📊 statistics

Robustness of sustainable aviation fuel supplier rankings under alternative fuzzy representations and MCDM methods

Este estudio valida la robustez de SAF1 como el principal proveedor de combustible de aviación sostenible a través de diversas representaciones difusas y métodos MCDM, al tiempo que destaca que, aunque el candidato líder se mantiene constante, el ordenamiento completo de los proveedores varía y debe tratarse como una prioridad para una mayor diligencia debida en lugar de una selección automática.

Autores originales: Büşra ALTINKAYNAK

Publicado 2026-08-13

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Büşra ALTINKAYNAK

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres el capitán de una enorme flota de aerolíneas y tu misión es cambiar el uso de combustibles fósiles sucios por una alternativa más limpia y ecológica llamada Combustible de Aviación Sostenible (SAF, por sus siglas en inglés). Pero aquí está el truco: no puedes simplemente elegir un proveedor de combustible al azar, sino que tienes que elegir el mejor entre un puñado de opciones, y para ello tendrás que sopesar docenas de factores distintos a la vez. Algunos factores tienen que ver con el dinero (¿cuánto cuesta?), otros con el planeta (¿cuánta contaminación ahorra?) y otros con la logística (¿pueden entregar a tiempo?). Este es un problema clásico de "decisión multicriterio", que es solo una forma elegante de decir: "¿Cómo se hace la elección perfecta cuando cada opción tiene puntos buenos y puntos malos?".

En el mundo real, rara vez tenemos números perfectos y cristalinos. A menudo tenemos que depender de expertos humanos que dicen cosas como "Alto", "Medio" o "Muy Alto" en lugar de cantidades de dinero exactas. Para manejar esta imprecisión, los científicos utilizan herramientas matemáticas especiales llamadas "lógica difusa" y "análisis de incertidumbre". Piensa en estas herramientas como una forma de convertir conjeturas vagas en un rango de posibilidades, como dibujar un objetivo con un marcador grueso en lugar de un punto diminuto. La gran pregunta para las aerolíneas es: si cambiamos la forma en que dibujamos ese objetivo, o si cambiamos las reglas sobre cómo contamos los puntos, ¿nuestra elección del "mejor" se mantiene igual o se pone de cabeza?

Esto es exactamente lo que investiga el estudio de Büşra Altınkayak. La autora toma una clasificación previamente publicada de tres proveedores de SAF —llamémoslos SAF1, SAF2 y SAF3— y la somete a una rigurosa "prueba de estrés". Imagina que tienes una receta para un pastel que todo el mundo acepta como el mejor. Pero, ¿qué pasa si cambias el tipo de harina, la forma de mezclar la masa o la temperatura del horno? ¿Sigue sabiendo igual el pastel o se convierte en un postre completamente diferente?

En este estudio, la "receta" es el modelo matemático utilizado para elegir al ganador. El estudio original (de Ecer et al.) ya había elegido un ganador, pero Altınkayak quería ver si ese ganador era realmente robusto o si solo tuvo suerte debido al modelo matemático específico utilizado. Ella volvió a ejecutar todo el proceso de selección utilizando diferentes versiones de la matemática "difusa", diferentes formas de ponderar la importancia de los criterios y diferentes algoritmos de clasificación.

Esto es lo que encontró:

Primero, el "ganador" cambió de inmediato. El estudio original decía que SAF2 era el mejor. Sin embargo, tan pronto como Altınkaynak cambió la matemática a un tipo diferente de número difuso (convirtiendo el vago "Alto" y "Bajo" en formas triangulares específicas) y analizó la incertidumbre, la nueva matemática declaró a SAF1 como el ganador. Esto sucedió justo en el primer paso de su recálculo.

Una vez que SAF1 tomó el primer puesto, se mantuvo allí. No importaba cómo ajustara las otras partes de la matemática —ya fuera utilizando un método diferente para calcular la importancia de los criterios (cambiando de un método a otro llamado MEREC) o utilizando diferentes fórmulas de clasificación (como MARCOS, CRADIS, TOPSIS o COPRAS)— SAF1 permaneció como la primera opción.

Sin embargo, la historia se vuelve un poco más complicada cuando se observa a los segundos puestos. Mientras que todos estaban de acuerdo en que SAF1 era el mejor, los métodos no se ponían de acuerdo sobre quién ocupaba el segundo y tercer lugar.

Dos de los métodos (MARCOS y CRADIS) coincidieron perfectamente en la lista completa: SAF1, luego SAF2, luego SAF3.
Otro método (TOPSIS) coincidió en que SAF1 era el primero, pero invirtió el orden de los otros dos, poniendo a SAF3 por delante de SAF2.
Un cuarto método (COPRAS) volvió al orden original: SAF1, SAF2, SAF3.

El estudio también probó qué tan "fuertes" eran estas clasificaciones. Simuló pequeños cambios en la importancia de los criterios (como decir que "el costo es un 10% más importante de lo habitual") para ver si las clasificaciones colapsarían. Los resultados mostraron que el orden de los proveedores era bastante estable; las clasificaciones no cambiaban drásticamente solo porque los pesos variaran ligeramente.

Entonces, ¿qué significa esto para el capitán de la aerolínea? El estudio sugiere que SAF1 es un candidato muy sólido y debe ser la prioridad para una investigación más profunda. La matemática es sorprendentemente consistente en que SAF1 es el mejor, incluso cuando las reglas del juego cambian. Sin embargo, el estudio también advierte que no deberíamos tener demasiada confianza en el orden exacto del segundo y tercer proveedor. El "carácter difuso" de los datos y la elección del método matemático pueden cambiar quién queda en segundo lugar.

En resumen, el artículo concluye que, si bien SAF1 parece ser el claro favorito, las aerolíneas no deberían simplemente firmar un contrato de inmediato basándose en una única clasificación computarizada. En su lugar, deben tratar a SAF1 como la opción principal para investigar más a fondo, manteniendo a SAF2 y SAF3 en la contienda hasta que tengan datos más concretos y del mundo real para decidir entre ellos. El estudio demuestra que, si bien la elección "mejor" puede ser robusta, la "segunda mejor" elección es a menudo una cuestión de perspectiva.

Resumen Técnico: Robustez de las Clasificaciones de Proveedores de Combustible de Aviación Sostenible

Planteamiento del Problema
La selección de proveedores de Combustible de Aviación Sostenible (SAF, por sus siglas en la regla) es un problema complejo de toma de decisiones grupales bajo criterios múltiples (MCDM) que involucra criterios económicos, ambientales, sociales, técnicos y de entrega en conflicto. Aunque estudios previos, como el de Ecer et al. (2025), han propuesto modelos integrados para la selección de proveedores de SAF, existe una atención explícita limitada sobre el rastreo de dónde cambia por primera vez la recomendación de un proveedor cuando los componentes centrales del modelo de decisión —representación de la incertidumbre, ponderación de criterios y procedimientos de clasificación— se modifican secuencialmente. Además, las comparaciones existentes suelen basarse en clasificaciones finales, lo que puede oscurecer la distinción entre el acuerdo sobre el proveedor líder frente al acuerdo sobre el ordenamiento completo de todas las alternativas. Este estudio aborda la necesidad de evaluar la robustez de las clasificaciones de proveedores de SAF bajo representaciones difusas alternativas y métodos MCDM para determinar si una clasificación de referencia publicada es estable o sensible a las elecciones metodológicas.

Metodología
El estudio emplea una comparación metodológica secuencial utilizando el problema de decisión reportado por Ecer et al. (2025) como un punto de referencia publicado. El conjunto de datos comprende 39 criterios, tres proveedores de SAF y cuatro decisores con pesos iguales. La metodología avanza a través de cinco configuraciones experimentales (E1–E5):

Representación de Datos: Las evaluaciones lingüísticas originales del estudio de referencia se recodifican ordinalmente como Números Difusos Triangulares (TFN) en lugar de Números Neutros Difusos de Valor de Intervalo (IVFNN). Se aplican dos reglas de agregación grupal: una regla de "mínimo–media–máximo" (que retiene los límites inferior mínimo y superior máximo mientras promedia los valores modales) y una "media aritmética de TFN" estándar.
Propagación de la Incertidumbre: Se generan matrices de decisión puntuales nítidas dentro de intervalos de $\alpha$ -corte ( $\alpha = 0, 0.1, \dots, 1$ ) para propagar la incertidumbre sin colapsar los TFN en valores representativos únicos inmediatamente.
Ponderación:
- E2: Utiliza pesos reconstruidos derivados de LOPCOW (fijos basados en el punto de referencia).
- E3–E5: Reemplaza los pesos fijos con pesos clásicos de MEREC (Method based on the Removal Effects of Criteria), recalculados para cada realización puntual.
Procedimientos de Clasificación:
- E2 y E3: MARCOS (Measurement Alternatives and Ranking according to COmpromise Solution).
- E4: CRADIS (Compromise Ranking of Alternatives from Distance to Ideal Solution).
- E5: TOPSIS y COPRAS para la comparación entre métodos.
Análisis de Robustez: El estudio calcula las frecuencias de rango (interpretadas como frecuencias de escenarios) para determinar la aceptabilidad del rango. Evalúa el acuerdo mediante la correlación de rango de Spearman, la frecuencia de orden exacto y el acuerdo del ganador. Adicionalmente, se realiza una prueba de sensibilidad local mediante perturbaciones de peso de $\pm 10\%$ de uno en uno y simultáneas.

Resultos Clave

Cambio en el Proveedor Líder: El hallazgo más significativo es que el proveedor líder cambia entre el punto de referencia publicado (E1: SAF2 > SAF3 > SAF1) y la primera configuración recalculada (E2: SAF1 > SAF2 > SAF3). Esta reversión ocurre cuando se introducen la recodificación ordinal de TFN y el análisis de $\alpha$ -corte, incluso antes de cambiar los métodos de ponderación o clasificación.
Estabilidad del Ganador Central: Una vez que SAF1 se establece como el líder en E2, todas las configuraciones subsiguientes (E3–E5) mantienen a SAF1 como el primer proveedor clasificado en $\alpha = 1$ .
Sensibilidad Metodológica:
- Ponderación: Reemplazar los pesos de LOPCOW con MEREC no alteró el orden central en $\alpha = 1$ , pero afectó significativamente la aceptabilidad del rango. Bajo la agregación min–mean–max, la frecuencia de rango 1 de SAF1 disminuyó; bajo la agregación de media aritmética, aumentó.
- Métodos de Clasificación: MARCOS y CRADIS produjeron clasificaciones idénticas en todos los niveles de $\alpha$ y reglas de agregación cuando se les alimentó con los mismos datos de entrada. Sin embargo, TOPSIS y COPRAS, aunque coinciden en SAF1 como el ganador, invirtieron las posiciones de SAF2 y SAF3.
Acuerdo vs. Robustez: El estudio demuestra que el acuerdo sobre el proveedor líder puede coexistir con el desacuerdo sobre el ordenamiento completo. En $\alpha = 1$ , TOPSIS y COPRAS mostraron una correlación de Spearman de 0.500 y un acuerdo de orden exacto de cero debido a la reversión del segundo y tercer rango, a pesar de tener un 100% de acuerdo en el ganador.
Sensibilidad: Todos los métodos preservaron su orden base bajo perturbaciones de peso de $\pm 10\%$ en $\alpha = 1$ , indicando estabilidad local respecto a los pesos de los criterios, aunque esto no contempla la variación más amplia observada en la región de incertidumbre.

Significancia y Reivindicaciones
El artículo afirma que su contribución principal es identificar la etapa específica en la que el ordenamiento de un proveedor publicado se desvía de un resultado de referencia y distinguir entre la robustez del "ganador central" y la del "ordenamiento completo".

El estudio concluye que, si bien existe un apoyo consistente para priorizar a SAF1 en las debidas diligencias comerciales, técnicas y operativas posteriores, la evidencia no respalda un ordenamiento determinista fijo para los proveedores restantes (SAF2 y SAF3). El autor argumenta que, para la adquisición de aerolíneas, SAF1 debe ser tratado como el candidato prioritario para una investigación más profunda en lugar de un proveedor seleccionado automáticamente. Los hallazgos sugieren que los tomadores de decisiones deben evaluar colectivamente la clasificación central, la aceptabilidad del rango de $\alpha$ -corte y el acuerdo entre métodos, en lugar de confiar en un único ordenamiento determinista derivado de una especificación de modelo particular. El estudio enfatiza que un ranking central inalterado no implica una robustez inalterada a través de la región de incertidumbre más amplia.

Más como este