Ein integriertes kubisches pythagoreisches unscharfes MAIRCA-Modell mit einem neuartigen Ähnlichkeitsmaß auf Basis des Variationskoeffizienten zur Bewertung des Lebensmittelsicherheitsrisikos

Warum sichere Lebensmittelwahl wichtig ist

Jeden Tag treffen Menschen zahllose Entscheidungen darüber, was sie essen, im Vertrauen darauf, dass das Essen auf ihrem Teller sicher ist. Dennoch erkranken weltweit jedes Jahr Hunderte Millionen Menschen durch kontaminierte Lebensmittel. Moderne Lebensmittelversorgungsketten reichen über Kontinente, umfassen viele Unternehmen und Aufsichtsbehörden und erzeugen Unmengen unvollständiger oder ungenauer Daten. Dieses Papier beschäftigt sich mit einer auf den ersten Blick einfachen, aber weitreichenden Frage: Wie können Behörden Lebensmittelsicherheitsrisiken zwischen Regionen verlässlich vergleichen, wenn die Informationen unsicher, lückenhaft und von menschlichem Urteil geprägt sind?

Herausforderungen bei der Beurteilung der Lebensmittelsicherheit

Lebensmittelsicherheit wird nicht durch einen einzigen Faktor bestimmt, sondern durch ein Geflecht von Vorschriften und Praktiken: Grenzwerte für Pestizidrückstände, Hygiene in Fabriken, wie eindeutig Etiketten Risiken kommunizieren, wie leicht Produkte im Rückruf rückverfolgbar sind, und mehr. Diese Kriterien wirken oft in unterschiedliche Richtungen, und harte Zahlen fehlen häufig. Inspektoren und Expertinnen müssen Zustände mit vagen Begriffen wie „sehr gut“ oder „etwas riskant“ beschreiben, und ihre Einschätzungen können auseinandergehen. Traditionelle Entscheidungswerkzeuge verlangen meist präzise numerische Eingaben und tun sich schwer, unscharfe Expertenmeinungen mit verstreuten Messwerten zu verbinden; dadurch können ihre Risikoranglisten instabil oder irreführend werden.

Ein klügerer Umgang mit Unsicherheit

Die Autorinnen und Autoren bauen auf Fortschritten in der „Fuzzy“-Mathematik auf, einer Methodenfamilie, die dafür entworfen ist, mit Graubereichen statt mit klaren Ja‑/Nein‑Antworten zu arbeiten. In ihrem Rahmen wird das Urteil jedes Experten zu einem Kriterium – etwa zur Hygiene in einer Region – nicht als einzelne Punktzahl erfasst, sondern als Band möglicher Werte plus einer Berücksichtigung von Zweifel. Diese reichere Beschreibung bewahrt Zögern und Meinungsverschiedenheiten, statt sie in eine einzige Zahl zu pressen. Anschließend führen sie eine neue Methode ein, um zu messen, wie ähnlich sich zwei solche unscharfen Beschreibungen sind, indem sie zwei bekannte Vergleichsideen zu einem einzigen Ähnlichkeitsindex verbinden. Dieser Index arbeitet im Modell als zentrale Komponente und hilft sowohl bei der Gewichtung der wichtigsten Sicherheitskriterien als auch bei der Bewertung, wie nahe jede Region an idealer oder schlechter Leistung liegt.

Ausbalancieren von Experteneinschätzung und harten Daten

Die Risikobewertung hängt schließlich davon ab, wie viel Bedeutung jedem Sicherheitskriterium beigemessen wird. Anstatt sich nur auf Expertenrankings oder ausschließlich auf statistische Variation zu stützen, kombiniert der vorgeschlagene Ansatz beides. Experten ordnen zunächst die Kriterien nach ihrer wahrgenommenen Wichtigkeit und erzeugen so einen Satz „subjektiver“ Gewichte. Gleichzeitig untersucht der neue Ähnlichkeitsindex die Daten, um zu erkennen, welche Kriterien die Regionen tatsächlich am deutlichsten unterscheiden, und liefert so „objektive“ Gewichte. Ein Einstellknopf mischt dann diese beiden Quellen zu den endgültigen Gewichten, sodass Regulierungsbehörden angeben können, wie stark sie auf Erfahrung versus Datenmuster setzen, wobei die Wahl transparent bleibt.

Test des Modells an Regionen Chinas

Um die Praxisfähigkeit der Methode zu demonstrieren, bewerten die Autorinnen und Autoren das Lebensmittelsicherheitsrisiko in fünf großen Regionen Chinas – Ost, Süd, West, Zentral und Nord – anhand von sieben gängigen Regulierungskriterien, darunter Rückstandslimits, Kennzeichnungs- und Rückverfolgbarkeitsvorschriften, Hygiene, Prozessstandards, Importkontrollen und sanitäre Vorschriften. Drei Spezialistinnen bzw. Spezialisten bewerten unabhängig, wie gut jede Region in jedem Kriterium abschneidet, mithilfe von sprachlichen Skalen wie „ziemlich bedeutsam“ oder „außerordentlich bedeutsam“, die in die für das Modell erforderliche unscharfe Form umgewandelt werden. Das Rahmenwerk berechnet dann, wie weit jede Region von einem hypothetischen Best‑ und Worst‑Case‑Standard entfernt ist, fasst diese Abstände über alle Kriterien mit den kombinierten Gewichten zusammen und erzeugt für jede Region einen Gesamt-Risikoscore und eine Rangfolge.

Was die Ergebnisse aussagen und warum sie wichtig sind

Die Analyse zeigt, dass Ostchina unter den fünf untersuchten Regionen das geringste Lebensmittelsicherheitsrisiko aufweist, gefolgt von Süd‑ und Westchina, während Zentral‑ und Nordchina zurückliegen. Wichtig ist, dass sich die Rangfolge kaum ändert, wenn die Autorinnen und Autoren das Verhältnis zwischen subjektiven und objektiven Gewichten variieren oder das Verhalten ihres Ähnlichkeitsindex anpassen. Diese Stabilität deutet darauf hin, dass die Schlussfolgerungen keine fragilen Artefakte einer einzelnen Modellentscheidung sind. Für politische Entscheidungsträger bietet das Rahmenwerk ein wissenschaftlich fundiertes Instrument: Es macht deutlich, welche Regionen am dringendsten Aufmerksamkeit benötigen und welche Kriterien am stärksten zu ihrem Risiko beitragen. Für die Öffentlichkeit lautet die Kernbotschaft, dass fortgeschrittene Mathematik helfen kann, Verwirrung und widersprüchliche Meinungen zu durchdringen, und so eine klarere, gerechtere Priorisierung von Maßnahmen zur Verbesserung der Lebensmittelsicherheit ermöglicht und letztlich die Wahrscheinlichkeit reduziert, dass gefährliche Produkte Verbraucherinnen und Verbraucher erreichen.

Zitation: Liu, Z., Weng, Z., Ksibi, A. et al. An integrated cubic Pythagorean fuzzy MAIRCA model with novel variation coefficient similarity measure for food safety risk assessment. Sci Rep 16, 11323 (2026). https://doi.org/10.1038/s41598-026-39302-z

Schlüsselwörter: Lebensmittelsicherheit, Risikobewertung, Entscheidungsfindung, Fuzzy-Logik, China