📊 statistics

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

Questo studio convalida la robustezza di SAF1 come il principale fornitore di carburante sostenibile per l'aviazione attraverso varie rappresentazioni fuzzy e metodi MCDM, evidenziando al contempo che, sebbene il candidato principale rimanga costante, l'ordinamento completo dei fornitori varia e dovrebbe essere trattato come una priorità per un'ulteriore due diligence piuttosto che come una selezione automatica.

Autori originali: Büşra ALTINKAYNAK

Pubblicato 2026-08-13

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Büşra ALTINKAYNAK

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere il capitano di una massiccia flotta aerea e che la tua missione sia quella di passare dal bruciare sporchi combustibili fossili a un'alternativa più pulita e verde chiamata Carburante per l'Aviazione Sostenibile (SAF). Ma ecco la parte difficile: non puoi semplicemente scegliere un fornitore di carburante a caso. Devi scegliere il migliore tra diverse opzioni e devi pesare decine di differenti fattori contemporaneamente. Alcuni fattori riguardano i soldi (quanto costa?), altri riguardano il pianeta (quanta inquinamento risparmia?) e altri ancora la logistica (possono consegnare in tempo?). Questo è un classico problema di "decisione multicriterio", che è solo un modo elegante per dire: "Come si fa a fare una scelta perfetta quando ogni opzione ha dei punti a favore e degli aspetti negativi?".

Nel mondo reale, raramente disponiamo di numeri perfetti e cristallini. Spesso dobbiamo affidarci a esperti umani che dicono cose come "Alto", "Medio" o "Molto Alto" invece di importi esatti in dollari. Per gestire questa approssimazione, gli scienziati utilizzano strumenti matematici speciali chiamati "logica fuzzy" e "analisi dell'incertezza". Considera questi strumenti come un modo per trasformare ipotesi vaghe in un intervallo di possibilità, come disegnare un bersaglio con un pennarello spesso invece di un puntino minuscolo. La grande domanda per le compagnie aeree è: se cambiamo il modo in cui disegniamo quel bersaglio, o se cambiamo le regole per contare i punti, la nostra scelta del "migliore" rimane la stessa o si ribalta completamente?

Questo è esattamente ciò che indaga lo studio di Büşra Altınkaynak. L'autrice prende una classifica precedentemente pubblicata di tre fornitori di SAF — chiamiamoli SAF1, SAF2 e SAF3 — e la sottopone a un rigoroso "stress test". Immagina di avere una ricetta per una torta che tutti concordano essere la migliore. Ma cosa succederebbe se cambiassi il tipo di farina, il modo in cui mescoli l'impasto o la temperatura del forno? La torta avrebbe ancora lo stesso sapore o diventerebbe un dessert completamente diverso?

In questo studio, la "ricetta" è il modello matematico utilizzato per scegliere il vincitore. Lo studio originale (di Ecer et al.) aveva già scelto un vincitore, ma Altınkaynak voleva vedere se quel vincitore fosse davvero robusto o solo fortunato grazie alla specifica matematica utilizzata. Ha rieseguito l'intero processo di selezione utilizzando diverse versioni della matematica "fuzzy", diversi modi per pesare l'importanza dei criteri e diversi algoritmi di classificazione.

Ecco cosa ha scoperto:

Per prima cosa, il "vincitore" è cambiato immediatamente. Lo studio originale diceva che SAF2 era il migliore. Tuttavia, non appena Altınkayk cambiò la matematica con un diverso tipo di numero fuzzy (trasformando il vago "Alto" e "Basso" in specifiche forme triangolari) e analizzò l'incertezza, la nuova matematica dichiarò SAF1 vincitore. Questo è accaduto proprio al primo passaggio del suo ricalcolo.

Una volta che SAF1 ha preso il primo posto, vi è rimasto. Indipendentemente da come lei modificasse le altre parti della matematica — che usasse un metodo diverso per calcolare l'importanza dei criteri (passando da un metodo all'altro chiamato MEREC) o usasse diverse formule di classificazione (come MARCOS, CRADIS, TOPSIS o COPRAS) — SAF1 rimaneva la scelta numero uno.

Tuttavia, la storia si complica un po' guardando i secondi classificati. Mentre tutti concordavano che SAF1 fosse il migliore, i metodi erano in disaccordo su chi arrivasse secondo e terzo.

Due dei metodi (MARCOS e CRADIS) concordavano perfettamente sull'intera lista: SAF1, poi SAF2, poi SAF3.
Un altro metodo (TOPSIS) concordava sul fatto che SAF1 fosse il primo, ma ribaltava l'ordine degli altri due, mettendo SAF3 davanti a SAF2.
Un quarto metodo (COPRAS) tornava all'ordine originale: SAF1, SAF2, SAF3.

Lo studio ha anche testato quanto fossero "tenaci" queste classifiche. Ha simulato piccole variazioni nell'importanza dei criteri (come dire che "il costo è il 10% più importante del solito") per vedere se le classifiche sarebbero crollate. I risultati hanno mostrato che l'ordine dei fornitori era piuttosto stabile; le classifiche non cambiavano bruscamente solo perché i pesi variavano leggermente.

Quindi, cosa significa questo per il capitano della compagnia aerea? Lo studio suggerisce che SAF1 è un candidato molto forte e dovrebbe essere la priorità per ulteriori indagini. La matematica è sorprendentemente coerente nel dichiarare SAF1 come il migliore, anche quando le regole del gioco cambiano. Tuttavia, lo studio avverte anche che non dovremmo essere troppo fiduciosi riguardo all'esatto ordine dei secondi e terzi classificati. La "vaghezza" dei dati e la scelta del metodo matematico possono cambiare chi arriva secondo.

In breve, l'articolo conclude che, sebbene SAF1 sembri il chiaro front-runner, le compagnie aeree non dovrebbero semplicemente firmare un contratto immediatamente basandosi su una singola classifica al computer. Invece, dovrebbero trattare SAF1 come la prima scelta da investigare ulteriormente, mantenendo SAF2 e SAF3 in corsa finché non avranno dati più concreti e reali per decidere tra loro. Lo studio dimostra che, mentre la scelta "migliore" può essere robusta, la "seconda scelta" è spesso una questione di prospettiva.

Sintesi Tecnica: Robustezza della Classifica dei Fornitori di Carburante Sostenibile per l'Aviazione

Definizione del Problema
La selezione dei fornitori di Carburante Sostenibile per l'Aviazione (SAF) è un problema complesso di decisione di gruppo multi-criterio (MCDM) che coinvolge criteri economici, ambientali, sociali, tecnici e di consegna contrastanti. Sebbene studi precedenti, come Ecer et al. (2025), abbiano proposto modelli integrati per la selezione dei fornitori di SAF, si presta un'attenzione esplicita limitata al tracciare il punto in cui una raccomandazione di fornitura pubblicata cambia quando i componenti fondamentali del modello decisionale — rappresentazione dell'incertezza, pesatura dei criteri e procedure di classificazione — vengono modificati sequenzialmente. Inoltre, i confronti esistenti si basano spesso sulle classifiche finali, rischiando di oscurare la distinzione tra l'accordo sul fornitore leader rispetto all'accordo sull'ordinamento completo di tutte le alternative. Questo studio affronta la necessità di valutare la robustezza delle classifiche dei fornitori di SAF sotto alternative rappresentazioni fuzzy e metodi MCDM per determinare se una classifica di riferimento pubblicata sia stabile o sensibile alle scelte metodologiche.

Metodologia
Lo studio impiega un confronto metodologico sequenziale utilizzando il problema decisionale riportato da Ecer et al. (2025) come benchmark pubblicato. Il dataset comprende 39 criteri, tre fornitori di SAF e quattro decisori con pesi uguali. La metodologia procede attraverso cinque configurazioni sperimentali (E1–E5):

Rappresentazione dei Dati: Le valutazioni linguistiche originali dello studio di riferimento sono ricodificate ordinalmente come Numeri Fuzzy Triangolari (TFN) anziché come Numeri Neutrosofici Fuzzy a Valore Intervallare (IVFNN). Vengono applicate due regole di aggregazione di gruppo: una regola "min–media–max" (che mantiene i limiti inferiori minimi e massimi superiori pur mediando i valori modali) e una "media aritmetica TFN" standard.
Propagazione dell'Incertezza: Matrici decisionali puntuali "crisp" vengono generate all'interno di intervalli $\alpha$ -cut ( $\alpha = 0, 0.1, \dots, 1$ ) per propagare l'incertezza senza far collassare immediatamente i TFN in singoli valori rappresentativi.
Pesatura:
- E2: Utilizza pesi ricostruiti da LOPCOW (fissi in base al benchmark).
- E3–E5: Sostituisce i pesi fissi con i pesi classici MEREC (Metodo basato sugli Effetti di Rimozione dei Criteri), ricalcolati per ogni realizzazione puntuale.
Procedure di Classificazione:
- E2 & E3: MARCOS (Measurement Alternatives and Ranking according to COmpromise Solution).
- E4: CRADIS (Compromise Ranking of Alternatives from Distance to Ideal Solution).
- E5: TOPSIS e COPRAS per il confronto tra metodi.
Analisi della Robustezza: Lo studio calcola le frequenze di rango (interpretate come frequenze di scenario) per determinare l'accettabilità del rango. Valuta l'accordo tramite la correlazione di rango di Spearman, la frequenza dell'ordine esatto e l'accordo sul vincitore. Inoltre, la sensibilità locale è testata tramite perturbazioni dei pesi "one-at-a-time" e simultanee di $\pm 10\%$ .

Risultati Chiave

Spostamento del Fornitore Leader: Il reperto più significativo è che il fornitore leader cambia tra il benchmark pubblicato (E1: SAF2 > SAF3 > SAF1) e la prima configurazione ricalcolata (E2: SAF1 > SAF2 > SAF3). Questa inversione si verifica quando vengono introdotti la ricodifica ordinale TFN e l'analisi $\alpha$ -cut, ancor prima di cambiare i metodi di pesatura o di classificazione.
Stabilità del Vincitore Centrale: Una volta stabilito SAF1 come leader in E2, tutte le configurazioni successive (E3–E5) mantengono SAF1 come primo classificato a $\alpha = 1$ .
Sensibilità Metodologica:
- Pesatura: Sostituire i pesi LOPCOW con i pesi MEREC non ha alterato l'ordinamento centrale a $\alpha = 1$ , ma ha influenzato significativamente l'accettabilità del rango. Sotto l'aggregazione min–media–max, la frequenza di rango-1 di SAF1 è diminuita; sotto l'aggregazione di media aritmetica, è aumentata.
- Metodi di Classificazione: MARCOS e CRADIS hanno prodotto classifiche identiche attraverso tutti i livelli $\alpha$ e le regole di aggregazione quando alimentati con gli stessi input. Tuttavia, TOPSIS e COPRAS, pur concordando su SAF1 come vincitore, hanno invertito le posizioni di SAF2 e SAF3.
Accordo vs. Robustezza: Lo studio dimostra che l'accordo sul fornitore leader può coesistere con il disaccordo sull'ordinamento completo. A $\alpha = 1$ , TOPSIS e COPRAS hanno mostrato una correlazione di Spearman di 0.500 e un accordo sull'ordine esatto nullo a causa dell'inversione del secondo e terzo rango, nonostante il 100% di accordo sul vincitore.
Sensibilità: Tutti i metodi hanno preservato l'ordinamento di base sotto le perturbazioni dei pesi di $\pm 10\%$ a $\alpha = 1$ , indicando una stabilità locale rispetto ai pesi dei criteri, sebbene ciò non tenga conto della variazione più ampia osservata nell'intera regione di incertezza.

Significatività e Rivendicazioni
L'articolo sostiene che il suo contributo primario sia l'identificazione della fase specifica in cui l'ordinamento di un fornitore pubblicato si discosta da un risultato di riferimento e la distinzione tra la robustezza del "vincitore centrale" e quella dell' "ordinamento completo".

Lo studio conclude che, sebbene vi sia un supporto coerente per dare priorità a SAF1 per le successive verifiche di diligenza dovuta commerciale, tecnica e operativa, l'evidenza non supporta un ordinamento deterministico fisso per i restanti fornitori (SAF2 e SAF3). L'autore sostiene che, per l'approvvigionamento delle compagnie aeree, SAF1 debba essere trattato come il candidato prioritario per ulteriori indagini piuttosto che come un fornitore selezionato automaticamente. I risultati suggeriscono che i decisori debbano valutare collettivamente le classifiche centrali, l'accettabilità del rango $\alpha$ -cut e l'accordo tra i metodi, piuttosto che affidarsi a un singolo ordinamento deterministico derivato da una specifica configurazione del modello. Lo studio sottolinea che un ordine centrale invariato non implica una robustezza invariata attraverso l'intera regione di incertezza.

Articoli simili