Zintegrowany sześcienny rozmyty model MAIRCA z nową miarą podobieństwa współczynnika zmienności do oceny ryzyka bezpieczeństwa żywności

Dlaczego ważne są bezpieczniejsze wybory żywnościowe

Codziennie ludzie podejmują niezliczone decyzje dotyczące tego, co jeść, ufając, że jedzenie na ich talerzach jest bezpieczne. Tymczasem skażona żywność wciąż co roku powoduje choroby u setek milionów ludzi na całym świecie. Nowoczesne łańcuchy dostaw żywności rozciągają się na kontynenty, angażują wiele firm i organów nadzoru oraz generują ogromne ilości niedoskonałych danych. Niniejszy artykuł zajmuje się pozornie prostym, ale o dalekosiężnych konsekwencjach pytaniem: jak organy mogą wiarygodnie porównywać ryzyko związane z bezpieczeństwem żywności między regionami, gdy informacje są niepewne, niepełne i zależne od ocen ludzkich?

Trudności w ocenianiu bezpieczeństwa żywności

Bezpieczeństwem żywności nie rządzi pojedynczy czynnik, lecz splot reguł i praktyk: limity pozostałości pestycydów, higiena w zakładach, jasność komunikacji ostrzeżeń na etykietach, łatwość identyfikacji partii podczas wycofania z rynku i inne. Kryteria te często idą w różnych kierunkach, a twarde liczby bywa, że są nieobecne. Inspektorzy i eksperci muszą opisywać warunki za pomocą nieostrych określeń, takich jak „bardzo dobre” czy „nieco ryzykowne”, a ich opinie mogą się różnić. Tradycyjne narzędzia decyzyjne zwykle wymagają precyzyjnych wejść liczbowych i mają trudności z łączeniem rozmytych opinii ekspertów z rozproszonymi pomiarami, przez co ich rankingi ryzyka mogą być niestabilne lub mylące.

Mądrzejsze podejście do niepewności

Autorzy opierają się na postępach w matematyce „rozmytej”, rodzinie metod zaprojektowanych do pracy z odcieniami szarości zamiast ostrych odpowiedzi tak/nie. W ich ramie każde oszacowanie eksperta dotyczące kryterium — na przykład higieny w regionie — nie jest przedstawione jako pojedyncza ocena, lecz jako pasmo możliwych wartości wraz z uwzględnieniem wątpliwości. Bogatszy opis zachowuje wahanie i niezgodę zamiast spłaszczać je do jednej liczby. Następnie wprowadzają nowy sposób mierzenia podobieństwa między dwoma takimi rozmytymi opisami, łącząc dwie znane koncepcje porównawcze w jeden indeks podobieństwa. Ten indeks staje się kluczowym elementem modelu, pomagając zarówno w ważeniu, które kryteria bezpieczeństwa są najistotniejsze, jak i w ocenie, jak blisko każdy region jest do ideału lub do najgorszego wyniku.

Równoważenie wiedzy eksperckiej i twardych dowodów

Ocena ryzyka ostatecznie zależy od tego, ile wagi przypisuje się każdemu kryterium bezpieczeństwa. Zamiast polegać wyłącznie na rankingach ekspertów lub wyłącznie na zmienności statystycznej, proponowane podejście łączy oba źródła. Eksperci najpierw rangują kryteria według postrzeganej istotności, tworząc zestaw wag „subiektywnych”. Jednocześnie nowy indeks podobieństwa analizuje dane, aby ustalić, które kryteria rzeczywiście najbardziej rozróżniają regiony, dając wagi „obiektywne”. Pokrętło regulacyjne pozwala następnie zmieszać te dwa źródła w wagi końcowe, umożliwiając organom dostosowanie, na ile polegają na doświadczeniu ekspertów versus wzorcach w danych, przy jednoczesnym zachowaniu przejrzystości tej decyzji.

Testowanie modelu na regionach Chin

Aby pokazać działanie metody w praktyce, autorzy oceniają ryzyko bezpieczeństwa żywności w pięciu głównych regionach Chin — Wschód, Południe, Zachód, Centrum i Północ — używając siedmiu powszechnych wymiarów regulacyjnych, w tym limitów pozostałości, zasad etykietowania i identyfikowalności, higieny, standardów procesów, kontroli importu oraz przepisów sanitarnych. Trzech specjalistów niezależnie ocenia, jak każdy region wypada w każdym kryterium, używając skali językowej, takiej jak „dość znaczący” czy „wyjątkowo znaczący”, które są konwertowane do formy rozmytej wymaganej przez model. Następnie model oblicza, jak daleko każdy region znajduje się od hipotetycznego standardu najlepszego i najgorszego przypadku, agreguje te luki przez wszystkie kryteria z użyciem wag połączonych i generuje ogólny wynik ryzyka oraz ranking dla każdego regionu.

Co mówią wyniki i dlaczego mają znaczenie

Analiza wykazuje, że region wschodni Chin ma najniższe ryzyko bezpieczeństwa żywności spośród badanych pięciu regionów, następnie plasują się Południe i Zachód Chin, a regiony Centrum i Północ wypadają słabiej. Co ważne, gdy autorzy zmieniają równowagę między wagami subiektywnymi i obiektywnymi oraz dostosowują zachowanie swojego indeksu podobieństwa, ranking niemal się nie zmienia. Ta stabilność sugeruje, że wnioski nie są kruchymi artefaktami pojedynczego wyboru modelowego. Dla decydentów ramy te oferują naukowo ugruntowany pulpit: wskazują, które regiony potrzebują najwięcej uwagi i które kryteria najbardziej przyczyniają się do ryzyka. Dla społeczeństwa kluczowy wniosek jest taki, że zaawansowana matematyka może pomóc przebić się przez zamieszanie i sprzeczne opinie, oferując jaśniejszy, sprawiedliwszy sposób priorytetyzacji działań na rzecz poprawy bezpieczeństwa żywności i ostatecznie zmniejszenia prawdopodobieństwa, że niebezpieczne produkty trafią do konsumentów.

Cytowanie: 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

Słowa kluczowe: bezpieczeństwo żywności, ocena ryzyka, podejmowanie decyzji, logika rozmyta, Chiny