Compensaciones de producción adecuadas y consistentes en modelos de análisis envolvente de datos

El análisis envolvente de datos (DEA) es una metodología basada en la optimización utilizada para la evaluación de la eficiencia de las organizaciones. Los modelos tradicionales de DEA se basan en los vectores de entradas (recursos) y salidas (productos o servicios) de las organizaciones observadas. A menudo, los modelos de DEA son mejorados por juicios de valor adicionales expresados como compensaciones entre entradas y salidas o como restricciones de peso dual. En el artículo “Compensaciones de producción adecuadas y consistentes en modelos de análisis envolvente de datos”, Podinovski y Papaioannou demostraron que dichos juicios de valor adicionales pueden ser contradictorios (no adecuados) y desarrollaron pruebas analíticas y computacionales para su identificación. Cualquier juicio de valor que no sea adecuado indica un error en su evaluación. El enfoque desarrollado es igualmente aplicable en el análisis de decisiones multicriterio en el cual las compensaciones entre criterios son especificadas imprecisamente por un conjunto de desigualdades lineales expresadas en términos de pesos de criterio. Las compensaciones no adecuadas resultan en que los pesos de algunos criterios (identificables por el enfoque computacional desarrollado) sean iguales a cero, lo que efectivamente excluye tales criterios del análisis.