La ricerca, intitolata “Enhancing industrial robot selection through a hybrid novel approach: integrating CRITIC-VIKOR method with probabilistic uncertain linguistic q-rung orthopair fuzzy”, è stata condotta da autori come Sumera Naz, Muhammad Muneeb ul Hassan e Atif Mehmood, in collaborazione tra istituzioni quali la University of Education (Lahore, Pakistan) e la Zhejiang Normal University (Cina). L’indagine si concentra sulla scelta di robot industriali quando ci sono molte variabili in gioco e non tutte sono certe. Per farlo, propone un modello che usa due tecniche di analisi (CRITIC e VIKOR) insieme a un sistema che permette di gestire informazioni non precise, espresse con termini linguistici e probabilità. In altre parole, questo modello aiuta a valutare diversi robot tenendo conto di dati vaghi o incerti, fornendo così un metodo più flessibile e chiaro per scegliere la macchina più adatta alle esigenze di un’azienda.
Gestione dell’incertezza nella selezione di robot industriali con CRITIC-VIKOR
La selezione di un robot industriale, utilizzando il metodo CRITIC-VIKOR, è un passaggio strategico in molte aziende moderne, poiché i robot costituiscono un elemento chiave per automatizzare processi produttivi e ottimizzare risorse. Tuttavia, la molteplicità degli attributi da considerare rende la scelta complessa. Gli esperti si confrontano con fattori eterogenei che vanno dalla capacità di carico fino alla qualità dell’interfaccia uomo-macchina, passando per criteri più sfumati come la facilità di programmazione o il livello di servizio offerto dal fornitore. Oltre a parametri puramente numerici, come la massima velocità raggiungibile o la precisione nel posizionamento, spesso occorre valutare aspetti di natura qualitativa, ad esempio la facilità con cui un robot può essere integrato in ambienti produttivi già esistenti, la flessibilità di adattarsi a compiti futuri non ancora del tutto definiti oppure l’affidabilità percepita del produttore. Questi aspetti non sono semplici da quantificare, poiché la mente umana traduce le impressioni attraverso termini linguistici che, se riportati in un’analisi decisionale, rischiano di perdere parte della loro ricchezza semantica.
Proprio in questo contesto si colloca la necessità di un approccio che valorizzi l’incertezza insita nei giudizi umani. Nei tradizionali metodi di scelta delle alternative, i dati vengono spesso convertiti in numeri che non riflettono appieno la natura sfumata delle valutazioni dei decisori. Quando un esperto descrive la precisione di un robot come “buona” invece di fornire un numero esatto, non sta esprimendo un valore fisso, bensì una percezione multidimensionale, variabile, influenzata dall’esperienza e dal contesto. L’incertezza linguistica non va vista come un limite, bensì come una fonte di informazione in grado di restituire una prospettiva più realistica di ciò che il decisore ha in mente.
Per questo motivo, rappresentare le informazioni attraverso insiemi fuzzy linguistici, arricchiti da probabilità (come nel caso dei PULq-ROFS), permette di bilanciare la precisione numerica con la flessibilità cognitiva. Le probabilità associate ai termini linguistici consentono di catturare la frequenza o la credibilità che un decisore assegna a una determinata espressione. Ad esempio, se un giudizio sulla ripetibilità di un robot è “principalmente buona, a volte molto buona”, si possono usare due intervalli linguistici con relative probabilità, indicando con maggiore precisione quanto spesso il decisore si aspetta che il robot operi a un certo livello qualitativo. Il parametro q, inoltre, permette di regolare il grado di incertezza, adattando il modello alle esigenze specifiche del problema: situazioni con maggiore complessità o con pareri molto divergenti tra esperti richiedono un livello più fine di granularità, mentre scenari più semplici possono essere gestiti con impostazioni meno articolate.
Tale rappresentazione risulta particolarmente vantaggiosa in ambienti produttivi fortemente variabili, in cui le caratteristiche richieste al robot possono mutare rapidamente con l’evoluzione delle linee, delle esigenze della domanda o delle strategie aziendali. L’adozione di PULq-ROFS non fornisce semplicemente un nuovo formalismo, bensì apre alla possibilità di integrare meglio le percezioni umane, le stime probabilistiche e le misurazioni oggettive, delineando un processo decisionale più coerente con la realtà industriale. La selezione del robot non si riduce così a una mera tabella di specifiche tecniche, ma diventa un percorso valutativo in cui la complessità dell’incertezza, la natura incompleta dei dati e le divergenze tra i giudizi dei vari esperti trovano un canale di espressione rigoroso e al contempo flessibile.
CRITIC-VIKOR: un approccio ibrido per la selezione dei robot industriali
Nella metodologia proposta, la combinazione dei metodi CRITIC e VIKOR all’interno del contesto PULq-ROFS risponde all’esigenza di superare i limiti di un’analisi multicriterio puramente soggettiva. L’approccio tradizionale, basato sulla sola valutazione umana, rischia di essere squilibrato: un decisore potrebbe attribuire importanza eccessiva a criteri che, nel complesso, non sono così rilevanti, oppure trascurare parametri oggettivi perché meno appariscenti. Questo crea un potenziale divario tra la percezione individuale e l’effettivo valore discriminante di ogni attributo. Il metodo CRITIC interviene proprio su questo aspetto, mettendo ordine nella complessità dei criteri.
CRITIC (Criteria Importance Through Intercriteria Correlation) non si limita a compilare un elenco di criteri con pesi preassegnati; al contrario, analizza i dati stessi per misurarne la variabilità e la correlazione. Se un attributo mostra alti livelli di variabilità tra le alternative e fornisce informazioni non sovrapponibili ad altri criteri, significa che quest’attributo ha una grande capacità discriminante. In pratica, CRITIC attribuisce peso maggiore a quegli indicatori che realmente differenziano le alternative. Al contrario, se un criterio è fortemente correlato con altri e non apporta nuove informazioni, il suo peso risulterà più basso. Questo procedimento, fondato su misure statistiche e matematiche, riduce l’influenza di giudizi arbitrari dei decisori, producendo un set di pesi più oggettivo.
Prendiamo un esempio concreto: immaginiamo di dover valutare quattro robot (M1, M2, M3, M4) sulla base di attributi come capacità di carico, flessibilità di programmazione, ripetibilità, costo e altri aspetti tecnici. Senza il metodo CRITIC, un decision-maker potrebbe, sulla base di preferenze personali o di una percezione non misurata, attribuire all’accuratezza del robot un peso molto elevato rispetto alla flessibilità di programmazione. Tuttavia, CRITIC potrebbe scoprire che l’accuratezza ha andamenti molto simili tra i robot (cioè, i valori sono tutti abbastanza prossimi tra loro), mentre la flessibilità di programmazione varia notevolmente ed è poco correlata ad altri criteri. Di conseguenza, CRITIC assegnerà un peso più alto proprio alla flessibilità, perché è un parametro in grado di “fare la differenza” nella scelta finale.
Una volta definiti i pesi mediante CRITIC, entra in gioco VIKOR, un metodo di ordinamento e selezione capace di gestire situazioni con criteri tra loro in conflitto. VIKOR nasce per fornire una soluzione di compromesso che si collochi il più vicino possibile all’ideale.
L’aspetto cruciale di VIKOR è la capacità di considerare contemporaneamente la massimizzazione dell’utilità collettiva (il beneficio complessivo del gruppo di attributi) e la minimizzazione del rimpianto individuale (quanto un’alternativa si discosta dal miglior attributo in assoluto). In altre parole, VIKOR non sceglie soltanto il candidato globalmente migliore, ma fornisce una visione equilibrata che riconosce la presenza di criteri a volte in contrasto: un robot potrebbe primeggiare per precisione ma essere meno performante su costi e versatilità. VIKOR tende a identificare un punto di equilibrio, una soluzione che non è solo ottima in senso stretto, ma che accontenta meglio gli interessi complessivi.
Il metodo CRITIC-VIKOR risponde all’esigenza di superare i limiti di un’analisi multicriterio puramente soggettiva nella selezione di robot industriali. Da un lato, CRITIC elimina o riduce i bias di partenza, definendo pesi più coerenti basati sulla struttura informativa dei dati. Dall’altro, VIKOR, utilizzando questi pesi e le valutazioni fuzzy probabilistiche, calcola la soluzione di compromesso che meglio rispetta le priorità identificate. Il risultato è un processo decisionale a più livelli di robustezza: i dati vengono prima interpretati in forma fuzzy probabilistica (PULq-ROFS), poi pesati in modo oggettivo (CRITIC) e infine ordinati secondo un approccio di compromesso (VIKOR). Questo triangolo metodologico assicura che la selezione del robot sia frutto di una valutazione equilibrata, razionale e attenta alle diverse sfaccettature dell’incertezza.
Applicazione pratica del metodo CRITIC-VIKOR nella selezione robotica
Nella realtà aziendale, individuare il robot industriale ideale per una specifica applicazione produttiva non può limitarsi a un semplice confronto di parametri tecnici. Pur condividendo spesso caratteristiche di base come gradi di libertà, velocità, capacità di carico e precisione, ogni robot possiede tratti distintivi, sia tecnici sia qualitativi, che ne rendono difficile un confronto diretto.
In questo scenario ipotetico si considerano quattro robot industriali (M1, M2, M3 e M4), valutati in base a quattro attributi considerati fondamentali: capacità di carico (N1), flessibilità di programmazione (N2), ripetibilità (N3) e costo (N4). Questi criteri, scelti in collaborazione con consulenti tecnici e responsabili di stabilimento, riflettono sia aspetti misurabili in modo oggettivo — ad esempio la capacità di movimentare pesi elevati o di mantenere un elevato grado di precisione nel tempo — sia elementi più soggettivi, come la facilità con cui l’operatore può aggiornare le impostazioni del robot o la percezione di convenienza economica nel lungo termine.
I dati iniziali provengono da valutazioni di esperti, espressi non mediante numeri certi, bensì con termini linguistici incerti e probabilistici. Ad esempio, un esperto potrebbe descrivere la flessibilità di programmazione di M1 dicendo che “è per la maggior parte elevata, con una moderata probabilità di essere giudicata molto elevata”, mentre per M2 potrebbe segnalare una “flessibilità variabile tra media e alta, ma raramente molto alta”. Tali espressioni vengono trasformate in insiemi PULq-ROFS, che codificano linguisticamente gli intervalli espressi e il grado di incertezza associato. Questo approccio cattura la complessità cognitiva dietro i giudizi umani, integrando sia la variabilità dei singoli decisori sia la possibilità che un giudizio non sia sempre lo stesso in tutti i contesti.
Una volta ottenuto un quadro valutativo espresso in PULq-ROFS, si procede con l’applicazione dell’operatore di aggregazione come il PULq-ROF Weighted Average. Questo step consente di combinare i giudizi di più esperti in un’unica valutazione composita, tenendo conto dei rispettivi pesi dei decisori o delle fonti informative. Ne scaturisce una matrice decisionale che rappresenta la percezione condivisa, integrando i punti di vista dei vari attori coinvolti (manager, tecnici di linea, responsabili della manutenzione, esperti di logistica interna).
Sul risultato aggregato, si applica il metodo CRITIC per determinare i pesi degli attributi in modo oggettivo. Supponiamo che i calcoli del CRITIC mostrino che la flessibilità di programmazione (N2) sia un criterio altamente discriminante rispetto alle altre caratteristiche, assegnandole un peso maggiore. Questo passaggio evidenzia che, all’interno delle differenze tra M1, M2, M3 e M4, il modo in cui il robot può essere re-programmato o adattato ai cambiamenti di processo incide fortemente sulla scelta finale.
A questo punto si utilizza il metodo VIKOR sul set di dati così elaborato, per individuare l’alternativa che meglio risponde al compromesso tra massimizzare i benefici e minimizzare il rimpianto, in base ai pesi stabiliti da CRITIC e alle valutazioni probabilistiche fuzzy dei robot. VIKOR restituisce un ranking finale: ad esempio, nel caso presentato, la soluzione M2 emerge come quella più vicina all’ideale di compromesso, mostrando un ottimo equilibrio tra criteri oggettivi come la ripetibilità e aspetti più qualitativi come la flessibilità di programmazione.
Analisi di robustezza del metodo CRITIC-VIKOR per robot industriali
L'applicazione concreta e i risultati iniziali del metodo proposto portano a una domanda rilevante: quanto il modello si dimostra robusto e resiliente di fronte a variazioni nei parametri o nelle informazioni di input? Per approfondire questa questione, è fondamentale esaminare la sensibilità del modello rispetto a modifiche di alcuni parametri fondamentali, con un'attenzione particolare al parametro q, che regola il grado di granularità e incertezza all'interno dei set fuzzy probabilistici q-rung orthopair (PULq-ROFS).
Il parametro q funge da “regolatore di precisione” nell’ambito degli insiemi fuzzy q-rung orthopair. Quando q assume valori elevati, il sistema può distinguere con maggiore finezza le differenze tra le alternative, catturando e rappresentando sfumature più sottili dell’incertezza linguistica. Al contrario, valori più bassi di q possono risultare in una minore granularità, semplificando l’analisi ma potenzialmente perdendo parte della complessità informativa.
Approfondendo, si è osservato che variando q, ad esempio incrementandolo da 1 a 35 a intervalli irregolari (ad esempio utilizzando solo valori dispari), i risultati del ranking prodotto dal metodo VIKOR integrato con PULq-ROFS e CRITIC non vengono stravolti. Certo, si possono registrare piccole differenze nei valori di scarto tra le alternative o nell’intensità dei punteggi intermedi, ma l’ordine finale delle preferenze rimane sostanzialmente invariato. Questo dato è significativo: indica che la metodologia non è fragile, cioè non basta una piccola perturbazione nei parametri di incertezza per ribaltare le conclusioni. Al contrario, il modello mostra una robustezza tale da mantenere stabili le scelte chiave e la classifica delle alternative, indipendentemente dalla finezza con cui viene rappresentata l’incertezza.
Un altro aspetto cruciale nell’analisi di sensibilità è la reazione del metodo all’aggiunta di nuovi esperti o all’eliminazione di una fonte informativa. In ambienti reali, non sempre i dati e le valutazioni sono disponibili in modo completo e stabile: talvolta un esperto non è più disponibile, oppure occorre integrare l’opinione di un nuovo tecnico specializzato. Il metodo proposto, grazie all’uso di operatori di aggregazione PULq-ROF e al calcolo oggettivo dei pesi tramite CRITIC, consente di aggiornare velocemente l’analisi senza ripartire da zero. È sufficiente ricalcolare l’aggregazione PULq-ROFWA e, di seguito, aggiornare pesi (CRITIC) e ranking (VIKOR). La struttura modulare dell’approccio garantisce un agevole adattamento a variazioni del contesto.
Inoltre, l’impiego combinato di CRITIC e VIKOR nel framework PULq-ROFS migliora ulteriormente la resilienza del processo decisionale. CRITIC assicura che i pesi degli attributi non siano scelti arbitrariamente, bensì emergano dall’analisi statistica dei dati. VIKOR, a sua volta, non cerca l’alternativa semplicemente “migliore”, ma quella più vicina a una soluzione di compromesso, riducendo la sensibilità del ranking a condizioni estreme. Questo assetto metodologico porta a un equilibrio interno: se un attributo fosse valutato in modo meno stabile, altri criteri e l’intero processo di pesatura intervengono limitando l’impatto di questa oscillazione sul risultato finale.
CRITIC-VIKOR vs altri metodi: vantaggi nella selezione di robot industriali
L’analisi svolta nei passaggi precedenti mette in luce come la metodologia che integra PULq-ROFS con CRITIC e VIKOR presenti un profilo particolarmente solido, ma per comprenderne appieno il valore è utile confrontarla con alcuni metodi già noti nella letteratura della decisione multicriterio.
Nel campo della selezione robotica e, più in generale, della valutazione di alternative complesse, esistono diversi approcci consolidati come TOPSIS, MABAC, CODAS o EDAS, anche in varianti fuzzy o probabilistiche. Questi metodi, sebbene estremamente utili, hanno talvolta limiti quando si tratta di gestire simultaneamente incertezze linguistiche complesse, probabilità associate ai termini e una struttura di pesatura che non si basi esclusivamente sul giudizio soggettivo. Ad esempio, un approccio come TOPSIS lavora generalmente con distanze da soluzioni ideali, ma non integra intrinsecamente la logica della probabilità linguistica né l’adattabilità del parametro q. Analogamente, MABAC o CODAS possono offrire classificazioni efficaci, ma non sempre forniscono la stessa flessibilità nell’espressione dell’incertezza, né la capacità di scomporre i pesi degli attributi su basi realmente oggettive come fa CRITIC.
Le varianti fuzzy introdotte in alcuni di questi metodi, come PUL-TOPSIS, PL-MABAC o PUL-CODAS, rappresentano un passo avanti nell’incorporazione dell’incertezza linguistica. Tuttavia, queste versioni spesso rimangono legate a un singolo livello di fuzzificazione o non sfruttano appieno la potenzialità combinata di un sistema che riunisca probabilità, insiemi q-rung orthopair e metodi di pesatura oggettiva. In tali approcci, la definizione dei pesi potrebbe ancora dipendere largamente da scelte discrezionali dei decisori, oppure la rappresentazione dell’incertezza linguistica rimane parziale.
La strategia proposta si differenzia in modo sostanziale. L’impiego di PULq-ROFS permette di catturare non solo la vaghezza e l’incertezza intrinseche nei giudizi, ma anche di modellare la probabilità con cui certi intervalli linguistici si manifestano. Ciò significa che l’informazione non viene mai impoverita, ma anzi arricchita: invece di ridurre una valutazione verbale a un singolo valore centrale, si mantiene un ventaglio probabilistico di possibilità. Questo è particolarmente utile in situazioni in cui i decisori non possono garantire di aver sempre la stessa percezione, o dove le condizioni operative del robot possono cambiare nel tempo.
L’uso del metodo CRITIC per la determinazione dei pesi fornisce inoltre un valore aggiunto rispetto a sistemi che si basano esclusivamente su giudizi soggettivi o semplici medie. CRITIC sfrutta le informazioni contenute nei dati per stabilire l’importanza relativa dei criteri, mettendo in evidenza quelli realmente discriminanti. Questo riduce il rischio di distorsioni legate a preferenze personali troppo marcate, offrendo una base oggettiva per il calcolo dei pesi.
Infine, l’integrazione di VIKOR aggiunge un ulteriore tassello: a differenza di altri metodi che puntano dritti all’alternativa globalmente migliore, VIKOR privilegia una soluzione di compromesso che avvicina il sistema a un equilibrio tra benefici complessivi e minimi rimpianti. Questo rende la scelta più resistente a conflitti tra criteri e a modifiche minori negli input, come mostrato nell’analisi di sensibilità.
In sintesi, la metodologia proposta non solo colma alcune lacune presenti in altri approcci, ma crea un insieme armonico di strumenti: PULq-ROFS gestisce la complessità dell’incertezza linguistica, CRITIC ne estrae pesi oggettivi, VIKOR guida verso una soluzione di compromesso. Questo assetto, valutato in un’ottica di strategia industriale, permette di identificare un robot non solo “teoricamente migliore”, ma anche più aderente alle necessità operative e ai vincoli reali. Imprenditori, manager e decisori potranno così contare su una cornice analitica più completa, capace di ridurre l’influenza di pregiudizi o incompletezze informative, offrendo un vantaggio competitivo nell’affrontare scelte complesse con maggiore fiducia e chiarezza.
Conclusioni
I risultati suggeriscono che integrare CRITIC e VIKOR in un ambiente PULq-ROFS rappresenta una soluzione capace di affrontare la complessità tipica delle scelte industriali avanzate. L’approccio non si limita a gestire l’incertezza, ma riflette le reali dinamiche di conflitto tra i criteri, offrendo uno strumento solido per decisori e manager. Rispetto allo stato dell’arte, questa soluzione appare più equilibrata e versatile, soprattutto laddove altre metodologie focalizzate su un unico livello di fuzzificazione o su un singolo approccio probabilistico rischiano di semplificare eccessivamente il problema.
Guardando alla strategia industriale, una tale capacità di analisi permette di identificare opzioni che soddisfano sia esigenze operative sia vincoli economici, posizionando la scelta del robot in modo da sostenere l’innovazione e la competitività. L’interazione di metodi quantitativi e rappresentazioni linguistiche probabilistiche si rivela uno strumento significativo per chi deve prendere decisioni strategiche in ambienti di incertezza, mostrando come una prospettiva ibrida possa diventare un punto di riferimento stabile nella selezione di sistemi industriali complessi.
Comments