Un modèle MAIRCA pythagoricien flou cubique intégré avec une nouvelle mesure de similarité par coefficient de variation pour l’évaluation des risques alimentaires

Pourquoi des choix alimentaires plus sûrs importent

Chaque jour, les personnes prennent d’innombrables décisions sur ce qu’elles mangent, en faisant confiance au fait que la nourriture dans leurs assiettes est sûre. Pourtant, des aliments contaminés rendent encore malades des centaines de millions de personnes dans le monde chaque année. Les chaînes d’approvisionnement modernes s’étendent sur des continents, impliquent de nombreuses entreprises et autorités de réglementation, et génèrent des masses de données imparfaites. Cet article s’attaque à une question apparemment simple mais aux conséquences considérables : comment les autorités peuvent-elles comparer de manière fiable les risques alimentaires entre régions lorsque l’information est incertaine, incomplète et influencée par le jugement humain ?

Les défis de l’appréciation de la sécurité alimentaire

La sécurité alimentaire n’est pas régie par un seul facteur, mais par un enchevêtrement de règles et de pratiques : limites de résidus de pesticides, hygiène en usine, clarté des étiquettes pour communiquer les risques, facilité de traçabilité en cas de rappel de produit, et plus encore. Ces critères tirent souvent dans des directions opposées, et les valeurs numériques précises font fréquemment défaut. Les inspecteurs et les experts doivent décrire les conditions à l’aide de termes vagues comme « très bon » ou « quelque peu risqué », et leurs avis peuvent diverger. Les outils décisionnels traditionnels exigent généralement des entrées numériques précises et peinent à combiner des opinions d’experts floues avec des mesures dispersées, si bien que leurs classements de risque peuvent être instables ou trompeurs.

Une approche plus intelligente pour gérer l’incertitude

Les auteurs s’appuient sur les progrès des mathématiques « floues », une famille de méthodes conçues pour travailler avec des nuances plutôt qu’avec des réponses nettes oui/non. Dans leur cadre, le jugement de chaque expert sur un critère — par exemple l’hygiène dans une région — n’est pas capturé comme un score unique, mais comme une bande de valeurs possibles accompagnée d’une marge d’hésitation. Cette description enrichie conserve l’hésitation et le désaccord au lieu de les forcer en un seul nombre. Ils introduisent ensuite une nouvelle façon de mesurer la similarité entre deux descriptions floues, en combinant deux idées de comparaison bien connues en un seul indice de similarité. Cet indice devient un outil central du modèle, aidant à la fois à pondérer l’importance des critères de sécurité et à évaluer la proximité de chaque région par rapport à une performance idéale ou dégradée.

Équilibrer le jugement des experts et les preuves tangibles

L’évaluation du risque dépend en fin de compte de l’importance attribuée à chaque critère de sécurité. Plutôt que de se fonder uniquement sur des classements d’experts ou uniquement sur la variation statistique, l’approche proposée combine les deux. Les experts classent d’abord les critères selon leur importance perçue, produisant un ensemble de poids « subjectifs ». Parallèlement, le nouvel indice de similarité scrute les données pour identifier les critères qui distinguent réellement le plus les régions, produisant des poids « objectifs ». Un réglage permet ensuite de combiner ces deux sources en des poids finaux, offrant aux autorités la possibilité d’ajuster le degré d’appui sur l’expérience des experts versus les motifs détectés dans les données, tout en maintenant la transparence de ce choix.

Test du modèle sur des régions chinoises

Pour montrer le fonctionnement de la méthode en pratique, les auteurs évaluent le risque de sécurité alimentaire dans cinq grandes régions de Chine — Est, Sud, Ouest, Centre et Nord — en utilisant sept dimensions réglementaires courantes, incluant les limites de résidus, les règles d’étiquetage et de traçabilité, l’hygiène, les normes de procédé, les contrôles à l’importation et les réglementations sanitaires. Trois spécialistes évaluent indépendamment la performance de chaque région sur chaque critère en utilisant des échelles linguistiques telles que « assez significatif » ou « exceptionnellement significatif », lesquelles sont converties dans la forme floue requise par le modèle. Le cadre calcule ensuite la distance de chaque région à un standard hypothétique de meilleur et de pire cas, agrège ces écarts sur tous les critères en utilisant les poids combinés, et produit un score de risque global et un classement pour chaque région.

Ce que révèlent les résultats et pourquoi cela compte

L’analyse montre que la Chine de l’Est présente le risque de sécurité alimentaire le plus faible parmi les cinq régions étudiées, suivie du Sud et de l’Ouest, tandis que le Centre et le Nord restent à la traîne. Fait important, lorsque les auteurs modifient l’équilibre entre poids subjectifs et objectifs, et ajustent le comportement de leur indice de similarité, le classement change à peine. Cette stabilité suggère que les conclusions ne sont pas des artefacts fragiles d’un choix de modélisation unique. Pour les décideurs, le cadre offre un tableau de bord scientifiquement fondé : il met en évidence les régions nécessitant le plus d’attention et les critères qui contribuent le plus à leur risque. Pour le public, l’enseignement est que des mathématiques avancées peuvent aider à clarifier la confusion et les opinions contradictoires, offrant une manière plus claire et plus équitable de prioriser les améliorations de la sécurité alimentaire et, en fin de compte, de réduire la probabilité que des produits dangereux atteignent les consommateurs.

Citation: 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

Mots-clés: sûreté alimentaire, évaluation des risques, prise de décision, logique floue, Chine