📊 statistics

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

Cette étude valide la robustesse de SAF1 en tant que premier fournisseur de carburant d'aviation durable à travers diverses représentations floues et méthodes MCDM, tout en soulignant que bien que le candidat de tête reste constant, l'ordre complet des fournisseurs varie et devrait être traité comme une priorité pour une diligence raisonnable plus approfondie plutôt que comme une sélection automatique.

Auteurs originaux : Büşra ALTINKAYNAK

Publié 2026-08-13

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Büşra ALTINKAYNAK

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez le capitaine d'une immense flotte aérienne, et que votre mission soit de passer de la combustion de combustibles fossiles sales à une alternative plus propre et plus verte appelée Carburant d'Aviation Durable (CAD). Mais voici le hic : vous ne pouvez pas simplement choisir un fournisseur de carburant au hasard. Vous devez choisir le meilleur parmi une poignée d'options, et vous devez peser des dizaines de facteurs différents en même temps. Certains facteurs concernent l'argent (combien cela coûte-t-il ?), d'autres la planète (quelle pollution cela économise-t-il ?), et d'autres encore la logistique (peuvent-ils livrer à temps ?). C'est un problème classique de « décision multicritère », ce qui est juste une façon sophistiquée de dire : « Comment faire le choix parfait quand chaque option présente des points positifs et des points négatifs ? »

Dans le monde réel, nous ne disposons que rarement de chiffres parfaits et cristallins. Nous devons souvent nous appuyer sur des experts humains disant des choses comme « Élevé », « Moyen » ou « Très élevé » au lieu de montages monétaires exacts. Pour gérer ce flou, les scientifiques utilisent des outils mathématiques spéciaux appelés « logique floue » et « analyse d'incertitude ». Considérez ces outils comme un moyen de transformer des suppositions vagues en une gamme de possibilités, comme dessiner une cible avec un marqueur épais plutôt qu'avec un point minuscule. La grande question pour les compagnies aériennes est la suivante : si nous changeons la façon dont nous dessinons cette cible, ou si nous changeons les règles pour compter les points, notre choix du « meilleur » fournisseur reste-t-il le même, ou s'inverse-t-il complètement ?

C'est exactement ce que l'étude de Büşra Altınkaynak examine. L'auteur prend un classement précédemment publié de trois fournisseurs de CAD — appelons-les SAF1, SAF2 et SAF3 — et les soumet à un « test de résistance » rigoureux. Imaginez que vous ayez la recette d'un gâteau que tout le monde considère comme le meilleur. Mais et si vous changiez le type de farine, la façon de mélanger la pâte ou la température du four ? Le gâteau aura-t-il toujours le même goût, ou deviendra-t-il un dessert complètement différent ?

Dans cette étude, la « recette » est le modèle mathématique utilisé pour choisir le vainqueur. L'étude originale (par Ecer et al.) avait déjà choisi un vainqueur, mais Altınkaynak voulait voir si ce vainqueur était vraiment robuste ou s'il était simplement chanceux grâce à la mathématique spécifique utilisée. Elle a réexécuté l'ensemble du processus de sélection en utilisant différentes versions des mathématiques « floues », différentes façons de pondérer l'importance des critères et différents algorithmes de classement.

Voici ce qu'elle a trouvé :

Premièrement, le « vainqueur » a effectivement changé immédiatement. L'étude originale disait que le SAF2 était le meilleur. Cependant, dès qu'Altınkaynak a changé la mathématique pour un autre type de nombre flou (transformant le « Élevé » et le « Faible » vagues en formes triangulaires spécifiques) et a analysé l'incertitude, la nouvelle mathématique a déclaré le SAF1 vainqueur. Cela s'est produit dès la toute première étape de son nouveau calcul.

Une fois que le SAF1 a pris la première place, il y est resté. Peu importe la façon dont elle ajustait les autres parties de la mathématique — que ce soit en utilisant une méthode différente pour calculer l'importance des critères (en passant d'une méthode à une autre appelée MEREC) ou en utilisant différentes formules de classement (comme MARCOS, CRADIS, TOPSIS ou COPRAS) — le SAF1 est resté le choix numéro un.

Cependant, l'histoire devient un peu plus complexe lorsqu'on regarde les dauphins. Si tout le monde était d'accord sur le fait que le SAF1 était le meilleur, les méthodes n'étaient pas d'accord sur qui arrivait en deuxième et en troisième position.

Deux des méthodes (MARCOS et CRADIS) étaient parfaitement d'accord sur la liste entière : SAF1, puis SAF2, puis SAF3.
Une autre méthode (TOPSIS) était d'accord sur le fait que le SAF1 était premier, mais elle avait inversé l'ordre des deux autres, plaçant le SAF3 devant le SAF2.
Une quatrième méthode (COPRAS) est revenue à l'ordre original : SAF1, SAF2, SAF3.

L'étude a également testé la « robustesse » de ces classements. Elle a simulé de petits changements dans l'importance des critères (comme dire que « le coût est 10 % plus important que d'habitude ») pour voir si les classements s'effondreraient. Les résultats ont montré que l'ordre des fournisseurs était assez stable ; les classements ne basculaient pas simplement parce que les poids changeaient légèrement.

Alors, qu'est-ce que cela signifie pour le capitaine de la compagnie aérienne ? L'étude suggère que le SAF1 est un candidat très solide et qu'il doit être la priorité pour une investigation plus approfondie. La mathématique est étonnamment cohérente sur le fait que le SAF1 soit le meilleur, même lorsque les règles du jeu changent. Cependant, l'étude avertit également que nous ne devrions pas être trop confiants quant à l'ordre exact du deuxième et du troisième fournisseur. Le « flou » des données et le choix de la méthode mathématique peuvent changer qui arrive en deuxième position.

En résumé, l'article conclut que bien que le SAF1 semble être le fer de lance, les compagnies aériennes ne devraient pas simplement signer un contrat immédiatement sur la base d'un classement informatique unique. Au lieu de cela, elles devraient traiter le SAF1 comme le premier choix à approfondir, tout en gardant le SAF2 et le SAF3 dans la course jusqu'à ce qu'elles disposent de données plus concrètes et réelles pour décider entre eux. L'étude prouve que si le « meilleur » choix peut être robuste, le « deuxième meilleur » choix est souvent une question de perspective.

Résumé technique : Robustesse du classement des fournisseurs de carburant d'aviation durable

Énoncé du problème
La sélection de fournisseurs de carburant d'aviation durable (SAF) est un problème complexe de prise de décision multicritère (MCDM) impliquant des critères économiques, environnementaux, sociaux, techniques et de livraison conflictuants. Bien que des études antérieures, telles que celles d'Ecer et al. (2025), aient proposé des modèles intégrés pour la sélection de fournisseurs de SAF, une attention explicite limitée est portée à la traçabilité du moment précis où une recommandation de fournisseur publiée change lorsque les composantes centrales du modèle de décision — la représentation de l'incertitude, la pondération des critères et les procédures de classement — sont modifiées séquentiellement. De plus, les comparaisons existantes reposent souvent sur les classements finaux, ce qui peut occulter la distinction entre l'accord sur le fournisseur de tête et l'accord sur l'ordre complet des alternatives. Cette étude répond à la nécessité d'évaluer la robustesse des classements de fournisseurs de SAF sous des représentations floues et des méthodes MCDM alternatives afin de déterminer si un classement de référence publié est stable ou sensible aux choix méthodologiques.

Méthodologie
L'étude emploie une comparaison méthodologique séquentielle utilisant le problème de décision rapporté par Ecer et al. (2025) comme référence publiée. Le jeu de données comprend 39 critères, trois fournisseurs de SAF et quatre décideurs à pondération égale. La méthodologie procède à travers cinq configurations expérimentales (E1–E5) :

Représentation des données : Les évaluations linguistiques originales de l'étude de référence sont ré-encodées de manière ordinale en nombres flous triangulaires (TFN) plutôt qu'en nombres neutrosophiques flous à intervalles (IVFNN). Deux règles d'agrégation de groupe sont appliquées : une règle « min–moyenne–max » (conservant la borne inférieure minimale et la borne supérieure maximale tout en moyennant les valeurs modales) et une « moyenne arithmétique TFN » standard.
Propagation de l'incertitude : Des matrices de décision nettes ponctuelles sont générées au sein d'intervalles de $\alpha$ -coupure ( $\alpha = 0, 0,1, \dots, 1$ ) pour propager l'incertitude sans réduire immédiatement les TFN en valeurs représentatives uniques.
Pondération :
- E2 : Utilise des poids reconstruits dérivés de LOPCOW (fixes basés sur la référence).
- E3–E5 : Remplace les poids fixes par des poids MEREC (méthode basée sur les effets de suppression des critères) classiques, recalculés pour chaque réalisation ponctuelle.
Procédures de classement :
- E2 & E3 : MARCOS (Measurement Alternatives and Ranking according to COmpromise Solution).
- E4 : CRADIS (Compromise Ranking of Alternatives from Distance to Ideal Solution).
- E5 : TOPSIS et COPRAS pour une comparaison inter-méthodes.
Analyse de robustesse : L'étude calcule les fréquences de rang (interprétées comme des fréquences de scénarios) pour déterminer l'acceptabilité du rang. Elle évalue l'accord via la corrélation de rang de Spearman, la fréquence de l'ordre exact et l'accord sur le gagnant. De plus, la sensibilité locale est testée via des perturbations de poids de $\pm 10\%$ de type « un par un » et simultanées.

Résultats clés

Changement du fournisseur de tête : La conclusion la plus significative est que le fournisseur de tête change entre la référence publiée (E1 : SAF2 > SAF3 > SAF1) et la première configuration recalculée (E2 : SAF1 > SAF2 > SAF3). Ce renversement se produit lors de l'introduction du ré-encodage ordinal TFN et de l'analyse par $\alpha$ -coupure, avant même de modifier les méthodes de pondération ou de classement.
Stabilité du gagnant central : Une fois que SAF1 est établi comme leader dans E2, toutes les configurations suivantes (E3–E5) conservent SAF1 comme premier fournisseur classé à $\alpha = 1$ .
Sensibilité méthodologique :
- Pondération : Le remplacement des poids LOPCOW par MEREC n'a pas modifié l'ordre central à $\alpha = 1$ , mais a significativement affecté l'acceptabilité du rang. Sous l'agrégation min–moyenne–max, la fréquence du rang 1 de SAF1 a diminué ; sous l'agrégation de la moyenne arithmétique, elle a augmenté.
- Méthodes de classement : MARCOS et CRADIS ont produit des classements identiques à travers tous les niveaux de $\alpha$ et les règles d'agrégation lorsqu'ils recevaient les mêmes entrées. Cependant, TOPSIS et COPRAS, bien qu'étant en accord sur le statut de gagnant de SAF1, ont inversé les positions de SAF2 et SAF3.
Accord vs Robustesse : L'étude démontre que l'accord sur le fournisseur de tête peut coexister avec un désaccord sur l'ordre complet. À $\alpha = 1$ , TOPSIS et COPRAS ont montré une corrélation de Spearman de 0,500 et un accord d'ordre exact nul en raison de l'inversion des deuxième et troisième rangs, malgré un accord de 100 % sur le gagnant.
Sensibilité : Toutes les méthodes ont préservé leur classement de base sous des perturbations de poids de $\pm 10 \%$ à $\alpha = 1$ , indiquant une stabilité locale concernant les poids des critères, bien que cela ne tienne pas compte de la variation plus large observée à travers la région d'incertitude.

Signification et affirmations
L'article affirme que sa principale contribution est d'identifier l'étape spécifique à laquelle l'ordonnancement d'un fournisseur publié s'écarte d'un résultat de référence et de distinguer entre la robustesse du « gagnant central » et celle de l'« ordre complet ».

L'étude conclut que, bien qu'il existe un soutien constant pour prioriser SAF1 pour les étapes ultérieures de diligence raisonnable commerciale, technique et opérationnelle, les preuves ne soutiennent pas un ordonnancement déterministe fixe pour les autres fournisseurs (SAF2 et SAF3). L'auteur soutient que pour l'approvisionnement des compagnies aériennes, SAF1 doit être traité comme le candidat prioritaire pour des investigations approfondies plutôt que comme un fournisseur automatiquement sélectionné. Les conclusions suggèrent que les décideurs doivent évaluer collectivement les classements centraux, l'acceptabilité du rang par $\alpha$ -coupure et l'accord inter-méthodes, plutôt que de se fier à un seul ordonnancement déterministe dérivé d'une spécification de modèle unique. L'étude souligne qu'un classement central inchangé n'implique pas une robustesse inchangée à travers la zone d'incertitude plus large.

Articles similaires