Um modelo MAIRCA cúbico pitagórico fuzzy integrado com nova medida de similaridade do coeficiente de variação para avaliação de risco em segurança alimentar

Por que escolhas alimentares mais seguras importam

Cada dia, as pessoas fazem inúmeras escolhas sobre o que comer, confiando que os alimentos em seus pratos são seguros. Ainda assim, alimentos contaminados adoecem centenas de milhões de pessoas em todo o mundo a cada ano. As cadeias modernas de abastecimento alimentam se estendem por continentes, envolvem muitas empresas e órgãos reguladores e geram um volume enorme de dados imperfeitos. Este artigo aborda uma questão aparentemente simples, mas de consequências profundas: como as autoridades podem comparar de forma confiável os riscos de segurança alimentar entre regiões quando a informação é incerta, incompleta e influenciada pelo julgamento humano?

Desafios ao julgar a segurança alimentar

A segurança alimentar não é governada por um único fator, mas por um emaranhado de regras e práticas: limites de resíduos de pesticidas, higiene em fábricas, quão claramente os rótulos comunicam riscos, a facilidade de rastrear produtos em um recall, entre outros. Esses critérios frequentemente puxam em direções diferentes, e números precisos muitas vezes estão ausentes. Inspetores e especialistas precisam descrever condições usando termos vagos como “muito bom” ou “um tanto arriscado”, e suas opiniões podem divergir. Ferramentas tradicionais de decisão geralmente exigem entradas numéricas precisas e têm dificuldade quando solicitadas a combinar opiniões especialistas difusas com medições espalhadas, de modo que suas classificações de risco podem ser instáveis ou enganosas.

Uma forma mais inteligente de lidar com a incerteza

Os autores se baseiam em avanços da matemática “fuzzy”, uma família de métodos projetados para trabalhar com tons de cinza em vez de respostas nítidas sim-não. Em sua estrutura, o julgamento de cada especialista sobre um critério — por exemplo, higiene em uma região — é capturado não como uma única pontuação, mas como uma faixa de valores possíveis mais uma margem de dúvida. Essa descrição mais rica preserva hesitação e discordância em vez de forçá-las a um único número. Em seguida, eles introduzem uma nova forma de medir quão semelhantes são duas descrições fuzzy desse tipo, fundindo duas ideias de comparação bem conhecidas em um único índice de similaridade. Esse índice se torna o motor do modelo, ajudando tanto a ponderar quais critérios de segurança importam mais quanto a avaliar o quão próximo cada região está de um desempenho ideal ou precário.

Equilibrando insight de especialistas e evidência sólida

A avaliação de risco, em última análise, depende de quanta importância é atribuída a cada critério de segurança. Em vez de confiar apenas em classificações de especialistas ou apenas na variação estatística, a abordagem proposta combina ambos. Os especialistas primeiro classificam os critérios segundo sua percepção de importância, produzindo um conjunto de pesos “subjetivos”. Ao mesmo tempo, o novo índice de similaridade percorre os dados para ver quais critérios realmente distinguem as regiões com mais nitidez, gerando pesos “objetivos”. Um botão de ajuste então mistura essas duas fontes em pesos finais, permitindo que os reguladores ajustem quanto dependem da experiência dos especialistas versus dos padrões observados nos dados, mantendo transparência sobre essa escolha.

Testando o modelo em regiões chinesas

Para mostrar como o método funciona na prática, os autores avaliam o risco de segurança alimentar em cinco grandes regiões da China — Leste, Sul, Oeste, Central e Norte — usando sete dimensões regulatórias comuns, incluindo limites de resíduos, regras de rotulagem e rastreabilidade, higiene, normas de processo, controles de importação e regulamentos sanitários. Três especialistas avaliam independentemente o desempenho de cada região em cada critério usando escalas linguísticas como “bastante significativo” ou “excepcionalmente significativo”, que são convertidas na forma fuzzy exigida pelo modelo. A estrutura então calcula quão distante cada região está de um padrão hipotético de melhor e pior caso, agrega essas lacunas por todos os critérios usando os pesos combinados e produz uma pontuação de risco geral e um ranking para cada região.

O que os resultados indicam e por que importam

A análise mostra que a China Oriental apresenta o menor risco de segurança alimentar entre as cinco regiões estudadas, seguida pelo Sul e pelo Oeste da China, com as regiões Central e Norte ficando atrás. Importante notar que, quando os autores variam o equilíbrio entre pesos subjetivos e objetivos e ajustam o comportamento do índice de similaridade, o ranking praticamente não muda. Essa estabilidade sugere que as conclusões não são artefatos frágeis de uma única escolha de modelagem. Para os formuladores de políticas, a estrutura oferece um painel fundamentado cientificamente: destaca quais regiões precisam de mais atenção e quais critérios mais contribuem para seu risco. Para o público, a mensagem principal é que matemática avançada pode ajudar a cortar a confusão e opiniões conflitantes, oferecendo uma maneira mais clara e justa de priorizar melhorias na segurança alimentar e, em última análise, reduzir a probabilidade de produtos perigosos chegarem aos consumidores.

Citação: 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

Palavras-chave: segurança alimentar, avaliação de risco, tomada de decisão, lógica fuzzy, China