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

Resumo Técnico: O $\alpha$-Desconto ($\alpha$-DMCDM) como uma Extensão do AHP, TOPSIS, VIKOR, PROMETHEE e Soma Ponderada

Definição do Problema
As técnicas tradicionais de Tomada de Decisão Multicritério (MCDM), incluindo o Processo de Hierarquia Analítica (AHP), TOPSIS, VIKOR, PROMETHEE e modelos de Soma Ponderada, baseiam-se na premissa de que os tomadores de decisão podem fornecer informações de preferência consistentes, pareadas (ou totalmente compatíveis). Em cenários do mundo real, no entanto, as estruturas de preferência são frequentemente incompletas, não lineares ou contraditórias. Por exemplo, inconsistências cíclicas (ex: $C_1 > C_2$, $C_2 > C_3$, mas $C_3 > C_1$) tornam os sistemas de equações utilizados por esses métodos insolúveis, gerando apenas soluções triviais. Embora o AHP detecte a inconsistência via Razão de Consistência (CR), ele não oferece um mecanismo principiológico para reparar o conjunto de julgamentos ou derivar pesos a partir de dados inconsistentes. Outros métodos simplesmente exigem pesos pré-calculados e não conseguem processar estruturas de preferência mal formuladas. As extensões existentes utilizando conjuntos fuzzy ou neutrosóficos frequentemente ainda dependem de uma etapa de extração de pesos consistente.

Metodologia: $\alpha$-DMCDM (MCDM de $\alpha$-Desconto)
O artigo propõe o $\alpha$-DMCDM como um arcabouço algébrico unificado que abraça a informação inconsistente em vez de rejeitá-la. A metodologia central transforma declarações de preferência — sejam elas lineares, não lineares, pareadas ou $n$-árias — em um sistema de equações ou inequações algébricas.

1. Base Axiomática: O método baseia-se em sete axiomas, destacando-se:

   • Axioma A3 (Admissibilidade de Inconsistência): O sistema pode ser inconsistente (isto é, $\det(I - A) \neq 0$), resultando apenas na solução trivial $x=0$.
   • Axioma A4 (Princípio do $\alpha$-Desconto): Um fator de desconto escalar global $\alpha > 0$ é introduzido de tal forma que o sistema descontado $(I - \alpha A)x = 0$ admita uma solução não trivial.
   • Axioma A5 (Medida de Consistência): O valor de $\alpha$ quantifica a consistência global. $\alpha = 1$ implica consistência total; $0 < \alpha < 1$ indica inconsistência, com valores menores refletindo contradições mais fortes.

2. Teorema de Existência: O artigo prova que, para qualquer conjunto finito de equações de preferência lineares (ou linearizadas) onde o sistema original é inconsistente, existe pelo menos um escalar real positivo $\alpha$ tal que $\det(I - \alpha A) = 0$. Isso garante a existência de um autovetor não trivial que pode ser normalizado para gerar pesos de prioridade.

3. Procedimento Algorítmico:

   • Modelar preferências como um sistema de equações/inequações para formar a matriz $A$.
   • Introduzir um único fator de desconto $\alpha$ (aderindo ao Princípio da Equidade).
   • Resolver $\det(I - \alpha A) = 0$ para o $\alpha$ admissível (tipicamente a menor raiz positiva).
   • Calcular o autovetor de $(I - \alpha A)$ associado ao autovalor zero.
   • Normalizar o autovetor para obter o vetor de pesos final $w$.

4. Extensões: O arcabouço é modular e suporta:

   • $\alpha$-Desconto de Intervalo: Lidar com coeficientes vagos como intervalos $[a^-, a^+]$, resultando em um intervalo de valores de $\alpha$ admissíveis e pesos de valores de intervalo.
   • $\alpha$-Desconto Não Linear: Acomodar relações funcionais arbitrárias (ex: quadráticas, logarítmicas) ao reduzir o sistema a uma equação transcendental resolvida via busca numérica de raízes.
   • Tomada de Decisão em Grupo: Agregar matrizes de múltiplos especialistas via média, média ponderada ou seleção de $\alpha$ mínimo, preservando o tratamento quantitativo da inconsistência.
   • Lógica Neutrosófica: Mapear o fator de desconto $\alpha$ para o componente de "Verdade" ($T$) de tripletos neutrosóficos $(T, I, F)$, permitindo que o método lide explicitamente com a indeterminação e a falsidade.

Principais Contribuições

• Unificação Teórica: Fornece uma exposição autocontida do $\alpha$-DMCDM, estabelecendo uma base axiomática rigorosa e um teorema de existência para o fator de desconto.
• Gestão de Inconsistência: Oferece um mecanismo principiológico para quantificar e resolver a inconsistência algebricamente sem descartar julgamentos contraditórios. O parâmetro $\alpha$ serve como uma métrica direta do grau de conflito.
• Expressividade: Permite que os tomadores de decisão articulem preferências em formas matemáticas naturais (lineares, não lineares, intervalos) sem forçá-las a uma estrutura de matriz pareada.
• Implementação Prática: Inclui exemplos numéricos ilustrativos (cíclicos lineares, baseados em intervalos e não lineares) e fornece implementações de código em Python para resolver esses sistemas.
• Análise Comparativa: Contrasta sistematicamente o $\alpha$-DMCDM com AHP, TOPSIS, VIKOR, PROMETHEE e Soma Ponderada, destacando sua capacidade única de lidar com preferências não lineares, incerteza de intervalo e dados inconsistentes, mantendo uma tratabilidade computacional comparável aos métodos baseados em autovetores.

Resultos e Exemplos Ilustrativos
O artigo demonstra o método através de três casos específicos:

1. Caso Cíclico Linear: Para um sistema onde $x_1 = 2x_2$, $x_2 = 3x_3$ e $x_3 = 4x_1$ (uma inconsistência cíclica), o método calcula $\alpha \approx 0,346$. Os pesos resultantes são $(0,26, 0,37, 0,37)$, fornecendo uma solução onde o AHP tradicional falharia em produzir pesos devido à inconsistência.
2. Caso de Intervalo: Para critérios ambientais com intervalos de importância vagos, o método deriva um $\alpha$-intervalo admissível $[0,346, 0,550]$. A seleção de um $\alpha$ representativo gera pesos de valores de intervalo, permitindo que os tomadores de decisão explorem posturas de aversão ou busca ao risco.
3. Caso Não Linear: Para um estudo de adoção tecnológica com relações quadráticas e logarítmicas, o método resolve uma equação transcendente para encontrar $\alpha \approx 0,45$, gerando pesos que refletem insights comportamentais específicos (ex: retornos decrescentes).

Significância e Alegações
O artigo afirma que o $\alpha$-Desconto preenche a lacuna entre a teoria da decisão clássica e o raciocínio moderno consciente de incertezas. Sua principal significância reside em transformar a inconsistência de um diagnóstico negativo (um motivo para rejeitar dados) em informação acionável (um parâmetro quantificável $\alpha$). Ao manter a simplicidade algébrica dos métodos lineares enquanto expande o poder expressivo para incluir dados não lineares e incertos, o método é apresentado como uma alternativa robusta para engenharia complexa, planejamento estratégico e agregação de preferências impulsionada por IA. Os autores posicionam o $\alpha$-DMCDM não como um substituto para todos os métodos existentes, mas como uma extensão necessária para cenários onde as estruturas de preferência são inerentemente contraditórias, incompletas ou não lineares.

Limitações e Direções Futuras
O artigo reconhece modestamente limitações, incluindo o potencial para múltiplas raízes positivas em equações polinomiais (exigindo conhecimento de domínio para seleção), desafios de escalabilidade para sistemas muito grandes e a necessidade de treinamento de profissionais para interpretar a métrica $\alpha$. As direções de pesquisa futura sugeridas incluem a integração de aprendizado de máquina para elicitação de preferências, a extensão do arcabouço para $\alpha$ dinâmico e variante no tempo, e o desenvolvimento de interfaces gráficas para visualizar a deformação geométrica dos hiperplanos causada pelo $\alpha$.