Avenida Maria Das Graças Picanço

Como modelar a aversão ao risco em problemas de decisão multicritério

Aversão ao risco em decisão multicritério não é um conceito único — é uma família de abordagens que tentam capturar algo simples: o decisor prefere certezas a apostas, mesmo quando o valor esperado é idêntico. O problema é que a maioria dos métodos multicritério lida com isso de forma implícita ou o ignora completamente. O que vou descrever aqui é como lidar com isso de maneira prática.

avaliação da aversão ao risco em contextos de decisão multicritério

O ponto de partida é reconhecer que existe uma diferença enorme entre tratar risco como variância sobre os valores dos critérios e tratar risco como assimetria na função de utilidade do decisor. A primeira é mais fácil de calcular; a segunda é mais honesta. Na prática, você precisa decidir qual abordagem se adequa ao seu problema. Se os dados dos critérios são incertos — digamos, estimativas de custo com intervalo de confiana — a técnica mais direta é usar análise de sensibilidade ou simulação de Monte Carlo sobre a matriz de decisões. Métodos como TOPSIS e ELECTRE produzem ranks, mas nenhum deles fala sobre o quão volátil é o ranking. Se você aplicar TOPSIS com valores médios de custos e receitas e depois perguntar "e se os custos forem 20% maiores?", o resultado muda drasticamente para alternativas próximas. Isso é aversão ao risco na prática, mesmo que o método original não modele isso explicitamente.

Se você quer formalizar a aversão ao risco, a via da utilidade multicritério é mais adequada. O framework UTA/UTADIS, desenvolvido por Jossef Sagagi, estimava funções de utilidade a partir das preferências reveladas do decisor. Dentro dessa estrutura, a aversão ao risco aparece naturalmente como concavidade na função de utilidade unidimensional de cada critério. Um decisor neutro em relação ao risco tem uma função linear; um avesso tem uma função côncava. O modelo estima essa forma a partir dos julgamentos do decisor, não a impõe arbitrariamente. Outra opção que vejo bastante no campo é o enfoque baseados na teoria prospectiva de Kahneman e Tversky. Em vez de utilidade esperada, você trabalha com uma função de valor que é côncava para ganhos e convexa para perdas, com um ponto de referência definido pelo decisor. Isso captura algo que a utilidade clássica perde: a aversão assimétrica. Perder R$ 10 mil dói mais do que ganhar R$ 10 mil agrada. Em muitos problemas de decisão multicritério com dimensão financeira, ignorar isso gera recomendações que parecem logicamente sólidas mas são rejeitadas pelo decisor no momento da implementação porque ele simplesmente "não se sente confortável" com a alternativa recomendada.

O meu problema mais chato até hoje foi com um projeto de seleção de fornecedores onde eu estava usando um modelo AHP com avaliações probabilísticas nos pares de comparação. O decisor dizia ter preferência firme por um fornecedor mais barato, mas os intervalos de confiança dos pesos estavam sobrepondo demais. A solução foi criar uma versão robusta do AHP que incorporava faixas de utilidade em vez de pontos únicos, usando a abordagem de Greenberg e Sarkis como referência. Basicamente, em vez de exigir um peso exato para cada critério, eu trabalhava com um espaço de pesos viáveis e selecionava a alternativa que era eficiente em todo o espaço, não apenas no ponto médio. Isso reduziu significativamente a sensibilidade do resultado a pequenas variações nas avaliações, que era exatamente o que o decisor precisava para se sentir seguro com a escolha. Se quiser implementar algo mais direto sem depender de software especializado, a abordagem de funções de utilidade additiva multiatributo é a mais acessível. Você define para cada critério uma função de utilidade transformada — por exemplo, uma função potência u(x) = x^ onde

1 representa aversão ao risco — e depois agrega linearmente as utilidades transformadas. O parâmetro pode ser calibrado a partir de perguntas de escolha entre loterias simples, como: você prefere receber R$ 50 mil com certeza ou 50% de chance de receber R$ 100 mil? A resposta revela o nível de . Esse processo de calibração toma cerca de 30 minutos e costuma estabilizar em duas ou três iterações.

Um detalhe que quase todo mundo erra na calibração é usar o padrão de utilidade do mercado em vez da utilidade do decisor individual. O desconto financeiro corporativo típico não reflete a tolerância ao risco do gestor que vai assinar o contrato. Use entrevistas estruturadas com o decisor real, não proxies. Métodos como MACBETH e SMART também permitem incorporar aversão ao risco, mas de formas diferentes. No MACBETH, a aversão aparece pela não linearidade das diferenças de importância entre níveis de desempenho. No SMART, normalmente se usa uma transformação não linear pré-agregação dos valores dos critérios. Ambas as abordagens são válidas, mas exigem que o decisor seja capaz de fazer julgamentos mais refinados do que simples classificação ordinal. Se o decisor tem dificuldade com escalas cardinais, o MACBETH pode gerar inconsistências mais frequentemente do que o SMART, que é mais tolerante a erros de julgamento.

Um limite importante desses métodos é que eles assumem independência de preferência entre critérios — ou seja, que a aversão ao risco em um critério não se relaciona com a aversão em outro. Na prática, isso raramente é verdade. Um decisor pode ser muito avesso a riscos financeiros mas relativamente neutro em relação a prazos. Abordagens como a utilidade multiatributo com interdependência tentam capturar isso, mas a complexidade aumenta drasticamente e a calibração se torna instável com poucos dados. Nessa situação, o mais honesto é dividir o problema: modele a aversão ao risco separadamente para cada dimensão crítica e depois use um método de agregação sensível a desigualdades, como lexicografia ou restrições de minimização do pior caso. Não existe um botão mágico que transforme qualquer problema multicritério em uma análise de risco completa. A parte mais trabalhosa não é o cálculo em si — é fazer o decisor consistentemente articulado suas verdadesiras preferências sob incerteza. Quando esse processo é feito com cuidado, o resultado costuma ser estável o suficiente para justificar a decisão. Quando é feito de pressa, o modelo produz uma aparência de rigor que esconde inconsistências profundas.