Linear Programming for Multi-Criteria Assessment with Cardinal and Ordinal Data: A Pessimistic Virtual Gap Analysis

Este artigo apresenta um método inovador de duas etapas baseado em programação linear, denominado Análise de Lacuna Virtual (VGA), que avalia e prioriza alternativas sob uma perspectiva pessimista, integrando dados cardinais e ordinais para mitigar vieses subjetivos e melhorar a precisão na Análise Multicritério.

O essencial

Imagine que você é o gerente de uma grande empresa de entregas e precisa decidir qual caminhão comprar. Você tem 10 modelos diferentes (chamados de "DMUs" no mundo acadêmico). Para escolher o melhor, você olha para várias coisas:

1. Dados Numéricos (Cardinais): O preço do caminhão, quantos quilômetros ele roda por litro, o peso da carga.
2. Dados Subjetivos (Ordinais): A reputação da marca (ótima, boa, regular, ruim) e o nível de satisfação dos motoristas (muito satisfeito, satisfeito, insatisfeito).

O problema é que comparar "quilômetros por litro" com "reputação da marca" é como tentar comparar maçãs com laranjas. Métodos antigos de decisão muitas vezes forçam essas coisas a serem iguais, o que gera resultados enviesados ou injustos.

Este artigo apresenta uma nova ferramenta chamada Análise de Lacuna Virtual (Virtual Gap Analysis - VGA), que funciona como um juiz de "pessimismo inteligente".

A Metáfora do "Detetive Pessimista"

Em vez de perguntar "Quem é o melhor?", este método pergunta: "Quem é o pior e por que?". Ele usa uma lógica de dois passos para encontrar o "vilão" da lista e eliminá-lo, repetindo o processo até classificar todos.

Passo 1: O Grande Peneiramento (Estágio I)

Imagine que você tem uma sala cheia de atletas. O juiz (o modelo matemático) olha para cada um e diz: "Se você fosse o pior atleta possível, o que teria que acontecer para você ser igual ao pior de todos?".

• O modelo cria um "preço virtual" para cada característica (quanto vale um quilo a mais de peso? quanto vale um ponto a menos na satisfação?).
• Ele calcula uma "Lacuna Virtual": a distância entre onde o atleta está e onde ele estaria se fosse o pior de todos.
• Resultado: Os atletas que já estão no "pior nível" (a lacuna é zero) são separados em um grupo chamado "Os Piores". Os que têm uma lacuna grande são os "Não-Piores" (e são classificados como melhores).

Passo 2: O Duelo dos Piores (Estágio II)

Agora, o juiz olha apenas para o grupo dos "Piores" (aqueles que ficaram no chão). Ele precisa descobrir quem é o pior de todos dentro desse grupo.

• Ele usa uma lógica inversa: "Se você fosse o pior de todos, o que precisaria melhorar para sair desse buraco?".
• Ele calcula uma "Lacuna Hiper-Virtual".
• Quem tiver a maior lacuna aqui é o verdadeiro último colocado. Ele é o "vilão" que deve ser eliminado da lista de opções.

Por que isso é genial? (As Analogias)

1. A Balança Justa (Unidade Invariante):
   Imagine que você pesa um elefante em toneladas e uma formiga em gramas. Métodos antigos ficam confusos. O VGA usa uma "moeda virtual" mágica. Ele converte o peso do elefante e o tamanho da formiga em um mesmo valor monetário fictício. Assim, ele compara o impacto de cada coisa, não apenas o número. Não importa se você mede em quilos ou libras; o resultado final é o mesmo.

2. O Espelho da Realidade (Dados Qualitativos):
   Como medir "reputação"? O VGA trata a escala de 1 a 5 (como no Google Reviews) como se fosse dinheiro. Se um caminhão tem nota 3 e o pior tem nota 1, o modelo calcula quanto "custa" em dinheiro virtual subir dessa nota 3 para a nota 1. Isso permite misturar números duros com opiniões suaves sem perder a precisão.

3. Sem Vieses (O Juiz Cego):
   Métodos antigos muitas vezes exigem que você diga: "Acho que o preço é mais importante que a velocidade". Isso é subjetivo. O VGA não precisa que você diga isso. O próprio sistema matemático descobre, através de cálculos complexos, qual é o equilíbrio justo entre preço e velocidade para aquele grupo específico de caminhões. É como um juiz que não conhece os atletas e decide apenas com base na performance bruta.

A Conclusão Simples

Este artigo propõe um método para tomar decisões complexas onde temos misturas de números e opiniões.

• O Problema: Decidir o que é "melhor" quando temos dados diferentes (dinheiro, tempo, satisfação) e queremos evitar opiniões pessoais.
• A Solução: Um sistema de dois passos que usa matemática (programação linear) para encontrar o "pior" candidato de forma justa e objetiva.
• O Benefício: Ao encontrar e remover o pior candidato, o sistema cria uma lista de classificação confiável. É como um torneio de eliminação onde o "pior" é sempre o primeiro a sair, garantindo que o vencedor final seja realmente o melhor, sem truques ou preconceitos.

Em resumo, é uma ferramenta para limpar a sujeira da decisão, garantindo que você escolha o melhor caminhão (ou empresa, ou projeto) com base na realidade dos dados, e não na sua intuição.

Resumo técnico

Resumo Técnico: Programação Linear para Avaliação Multicritério com Dados Cardinais e Ordinais: Uma Análise de Lacuna Virtual Pessimista

Autores: Fuh-Hwa Franklin Liu e Su-Chuan Shih
Data: 14 de abril de 2026

1. Problema de Pesquisa

A Avaliação Multicritério (MCA) é fundamental para classificar alternativas com base em diversos critérios, sendo amplamente utilizada em gestão de operações, engenharia e ciências sociais. No entanto, os métodos existentes (como MCDM, DEA e SFA) apresentam limitações críticas:

• Viés Subjetivo: A dependência de avaliações subjetivas e a definição de pesos ou parâmetros frequentemente introduzem viés nos resultados.
• Heterogeneidade de Dados: A dificuldade de integrar dados quantitativos (cardinais) e qualitativos (ordinais, como escalas Likert) em um único modelo coerente.
• Inconsistência de Unidades: Problemas na comparação de métricas com unidades de medida distintas e a necessidade de normalização que pode distorcer a eficiência real.
• Falta de Perspectiva Pessimista: A maioria dos métodos foca na "melhor prática" (otimista), carecendo de ferramentas robustas para identificar e eliminar sistematicamente as alternativas menos favoráveis ("pior prática") em cenários de decisão conservadores.

2. Metodologia Proposta: Análise de Lacuna Virtual (VGA)

O artigo propõe uma abordagem inovadora baseada em Programação Linear, denominada Análise de Lacuna Virtual (Virtual Gap Analysis - VGA). O método central apresentado é o w2c VGA, uma abordagem de duas etapas que opera sob uma perspectiva pessimista (pior prática) e lida com matrizes de decisão mistas (dados cardinais e ordinais).

Estrutura do Método (w2c):
O processo divide-se em duas fases sequenciais utilizando dois modelos de programação linear:

• Fase I: Identificação de DMUs "Não-Piores" e "Piores"

  • Modelo: owPT (Ordinal-worst-Pure Technical).
  • Objetivo: Avaliar todas as Unidades de Tomada de Decisão (DMUs) para identificar aquelas que possuem uma "lacuna virtual" positiva.
  • Mecanismo: O modelo calcula o preço de ajuste virtual necessário para que uma DMU se torne a pior performer.
  • Resultado: As DMUs com lacuna virtual zero ($\Delta = 0$) são classificadas como o conjunto de "Piores DMUs" ($E_{owPT}$). As demais são consideradas "Não-Piores" e são eliminadas da análise de pior prática, pois já são superiores a este grupo.

• Fase II: Classificação e Eliminação das Piores DMUs

  • Modelo: ohPT (Ordinal-hypo-Pure Technical).
  • Objetivo: Classificar e identificar a pior alternativa dentro do conjunto $E_{owPT}$ gerado na Fase I.
  • Mecanismo: Compara as DMUs do conjunto de piores entre si (excluindo a própria DMU avaliada). Calcula uma "hipo-lacuna virtual" (hypo-virtual gap).
  • Critério de Classificação: A DMU com a maior hipo-lacuna virtual positiva é identificada como a menos eficiente (a pior) e deve ser eliminada. As DMUs com lacuna zero são as "melhores entre as piores".

Características Técnicas Chave:

• Dados Mistas: O modelo integra dados cardinais (quantitativos contínuos) e ordinais (qualitativos, ex: escalas Likert) sem necessidade de conversão arbitrária, respeitando os limites inferiores e superiores das escalas ordinais.
• Preço Unificado de Objetivo: Utiliza uma moeda virtual unificada ($\tau_o$) para normalizar inputs e outputs, eliminando a necessidade de normalização prévia ou atribuição subjetiva de pesos.
• Dualidade e Invariância de Unidade: O método garante a dualidade entre os programas primal e dual, assegurando que os resultados sejam invariantes às unidades de medida (ex: kg vs. toneladas).
• Abordagem Não-Paramétrica: Não assume uma função de fronteira de produção específica, baseando-se puramente na fronteira de dados observados.

3. Contribuições Principais

1. Novo Paradigma de Perspectiva Pessimista: Diferente da maioria dos métodos DEA/MCDM focados em eficiência máxima, este método é projetado para identificar e remover sistematicamente as alternativas ineficientes, sendo crucial para decisões de eliminação ou corte de custos.
2. Integração de Dados Ordinais e Cardinais: Resolve o problema de heterogeneidade de dados sem distorcer a escala qualitativa, utilizando restrições específicas para escalas Likert dentro da programação linear.
3. Eliminação de Viés Subjetivo: Ao determinar os preços virtuais e taxas de ajuste via otimização matemática (em vez de julgamento de especialistas), o método garante consistência e objetividade.
4. Escalabilidade e Eficiência Computacional: O método é capaz de processar matrizes de decisão grandes (ex: 200+ colunas) em tempo real, integrando-se facilmente a sistemas de suporte à decisão e IA.
5. Validação Teórica: Demonstra propriedades de dualidade forte e condições de folga complementar, garantindo a robustez matemática das soluções ótimas.

4. Resultados e Evidências Empíricas

O estudo valida o método através de dois exemplos:

• Exemplo Mínimo (6 DMUs): Uma análise de modelos de laptops com dados mistos (peso, vendas, percepção de marca, satisfação). O método classificou as unidades, identificando a DMU D como a pior performer na Fase II, com uma lacuna virtual de $0.474. A visualização gráfica 2D confirmou a posição das DMUs em relação à "meridiana principal" (fronteira de pior prática).
• Problema Real em Grande Escala (29 Províncias da China): Avaliação de eficiência energética. O modelo identificou 11 DMUs como "piores" na Fase I. Na Fase II, a DMU 1 foi identificada como a pior alternativa global (maior hipo-lacuna de $0.426), sugerindo que ela necessita de ajustes significativos em inputs e outputs para alcançar o nível de referência das DMUs 11 e 19.
• Comparação: O método superou abordagens tradicionais ao lidar com a heterogeneidade dos dados e fornecer uma classificação clara e eliminatória sem viés de normalização.

5. Significado e Impacto

A pesquisa oferece uma ferramenta robusta para Sistemas de Suporte à Decisão (DSS) em ambientes complexos e incertos (como Indústria 4.0 e Cidades Inteligentes).

• Aplicabilidade Prática: Permite que gestores eliminem alternativas ineficientes de forma objetiva, mesmo quando os dados envolvem julgamentos qualitativos.
• Inovação Acadêmica: Preenche uma lacuna na literatura de MCA ao fornecer um framework não-paramétrico completo para avaliação de "pior prática" com dados mistos, superando as limitações teóricas do DEA tradicional (como inconsistência de unidades e dependência de pesos artificiais).
• Futuro: O framework é extensível para lidar com dados incompletos, ambíguos ou imprecisos, e pode ser integrado com tecnologias de IoT e Big Data para monitoramento em tempo real.

Em suma, o artigo apresenta o w2c VGA como uma solução superior e matematicamente rigorosa para problemas de avaliação multicritério que exigem objetividade, lidam com dados heterogêneos e focam na identificação de ineficiências críticas.