TOPSIS-RAD: Ranking According to Desires

Resumo Técnico: TOPSIS-RAD: Classificação de Acordo com os Desejos

Definição do Problema
O TOPSIS (Técnica para Ordenação de Preferência por Similaridade à Solução Ideal) tradicional deriva seus pontos de referência — a Solução Ideal Positiva (PIS) e a Solução Ideal Negativa (NIS) — diretamente do conjunto de dados observado. Os autores identificam três limitações críticas inerentes a essa abordagem baseada em dados:

1. Desalinhamento com as Preferências do Tomador de Decisão (DM): O PIS e o NIS são constructos artificiais baseados nos extremos do conjunto de dados, que podem não refletir as aspirações reais ou os requisitos mínimos aceitáveis do DM.
2. Sensibilidade a Outliers: Valores extremos dentro do conjunto de alternativas podem distorcer o cálculo das fronteiras de referência, introduzindo ruído e potencialmente levando a classificações anômalas.
3. Reversão de Ranking: Como os pontos de referência dependem do conjunto específico de alternativas, adicionar ou remover uma opção (especialmente uma que define uma fronteira) pode alterar as distâncias relativas das demais alternativas, mudando a ordem do ranking e comprometendo a estabilidade do método.

Embora a literatura anterior tenha tentado abordar a reversão de ranking fixando o PIS e o NIS com base em benchmarks externos ou limites de domínio, os autores argumentam que essas abordagens frequentemente falham ao não filtrar explicitamente alternativas não viáveis ou ao não limitar desempenhos excessivos que excedem os desejos reais do DM.

Metodologia: TOPSIS-RAD
O artigo propõe o TOPSIS-RAD (Ranking According to Desires - Classificação de Acordo com os Desejos), uma variante que modifica o fluxo de trabalho padrão do TOPSIS ao incorporar dois arrays definidos pelo tomador de decisão antes das etapas de normalização e cálculo de distância:

• Níveis de Desempenho de Veto (VPL - Vetoed Performance Levels): Um vetor que define o limiar mínimo de desempenho aceitável para cada critério. As alternativas que não atingem esses limiares são excluídas do conjunto viável antes da normalização.
• Níveis de Desempenho Desejados (DPL - Desired Performance Levels): Um vetor que representa as metas de desempenho preferidas do DM. Desempenhos que excedem esses níveis são limitados (capped/clipped) ao valor do DPL antes da normalização.

O algoritmo procede da seguinte forma:

1. Entrada: A matriz de decisão, os pesos e os vetores VPL e DPL definidos pelo DM.
2. Filtragem: Identificar e remover as alternativas que violam as restrições do VPL.
3. Limitação (Capping): Para as alternativas qualificadas restantes, limitar qualquer valor de desempenho que exceda o DPL.
4. Normalização: Aplicar uma normalização linear (estilo Max-Min) usando o VPL e o DPL fixos como limites inferior e superior, respectivamente. Isso garante que a escala de normalização seja independente do conjunto de alternativas específico no conjunto de dados.
5. Definição de Referência: Os pontos de referência normalizados (Nível Normalizado Desejado - DNL, e Nível Normalizado de Veto - VNL) são derivados diretamente dos vetores fixos VPL e DPL, em vez dos extremos do conjunto de dados.
6. Classificação: Calcular as distâncias euclidianas para o DNL e o VNL e computar o coeficiente de proximidade relativa ($S_{iw}$) para gerar o ranking final.

Principais Contribuições
O artigo reivindica três contribuições primárias:

1. Integração Explícita de Preferências: O método fundamenta a classificação em limites estáveis e especificados pelo DM (aspirações e mínimos), em vez de extremos artificiais do conjunto de dados.
2. Robustez a Outliers: Ao limitar os desempenhos no DPL e excluir opções não viáveis via VPL, o método evita que valores extremos distorçam as fronteiras de normalização ou dominem a classificação.
3. Imunidade à Reversão de Ranking: Como os limites de normalização e os pontos de referência são fixados exogenamente, adicionar ou remover alternativas não altera a escala ou as distâncias relativas das opções sobreviventes, preservando assim a estabilidade da classificação.

Resultos e Exemplos de Estudo (Toy Examples)
Os autores validam o método usando três "exemplos de estudo" implementados via uma aplicação web customizada (Visual TOPSIS-RAD):

• Exemplo A (Linha de Base): Demonstra o TOPSIS tradicional, onde o ranking é impulsionado pelos extremos do conjunto de dados.
• Exemplo B (Efeito VPL): Aplica um VPL para excluir uma alternativa não viável (A8). Os resultados mostram que a remoção de A8 não desloca as fronteiras de normalização para as demais alternativas, ao contrário do TOPSIS tradicional, onde a remoção de um valor extremo alteraria o PIS/NIS e poderia causar reversão de ranking.
• Exemplo C (Efeito DPL): Aplica um DPL fixo (definido abaixo do máximo do conjunto de dados) para limitar altos desempenhos. Isso demonstra que alternativas com métricas de "alto desempenho" (ex: A3 com uma pontuação de 150 em um critério onde o desejado é 80) perdem sua vantagem desproporcional. Consequentemente, alternativas com perfis equilibrados (ex: A4) sobem no ranking, refletindo uma lógica de "satisfação" (satisficing), onde exceder o nível desejado não gera crédito adicional.
• Teste de Estabilidade: Os autores introduzem uma nova alternativa dominada (A11) ao conjunto de dados. No TOPSIS tradicional, essa inserção causa uma reordenação completa dos rankings (reversão de ranking). Em todas as configurações do TOPSIS-RAD, os rankings das alternativas originais permanecem idênticos, com a nova alternativa sendo anexada ao final ou excluída totalmente.

Significância e Alegações
O artigo posiciona o TOPSIS-RAD como uma ponte entre a estrutura de distância familiar do TOPSIS e os métodos de ponto de referência encontrados em outros frameworks de MCDA (como ELECTRE TRI ou NADIR-UTOPIA). Os autores afirmam que o método é particularmente benéfico para:

• Avaliações recorrentes (ex: seleção de fornecedores) onde os padrões de desempenho são estáveis.
• Contextos regulados onde limiares mínimos são obrigatórios.
• Cenários onde valores extremos representam ruído em vez de superioridade significativa.

Os autores mantêm modéstia quanto ao escopo de suas alegações, observando que o método exige que o DM possua conhecimento de domínio suficiente para definir valores significativos de VPL e DPL. Eles reconhecem que o método introduz esforço cognitivo adicional para o tomador de decisão e identificam direções de pesquisas futuras, incluindo a integração com modelagem de incerteza (entradas fuzzy/probabilísticas), análise de sensibilidade e extensões para tomada de decisão em grupo. O artigo não pretende resolver todos os problemas de MCDA, mas oferece um mecanismo específico para estabilizar rankings e alinhá-los mais de perto com as aspirações explícitas do tomador de decisão.