Un modello MAIRCA fuzzy pitagorico cubico integrato con una nuova misura di similarità al coefficiente di variazione per la valutazione del rischio alimentare

Perché contano scelte alimentari più sicure

Ogni giorno le persone compiono innumerevoli scelte su cosa mangiare, confidando che il cibo nei loro piatti sia sicuro. Eppure ogni anno alimenti contaminati provocano malattie a centinaia di milioni di persone nel mondo. Le moderne filiere alimentari si estendono tra continenti, coinvolgono molte imprese e autorità di controllo e generano grandi quantità di dati imperfetti. Questo articolo affronta una domanda apparentemente semplice, dalle conseguenze ampie: come possono le autorità confrontare in modo affidabile i rischi per la sicurezza alimentare tra regioni quando le informazioni sono incerte, incomplete e influenzate dal giudizio umano?

Sfide nella valutazione della sicurezza alimentare

La sicurezza alimentare non è determinata da un unico fattore, ma da un intreccio di norme e pratiche: limiti per i residui di pesticidi, igiene negli stabilimenti, chiarezza delle etichette nel comunicare i rischi, tracciabilità dei prodotti in caso di richiamo e altro ancora. Questi criteri spesso spingono in direzioni diverse e i numeri precisi mancano di frequente. I controllori e gli esperti devono descrivere le condizioni usando termini vaghi come “molto buono” o “abbastanza rischioso”, e le loro opinioni possono divergere. Gli strumenti decisionali tradizionali solitamente richiedono input numerici precisi e faticano quando devono combinare opinioni esperte sfumate con misurazioni sparse, perciò le loro graduatorie del rischio possono risultare instabili o fuorvianti.

Un modo migliore per gestire l’incertezza

Gli autori si basano sui progressi della matematica “fuzzy”, una famiglia di metodi pensata per trattare sfumature invece di risposte nette sì/no. Nel loro quadro, il giudizio di ciascun esperto su un criterio — per esempio l’igiene in una regione — non è catturato come un singolo punteggio, ma come una fascia di valori possibili con un’ammissibilità per l’incertezza. Questa descrizione più ricca preserva esitazioni e disaccordi invece di forzarli in un unico numero. Introducono poi un nuovo modo di misurare quanto siano simili due descrizioni fuzzy, fondendo due idee di confronto note in un unico indice di similarità. Questo indice diventa il motore del modello, aiutando sia a pesare quali criteri di sicurezza contano di più, sia a valutare quanto ciascuna regione si avvicina a prestazioni ideali o pessime.

Bilanciare l’intuizione degli esperti e le evidenze

La valutazione del rischio dipende in ultima analisi dall’importanza assegnata a ciascun criterio di sicurezza. Piuttosto che affidarsi solo alle graduatorie di esperti o solo alla variazione statistica, l’approccio proposto combina entrambe le fonti. Gli esperti classificano prima i criteri secondo la loro importanza percepita, producendo un insieme di pesi “soggettivi”. Contemporaneamente, il nuovo indice di similarità analizza i dati per vedere quali criteri distinguono effettivamente le regioni in modo più netto, generando pesi “oggettivi”. Una manopola di regolazione fonde poi queste due fonti nei pesi finali, permettendo ai regolatori di modulare quanto appoggiarsi all’esperienza esperta rispetto ai pattern dei dati mantenendo trasparenza su quella scelta.

Testare il modello su regioni cinesi

Per mostrare come funziona il metodo nella pratica, gli autori valutano il rischio alimentare in cinque grandi regioni della Cina — Est, Sud, Ovest, Centrale e Nord — usando sette dimensioni regolatorie comuni, inclusi limiti di residui, norme su etichettatura e tracciabilità, igiene, standard di processo, controlli all’importazione e regolamentazioni sanitarie. Tre specialisti valutano in modo indipendente come ogni regione si comporta su ciascun criterio usando scale linguistiche come “abbastanza significativo” o “estremamente significativo”, che vengono convertite nella forma fuzzy richiesta dal modello. Il quadro calcola poi quanto ogni regione è distante da uno standard ipotetico di miglior caso e di peggior caso, aggrega questi scarti su tutti i criteri usando i pesi combinati e produce un punteggio complessivo di rischio e una classifica per ciascuna regione.

Risultati e rilevanza

L’analisi rileva che la Cina orientale presenta il rischio alimentare più basso tra le cinque regioni studiate, seguita dal Sud e dall’Ovest, mentre le regioni Centrale e del Nord risultano più arretrate. È importante notare che quando gli autori variano l’equilibrio tra pesi soggettivi e oggettivi e regolano il comportamento del loro indice di similarità, la classifica cambia pochissimo. Questa stabilità suggerisce che le conclusioni non sono artefatti fragili di una singola scelta modellistica. Per i responsabili delle politiche, il quadro offre una dashboard fondata scientificamente: evidenzia quali regioni richiedono maggiore attenzione e quali criteri contribuiscono maggiormente al loro rischio. Per il pubblico, il messaggio è che strumenti matematici avanzati possono aiutare a districare confusione e opinioni contrastanti, offrendo un modo più chiaro e giusto per dare priorità agli interventi sulla sicurezza alimentare e, in ultima istanza, ridurre la probabilità che prodotti pericolosi raggiungano i consumatori.

Citazione: 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

Parole chiave: sicurezza alimentare, valutazione del rischio, processo decisionale, logica fuzzy, Cina