Een geïntegreerd cubisch Pythagorisch fuzzy MAIRCA-model met een nieuwe variatiecoëfficiënt-gelijkheidsmaat voor risicobeoordeling van voedselveiligheid

Waarom veiligere voedselkeuzes ertoe doen

Dagelijks maken mensen talloze keuzes over wat ze eten, in de veronderstelling dat het voedsel op hun bord veilig is. Toch raakt besmet voedsel elk jaar honderden miljoenen mensen wereldwijd ziek. Moderne voedselketens strekken zich uit over continenten, omvatten tal van bedrijven en toezichthouders en produceren enorme hoeveelheden onvolledige of onbetrouwbare data. Dit artikel pakt een ogenschijnlijk eenvoudige vraag aan met verstrekkende gevolgen: hoe kunnen autoriteiten voedselveiligheidsrisico's tussen regio's betrouwbaar vergelijken wanneer informatie onzeker, onvolledig en beïnvloed door menselijke oordelen is?

Uitdagingen bij het beoordelen van voedselveiligheid

Voedselveiligheid wordt niet door één factor bepaald, maar door een wirwar van regels en praktijken: limieten voor pesticideresten, hygiëne in fabrieken, hoe duidelijk etiketten risico's communiceren, hoe gemakkelijk producten kunnen worden getraceerd bij een terugroepactie, en meer. Deze criteria werken vaak in verschillende richtingen en harde cijfers ontbreken regelmatig. Inspecteurs en experts moeten omstandigheden beschrijven met vage termen zoals “zeer goed” of “enigszins risicovol”, en hun meningen kunnen uiteenlopen. Traditionele besluitvormingsinstrumenten vragen meestal om precieze numerieke invoer en hebben moeite wanneer vage expertschalen gecombineerd moeten worden met verspreide metingen, waardoor hun risicorangschikkingen instabiel of misleidend kunnen zijn.

Een slimmere manier om met onzekerheid om te gaan

De auteurs bouwen voort op vorderingen in de “fuzzy” wiskunde, een familie methoden die ontworpen zijn om met grijstinten te werken in plaats van scherpe ja-of-nee-antwoorden. In hun raamwerk wordt het oordeel van elke expert over een criterium—bijvoorbeeld de hygiëne in een regio—niet vastgelegd als een enkele score, maar als een band van mogelijke waarden plus een marge voor twijfel. Deze rijkere beschrijving behoudt aarzeling en meningsverschil in plaats van deze in één getal te dwingen. Daarna introduceren ze een nieuwe manier om te meten hoe vergelijkbaar twee dergelijke vage beschrijvingen zijn, door twee bekende vergelijkingsideeën te combineren tot één gelijkenisindex. Deze index wordt het werkpaard binnen het model: hij helpt zowel bij het wegen van welke veiligheidscriteria het belangrijkst zijn als bij het beoordelen hoe dicht elke regio bij ideale of slechte prestaties ligt.

Een evenwicht tussen expertinzichten en harde gegevens

De risicobeoordeling draait uiteindelijk om hoeveel belang aan elk veiligheidscriterium wordt toegekend. In plaats van alleen op expertschalen of alleen op statistische variatie te vertrouwen, combineert de voorgestelde aanpak beide. Experts rangschikken eerst de criteria op basis van hun waargenomen belangrijkheid, wat een set “subjectieve” gewichten oplevert. Tegelijkertijd scant de nieuwe gelijkenisindex de gegevens om te zien welke criteria regio's het scherpst van elkaar onderscheiden, wat leidt tot “objectieve” gewichten. Een instelbare parameter mengt vervolgens deze twee bronnen tot de uiteindelijke gewichten, zodat toezichthouders kunnen bijstellen hoeveel ze leunen op ervaring van experts versus datapatronen, terwijl ze transparant blijven over die keuze.

Het model testen op Chinese regio's

Om te laten zien hoe de methode in de praktijk werkt, passen de auteurs de risicobeoordeling toe op vijf grote regio's van China—Oost, Zuid, West, Centraal en Noord—met zeven veelgebruikte regelgevende dimensies, waaronder restlimieten, etikettering en traceerbaarheidsregels, hygiëne, procesnormen, importcontroles en sanitaire voorschriften. Drie specialisten beoordelen onafhankelijk hoe goed elke regio presteert op elk criterium met behulp van linguïstische schalen zoals “tamelijk belangrijk” of “uitzonderlijk belangrijk”, die worden omgezet naar de fuzzy-vorm die het model vereist. Het raamwerk berekent vervolgens hoe ver elke regio verwijderd is van een hypothetische beste en slechtste standaard, aggregeert deze hiaten over alle criteria met behulp van de gecombineerde gewichten en produceert een algemene risico-score en rangorde voor elke regio.

Wat de resultaten zeggen en waarom ze ertoe doen

De analyse toont aan dat Oost-China het laagste voedselveiligheidsrisico heeft van de vijf bestudeerde regio's, gevolgd door Zuid- en West-China, terwijl Centraal- en Noord-China achterblijven. Belangrijk is dat wanneer de auteurs het evenwicht tussen subjectieve en objectieve gewichten variëren en aanpassen hoe hun gelijkenisindex werkt, de rangorde nauwelijks verandert. Deze stabiliteit suggereert dat de conclusies geen fragiele artefacten zijn van één enkele modelkeuze. Voor beleidsmakers biedt het raamwerk een wetenschappelijk onderbouwd dashboard: het benadrukt welke regio's de meeste aandacht nodig hebben en welke criteria het meest bijdragen aan hun risico. Voor het publiek is de belangrijkste boodschap dat geavanceerde wiskunde kan helpen om verwarring en tegenstrijdige meningen door te snijden, en zo een duidelijkere, eerlijkere manier te bieden om verbeteringen in voedselveiligheid te prioriteren en uiteindelijk de kans te verkleinen dat gevaarlijke producten consumenten bereiken.

Bronvermelding: 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

Trefwoorden: voedselveiligheid, risicobeoordeling, besluitvorming, fuzzy logica, China