□ 王 婧 彭 斌 重慶醫(yī)科大學(xué)公共衛(wèi)生與管理學(xué)院 江 生 重慶市食品藥品檢驗(yàn)所

姚曉倩 董姣姣 重慶醫(yī)科大學(xué)公共衛(wèi)生與管理學(xué)院

1 前言

在21世紀(jì)全球信息化大背景下，中國(guó)乃至全世界的食品安全面臨多層面的影響，機(jī)遇與挑戰(zhàn)并存。一方面，人民從對(duì)食品“量”的被動(dòng)需求轉(zhuǎn)化為對(duì)食品“質(zhì)”的主動(dòng)要求；另一方面，近幾年來(lái)居民生活水平不斷提高，但食品安全事件卻頻頻發(fā)生，成為社會(huì)焦點(diǎn)，并且上升為全球性危機(jī)。三鹿奶粉事件、假雞蛋事件、染色饅頭事件等等食品安全重大問題不剩枚舉，還有國(guó)際上流傳廣泛的食源性疾病危機(jī)，都說(shuō)明食品在生產(chǎn)、儲(chǔ)存、運(yùn)輸及銷售等環(huán)節(jié)中存在不少漏洞，應(yīng)把食品安全問題作為當(dāng)前研究的重點(diǎn)。

面對(duì)如此嚴(yán)峻的食品安全形勢(shì)，建立的法律法規(guī)很難達(dá)到理想中的效果，人民對(duì)政府及有關(guān)部門的懷疑態(tài)度愈發(fā)嚴(yán)重，所以政府應(yīng)從事件發(fā)生后的緊急處理階段調(diào)整到在事件發(fā)生前的預(yù)防控制上來(lái)，主動(dòng)出擊。

2 食品安全風(fēng)險(xiǎn)預(yù)警

在全球大數(shù)據(jù)與信息化的背景下，監(jiān)測(cè)與收集食品安全數(shù)據(jù)越來(lái)越容易，實(shí)時(shí)的食品監(jiān)測(cè)數(shù)據(jù)數(shù)量多，具有多源性、異構(gòu)性等特征，探索更多適合于數(shù)據(jù)性質(zhì)的預(yù)警方法與體系尤為重要。風(fēng)險(xiǎn)預(yù)警在各個(gè)行業(yè)與領(lǐng)域都有廣泛應(yīng)用，在實(shí)踐過程中得到了多次的發(fā)展和完善。對(duì)于預(yù)警方法和模型，需要結(jié)合不同數(shù)據(jù)的特點(diǎn)不斷創(chuàng)新、打開不同的視角，作為重要支持技術(shù)以實(shí)現(xiàn)食品安全。

2.1 預(yù)警基本概念

在食品安全范疇中預(yù)警指對(duì)食品質(zhì)量安全風(fēng)險(xiǎn)的預(yù)防預(yù)測(cè)，通過對(duì)食品檢測(cè)數(shù)據(jù)的風(fēng)險(xiǎn)分析評(píng)估，預(yù)測(cè)食品安全風(fēng)險(xiǎn)的趨勢(shì)變化[1]。食品安全預(yù)警是食品監(jiān)管的重要部分，正確運(yùn)用其方法可以提高食品安全水平，降低食品安全危害事件的發(fā)生概率。

2.2 食品安全預(yù)警系統(tǒng)

食品安全預(yù)警體系綜合了監(jiān)測(cè)與收集數(shù)據(jù)、處理與分析數(shù)據(jù)以及發(fā)出警告3方面的內(nèi)容，并在逐步的使用中不斷更新，以達(dá)到最優(yōu)狀態(tài)。下面簡(jiǎn)單介紹幾個(gè)各國(guó)各地區(qū)的食品安全風(fēng)險(xiǎn)預(yù)警模型。

歐盟有食品與飼料快速預(yù)警系統(tǒng)（rapid alert system for food and feed，RASFF），主要用于歐盟各成員國(guó)之間的風(fēng)險(xiǎn)信息交流，若存在風(fēng)險(xiǎn)則及時(shí)發(fā)布通告并采取相應(yīng)措施；美國(guó)有食源性疾病主動(dòng)監(jiān)測(cè)網(wǎng)絡(luò)（food born disease active surveillance network, Food Net），簡(jiǎn)稱食品網(wǎng)（Food Net），通過此系統(tǒng)可以確定食源性疾病的危害程度，并將疾病與特定食物相聯(lián)系；中國(guó)有國(guó)家食品安全風(fēng)險(xiǎn)評(píng)估中心（ China National Center for Food Safety Risk Assessment，CFSA），保障居民的食品安全以及公眾健康。

2.3 國(guó)內(nèi)外研究現(xiàn)狀

對(duì)于食品安全預(yù)警模型，已經(jīng)有了許多成熟的研究。國(guó)內(nèi)學(xué)者探索了許多種方法，運(yùn)用支持向量機(jī)對(duì)畜產(chǎn)品[2]等建立了安全預(yù)警模型；基于BP神經(jīng)網(wǎng)絡(luò)開發(fā)了食品安全評(píng)估系統(tǒng)[3]；運(yùn)用關(guān)聯(lián)規(guī)則對(duì)肉類食品冷鏈物流質(zhì)量[4]等建立了安全預(yù)警模型；基于貝葉斯網(wǎng)絡(luò)構(gòu)建了網(wǎng)絡(luò)訂餐食品安全預(yù)警系統(tǒng)[5]。

國(guó)外學(xué)者也做出了許多研究。Allain V等提出了應(yīng)用于家禽屠宰場(chǎng)肉類檢驗(yàn)的預(yù)警系統(tǒng)，評(píng)估了13個(gè)不同食品安全事件出現(xiàn)之前的早期信號(hào)，提出新興風(fēng)險(xiǎn)識(shí)別支持系統(tǒng)（ERIS）的設(shè)計(jì)，以支持風(fēng)險(xiǎn)管理者識(shí)別新出現(xiàn)的風(fēng)險(xiǎn)[6]；Xi W等基于粗糙集理論和層次分析法，建立了農(nóng)產(chǎn)品“2-3結(jié)構(gòu)”模式的質(zhì)量和風(fēng)險(xiǎn)評(píng)價(jià)模塊化系統(tǒng)[7]；Wang Xueli等建立了貝葉斯分層模型，使用食源性疾病的訪問患者的數(shù)量預(yù)測(cè)患者的每日真實(shí)數(shù)量[8]；Barons M J等設(shè)計(jì)了一種動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)方法，為食品安全提供決策支持，與糖業(yè)的潛在不穩(wěn)定性相關(guān)聯(lián)[9]。

3 食品安全風(fēng)險(xiǎn)預(yù)警方法

3.1 層次分析法

層次分析法（Analytic Hierarchy Process，AHP）是20世紀(jì)70年代初，美國(guó)運(yùn)籌學(xué)家薩蒂提出的一種定量與定性相結(jié)合的決策分析方法。它將一個(gè)復(fù)雜的多目標(biāo)問題，分解成目標(biāo)層、準(zhǔn)則層和方案層，構(gòu)建層次結(jié)構(gòu)模型，抓住問題的本質(zhì)，提供合乎要求的決策方案。圖1為其示意圖。

層次分析法的主要步驟為構(gòu)建層次結(jié)構(gòu)模型，構(gòu)造判斷矩陣，層次單排序及其一致性檢驗(yàn)，層次總排序及其一致性檢驗(yàn)。首先通過深入了解和分析問題，確定系統(tǒng)的總目標(biāo)，然后將總目標(biāo)分解成若干因素，一層一層組成一個(gè)層級(jí)體系，形成嵌套模式。

圖1 層次分析法示意圖

3.2 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）是1995年Corinna Cortes和Vapnik等人最先提出的，它的優(yōu)勢(shì)是小樣本、非線性及高維模式的識(shí)別。它根據(jù)有限的樣本進(jìn)行訓(xùn)練，其樣本稱為支持向量，尋找一個(gè)最優(yōu)的超平面，使兩個(gè)樣本之間的分類間隔最大化，用這個(gè)超平面可以成功區(qū)分不同的類別。圖2是典型的支持向量機(jī)分類示意圖。

圖2 支持向量機(jī)分類示意圖

可以明顯看出圖中有兩個(gè)不同的類別，在二維空間中，最優(yōu)超平面即是一條直線A，直線A離兩個(gè)類別的距離都是最大的。其數(shù)學(xué)形式如式（1）。

其中，g（x）為分類函數(shù)，b為分類閾值，ω為權(quán)重向量，x為樣本特征向量?？梢钥闯?，g（x）不唯一，所以最優(yōu)g（x）可通過幾何指標(biāo)求得。

若為線性不可分，則在方程中添加一個(gè)正則化參數(shù)，即懲罰系數(shù)；若為非線性，則通過核函數(shù)映射將低維空間的樣本向量轉(zhuǎn)換為高維空間的樣本向量，然后再進(jìn)行分析[10]。

3.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)于1986年由Rumelhart和McClelland等科學(xué)家首先提出，又稱為誤差反向傳播神經(jīng)網(wǎng)絡(luò)（back-error propagation neutral network，BPNN），是一種應(yīng)用廣泛的人工神經(jīng)網(wǎng)絡(luò)（artificial neutral network，ANN）[11]。它采用逆向誤差算法來(lái)訓(xùn)練多層次網(wǎng)絡(luò)，其網(wǎng)絡(luò)信息向前傳播，而誤差是逆向傳播，不斷調(diào)整權(quán)重和閾值，從而得到一個(gè)誤差平方和最小的網(wǎng)絡(luò)。

典型結(jié)構(gòu)包括輸入層、隱藏層和輸出層，隱藏層可以包含多個(gè)層次，結(jié)構(gòu)示意圖如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)示意圖

其中一個(gè)神經(jīng)元的輸出如式（2）所示。

式（2）中：xi代表神經(jīng)元的第i個(gè)輸入，ωi為xi的權(quán)重，取值有正、負(fù)兩種，分別反映了xi是興奮的或是抑制的，T為興奮閾值，n為輸入個(gè)數(shù)，y為輸出，當(dāng)輸入之和大于T，則y為1，小于T，則y為0。

3.4 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)在1985年首次提出[12]，把有向無(wú)環(huán)圖和概率結(jié)合起來(lái)，利用先驗(yàn)概率計(jì)算條件概率，利用概率知識(shí)進(jìn)行分類，表達(dá)復(fù)雜的因果關(guān)系。貝葉斯網(wǎng)絡(luò)一般分為兩種類型，一種是靜態(tài)網(wǎng)絡(luò)，一種是動(dòng)態(tài)網(wǎng)絡(luò)，在靜態(tài)網(wǎng)絡(luò)中加入時(shí)序因素后就形成了動(dòng)態(tài)網(wǎng)絡(luò)，提高了預(yù)測(cè)精度。

貝葉斯定理公式見式（3）。

式（3）中：Pr（A）為A的邊緣概率，不論B是否發(fā)生，Pr（A）都不會(huì)改變，即Pr（A）是先于B發(fā)生的，所以又稱為先驗(yàn)概率；而Pr（A|B）則是事件A的條件概率，即在先發(fā)生了B事件的條件下再發(fā)生A事件的概率，所以也稱后驗(yàn)概率。

一般來(lái)說(shuō)，貝葉斯網(wǎng)絡(luò)可以表示為B=(Bs,Bp)。Bs=(X,E)是一個(gè)有向無(wú)環(huán)圖，X是隨機(jī)變量的集合，E代表有依賴關(guān)系的有向邊的集合。BP是條件概率分布的總和。式（4）的假設(shè)決定了網(wǎng)絡(luò)的結(jié)構(gòu)。

式（4）中：πxi是父節(jié)點(diǎn)集合，xi的條件概率分布為P(Xi|πi)。

圖4是貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)示意圖，網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)就是一個(gè)變量，變量間的線段表示因果關(guān)系，利用前一個(gè)節(jié)點(diǎn)的概率計(jì)算下一個(gè)節(jié)點(diǎn)的概率，最后對(duì)得到結(jié)果的概率進(jìn)行分類。

圖4 貝葉斯網(wǎng)絡(luò)示意圖

3.5 決策樹

決策樹是用于分類的機(jī)器學(xué)習(xí)樹形結(jié)構(gòu)。通過已知概率，計(jì)算不同方案的期望，選擇期望最大的方案，從而達(dá)到分類的目的，是運(yùn)用概率的圖解法。因?yàn)橛?xùn)練過程中的決策分析圖很像一棵樹，所以稱為決策樹[13]。在決策樹中，每一個(gè)節(jié)點(diǎn)代表一個(gè)事件，即上一個(gè)屬性的不同取值，進(jìn)而在葉節(jié)點(diǎn)形成了每一種可能的類別，從根節(jié)點(diǎn)到不同的葉節(jié)點(diǎn)的路徑為生成的規(guī)則集合，可運(yùn)用此規(guī)則預(yù)測(cè)新樣本的類別。

3.6 關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則于1993年提出[14]，其目的是要找到既滿足最小支持度又滿足最小置信度的強(qiáng)關(guān)聯(lián)規(guī)則，從數(shù)據(jù)中發(fā)現(xiàn)潛在的相關(guān)規(guī)則與信息。Apriori算法是應(yīng)用最廣泛的算法之一，之后又很多學(xué)者在其基礎(chǔ)上進(jìn)行改進(jìn)，彌補(bǔ)了經(jīng)典Apriori算法的不足。

Apriori算法的思路為首先掃描數(shù)據(jù)庫(kù)，找到所有的1-頻繁項(xiàng)集，之后經(jīng)過處理、修剪找到所有的2-頻繁項(xiàng)集，以此類推，找到所需的k-頻繁項(xiàng)集，最后由頻繁項(xiàng)集生成符合條件的強(qiáng)關(guān)聯(lián)規(guī)則。

4 存在的問題

2018年12月，研究團(tuán)隊(duì)對(duì)于食品安全監(jiān)督管理、風(fēng)險(xiǎn)預(yù)警方面存在的問題，與重慶市食品藥品監(jiān)督管理局的工作人員進(jìn)行訪談與調(diào)研，結(jié)合對(duì)文獻(xiàn)的研究，總結(jié)了現(xiàn)階段食品安全預(yù)警方面存在的問題與困難。

4.1 食品安全業(yè)態(tài)復(fù)雜，隸屬界限不清晰

如自動(dòng)售貨機(jī)、保健食品、農(nóng)村一條龍家宴等屬于監(jiān)管盲區(qū)，法律法規(guī)沒有清楚界定其屬于哪個(gè)監(jiān)管部門，并且類型雜、多，無(wú)法精準(zhǔn)監(jiān)管，導(dǎo)致無(wú)法獲取相關(guān)食品安全數(shù)據(jù)，不可能達(dá)到預(yù)警狀態(tài)。

4.2 存在監(jiān)管漏洞

第二是在各部門聯(lián)合執(zhí)法的情況下，還是存在很多監(jiān)管漏洞，管理投入成本高，耗費(fèi)人力物力，與之對(duì)應(yīng)的可用于安全預(yù)警的人力物力就要相應(yīng)減少，側(cè)面反映出機(jī)構(gòu)改革還不到位。

4.3 職能部門的大數(shù)據(jù)預(yù)警系統(tǒng)不夠自動(dòng)化

很多繁復(fù)的工作需要人工進(jìn)行，加大了政府工作人員無(wú)謂的工作量，不能有效的把時(shí)間和精力運(yùn)用到食品安全預(yù)警最需要的地方。

4.4 數(shù)據(jù)壁壘的存在

目前用于食品安全預(yù)警的機(jī)器學(xué)習(xí)技術(shù)眾多，應(yīng)用也十分廣泛，但真正做到事前“預(yù)警”的很少。究其原因是各個(gè)平臺(tái)、政府部分之間的數(shù)據(jù)不共通，很多數(shù)據(jù)是職能部門內(nèi)部保密的，這對(duì)于全鏈條的食品安全風(fēng)險(xiǎn)預(yù)警是一大障礙。

5 展望

在WEB2.0時(shí)代背景下，獲得海量數(shù)據(jù)越來(lái)越容易，如何挖掘出數(shù)據(jù)中的有用信息才是重中之重。對(duì)于食品安全的預(yù)警模型研究，已經(jīng)進(jìn)入一個(gè)新的篇章，從單純的算法研究轉(zhuǎn)變?yōu)榻Y(jié)合政府各部門的日常監(jiān)管需求，以需求為導(dǎo)向進(jìn)行應(yīng)用研究，從而進(jìn)一步走向食品安全社會(huì)共治的道路。將協(xié)同治理與新技術(shù)相結(jié)合，使得食品安全預(yù)警不僅為現(xiàn)在服務(wù)，還為將來(lái)服務(wù)。將預(yù)警研究延伸到市場(chǎng)、農(nóng)業(yè)、生態(tài)環(huán)境、食源性疾病、社會(huì)與氣候等方面中去，做到全鏈條的社會(huì)共治食品安全預(yù)警。