculo de las fronteras de referencia, introduciendo ruido y conduciendo potencialmente a clasificaciones anómalas.
3. Inversión de Rango (Rank Reversal): Debido a que los puntos de referencia dependen del conjunto específico de alternativas, añadir o eliminar una opción (especialmente una que define una frontera) puede alterar las distancias relativas de las alternativas restantes, cambiando el orden de clasificación y socavando la estabilidad del método.

Si bien la literatura previa ha intentado abordar la inversión de rango fijando la PIS y la NIS basándose en referentes externos o límites del dominio, los autores argumentan que estos enfoques a menudo fallan al no filtrar explícitamente las alternativas no viables o al no limitar los desempeños excesivos que superan los deseos reales del decisor.

Metodología: TOPSIS-RAD
El artículo propone TOPSIS-RAD (Clasificación de Acuerdo con los Deseos), una variante que modifica el flujo de trabajo estándar de TOPSIS incorporando dos arreglos definidos por el decisor antes de las etapas de normalización y cálculo de distancia:

• Niveles de Desempeño de Veto (VPL): Un vector que define el umbral mínimo de desempeño aceptable para cada criterio. Las alternativas que no cumplen con estos umbrales se excluyen del conjunto factible antes de la normalización.
• Niveles de Desempeño Deseados (DPL): Un vector que representa las metas de desempeño preferidas por el decisor. Los desempeños que exceden estos niveles se limitan (clipean) al valor del DPL antes de la normalización.

El algoritmo procede de la siguiente manera:

1. Entrada: La matriz de decisión, los pesos y los vectores VPL y DPL definidos por el decisor.
2. Filtrado: Identificar y eliminar las alternativas que violan las restricciones de VPL.
3. Limitación (Capping): Para las alternativas calificadas restantes, limitar cualquier valor de desempeño que exceda el DPL.
4. Normalización: Aplicar una normalización lineal (estilo Max-Min) utilizando el VPL y el DPL como límites inferior y superior, respectivamente. Esto asegura que la escala de normalización sea independiente de las alternativas específicas en el conjunto de datos.
5. Definición de Referencia: Los puntos de referencia normalizados (Nivel Normalizado Deseado - DNL, y Nivel Normalizado de Veto - VNL) se derivan directamente de los vectores fijos VPL y DPL, en lugar de los extremos del conjunto de datos.
6. Clasificación: Calcular las distancias euclidianas hacia el DNL y el VNL y calcular el coeficiente de cercanía relativa ($S_{iw}$) para generar la clasificación final.

Contribuciones Clave
El artículo reclama tres contribuciones principales:

1. Integración Explícita de Preferencias: El método fundamenta la clasificación en fronteras estables especificadas por el decisor (aspiraciones y mínimos) en lugar de en extremos artificiales de los datos.
2. Robustez ante Valores Atípicos: Al limitar los desempeños en el DPL y excluir opciones no viables mediante el VPL, el método evita que los valores extremos distorsionen las fronteras de normalización o dominen la clasificación.
3. Inmunidad a la Inversión de Rango: Debido a que los límites de normalización y los puntos de referencia se fijan exógenamente, añadir o eliminar alternativas no desplaza la escala ni altera las distancias relativas de las opciones supervivientes, preservando así la estabilidad de la clasificación.

Resultos y Ejemplos de Prueba
Los autores validan el método utilizando tres "ejemplos de prueba" implementados a través de una aplicación web personalizada (Visual TOPSIS-RAD):

• Ejemplo de Prueba A (Línea Base): Demuestra el TOPSIS tradicional, donde la clasificación es impulsada por los extremos del conjunto de datos.
• Ejemplo de Prueba B (Efecto VPL): Aplica un VPL para excluir una alternativa no viable (A8). Los resultados muestran que la eliminación de A8 no desplaza los límites de normalización para las alternativas restantes, a diferencia del TOPSIS tradicional donde la eliminación de un valor extremo alteraría la PIS/NIS y potencialmente causaría una inversión de rango.
• Ejemplo de Prueba C (Efecto DPL): Aplica un DPL fijo (establecido por debajo del máximo del conjunto de datos) para limitar a los de alto desempeño. Esto demuestra que las alternativas con métricas de "sobre-desempeño" (por ejemplo, A3 con una puntuación de 150 en un criterio donde se desean 80) pierden su ventaja desproporcionada. Consecuentemente, las alternativas con perfiles equilibrados (por ejemplo, A4) ascienden en la clasificación, reflejando una lógica de "satisfacción" donde exceder el nivel deseado no otorza crédito adicional.
• Prueba de Estabilidad: Los autores introducen una alternativa dominada (A11) en el conjunto de datos. En el TOPSIS tradicional, esta inserción provoca un reordenamiento completo de las clasificaciones (inversión de rango). En todas las configuraciones de TOPSIS-RAD, las clasificaciones de las alternativas originales permanecen idénticas, siendo la nueva alternativa añadida al final o excluida por completo.

Significancia y Reclamaciones
El artículo posiciona a TOPSIS-RAD como un puente entre la estructura de distancia familiar de TOPSIS y los métodos de puntos de referencia encontrados en otros marcos de MCDA (como ELECTRE TRI o NADIR-UTOPIA). Los autores afirman que el método es particularmente beneficioso para:

• Evaluaciones recurrentes (por ejemplo, selección de proveedores) donde los estándares de desempeño son estables.
• Contextos regulados donde los umbrales mínimos son obligatorios.
• Escenarios donde los valores extremos representan ruido en lugar de una superioridad significativa.

Los autores mantienen la modestia respecto al alcance de sus afirmaciones, señalando que el método requiere que el decisor posea el conocimiento suficiente del dominio para definir valores significativos de VPL y DPL. Reconocen que el método introduce un esfuerzo cognitivo adicional para el decisor e identifican direcciones de investigación futura, incluyendo la integración con modelos de incertidumbre (entradas difusas/probabilísticas), análisis de sensibilidad y extensiones al proceso de toma de decisiones grupal. El artículo no pretende resolver todos los problemas de MCDA, sino que ofrece un mecanismo específico para estabilizar las clasificaciones y alinearlas más estrechamente con las aspiraciones explícitas del decisor.