基于監(jiān)督抽檢數(shù)據(jù)的肉類食品安全風(fēng)險分析及預(yù)測

李笑曼，臧明伍,*，趙洪靜，王守偉，李 丹，張凱華，張哲奇

（1.北京食品科學(xué)研究院，中國肉類食品綜合研究中心，北京 100068；2.國家市場監(jiān)督管理總局食品審評中心，北京 100070）

肉與肉制品是高營養(yǎng)價值的重要日常消費(fèi)食品，也是具有較高安全風(fēng)險和隱患的食品之一。隨著我國居民對食品安全要求的不斷提高，我國食品監(jiān)督抽檢和風(fēng)險監(jiān)測力度也不斷提升。2015—2017年，我國分別公開17.2、25.7、23.3 萬批次監(jiān)督抽檢數(shù)據(jù)，抽檢種類覆蓋肉、乳、糧等大宗日常消費(fèi)品、加工食品及特殊膳食食品等30余類[1]。海量的監(jiān)督抽檢數(shù)據(jù)為研究食品安全現(xiàn)狀與問題、提高食品安全監(jiān)管針對性和預(yù)見性提供了重要基礎(chǔ)數(shù)據(jù)。發(fā)達(dá)國家和地區(qū)基于食品安全監(jiān)管數(shù)據(jù)構(gòu)建了成熟的食源性疾病、食品污染物等監(jiān)測與預(yù)警信息系統(tǒng)，包括國際食品安全當(dāng)局網(wǎng)絡(luò)（international food safety authorities network，INFOSAN）、全球環(huán)境監(jiān)測系統(tǒng)/食品污染物監(jiān)測與評估規(guī)劃（global environment monitoring system-food contamination monitoring and assessment programme，GEMS/Food）、歐盟食品與飼料快速預(yù)警系統(tǒng)（rapid alert system for food and feed，RASFF）及美國食源性疾病主動監(jiān)測網(wǎng)絡(luò)（Food Net）等[2-3]，其實踐表明，基于數(shù)據(jù)分析的食品安全監(jiān)測與預(yù)警可以有效將監(jiān)管前移，實現(xiàn)食品安全的源頭防控和主動預(yù)防。

目前，國內(nèi)對食品風(fēng)險預(yù)警的手段限于數(shù)理統(tǒng)計、典型病例通報等，對于大量農(nóng)業(yè)食品檢測數(shù)據(jù)的深入分析與應(yīng)用缺乏有效的手段[4]。事實上，對食品抽檢監(jiān)測數(shù)據(jù)中存在的問題進(jìn)行分析和建模，可以更好地理解和識別不安全風(fēng)險和因素，進(jìn)而達(dá)到風(fēng)險預(yù)警和預(yù)測的目的[5-7]。人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）計算模型是基于生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能建立的具有學(xué)習(xí)和自適應(yīng)性的計算模型，是管理系統(tǒng)仿真研究的重要方法[8-9]。目前已有學(xué)者建立了ANN簡化模型，進(jìn)行食品安全預(yù)警研究和因素的擬合分析，開發(fā)了能夠識別食品生產(chǎn)供應(yīng)鏈中檢測數(shù)據(jù)異常值的神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型，進(jìn)行及時監(jiān)控和預(yù)警[10]，或利用國內(nèi)有關(guān)農(nóng)產(chǎn)品質(zhì)量安全檢測的大量數(shù)據(jù)，選擇神經(jīng)網(wǎng)絡(luò)算法構(gòu)建模型和組合模型，指導(dǎo)實際的食品質(zhì)量安全抽樣工作[11]。基于BP（back propagation）神經(jīng)網(wǎng)絡(luò)的食品安全預(yù)警方法可以有效識別、記憶食品危險特征，并能夠?qū)嶋H食品安全檢測數(shù)據(jù)樣本進(jìn)行有效預(yù)測[12-14]。

本研究以2015—2017年肉類食品國家公開監(jiān)督抽檢信息為基礎(chǔ)，運(yùn)用IBM SPSS Modeler軟件構(gòu)建基于肉與肉制品監(jiān)督抽檢各類屬性指標(biāo)與不合格項目數(shù)據(jù)的3 層BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，重點分析當(dāng)前肉類食品安全現(xiàn)狀與風(fēng)險類型，并對模型進(jìn)行有效性驗證，為我國肉類食品安全問題分析與風(fēng)險預(yù)警提供理論依據(jù)，并為食品安全數(shù)據(jù)的進(jìn)一步深入挖掘提供參考。

1 數(shù)據(jù)來源

2015—2017年，國家食品藥品監(jiān)督管理總局在官方網(wǎng)站共發(fā)布5 554 期食品安全抽檢信息公告，本研究選取來源于2015—2017年國家食品藥品監(jiān)督管理總局直屬系統(tǒng)公開發(fā)布的54 期、共18 378 批次肉與肉制品監(jiān)督抽檢信息，數(shù)據(jù)涵蓋肉制品、畜禽肉及副產(chǎn)品等各產(chǎn)品類型，同時包括監(jiān)督抽檢合格與不合格產(chǎn)品的名稱、生產(chǎn)企業(yè)、生產(chǎn)日期、檢驗項目、檢驗結(jié)果、標(biāo)準(zhǔn)值、商標(biāo)和規(guī)格型號等原始信息，所得到的數(shù)據(jù)如表1所示。依據(jù)肉與肉制品細(xì)類劃分為畜肉、禽肉、畜內(nèi)臟、禽內(nèi)臟、醬鹵肉制品、熟肉干制品、速凍調(diào)制肉制品、熏燒烤肉制品、熏煮香腸火腿制品、腌臘肉制品和其他肉制品11 個產(chǎn)品類型?！帮L(fēng)干肉”產(chǎn)品生產(chǎn)企業(yè)所在省份如在北方通常記為“熟肉干制品”，如產(chǎn)地為南方或產(chǎn)品名稱為“風(fēng)干腸”則記為“腌臘肉制品”，其余產(chǎn)品均依據(jù)相應(yīng)產(chǎn)品包裝所標(biāo)注的信息劃分產(chǎn)品細(xì)類。

2 肉類食品安全風(fēng)險

2.1 微生物指標(biāo)不合格與食品添加劑不符合規(guī)定

基于以上肉類食品安全監(jiān)督抽檢數(shù)據(jù)得到的546 條不合格數(shù)據(jù)信息，由圖1可知，微生物（非致?。┲笜?biāo)不合格和食品添加劑不合規(guī)定的肉及肉制品占比分別達(dá)42.3%和24.9%。其中，熟肉制品面臨較高的微生物不合格風(fēng)險。

由圖2可知，微生物指標(biāo)不合格主要集中在熟肉制品中的醬鹵肉制品、熟肉干制品、熏煮香腸火腿制品、熏燒烤肉制品及腌臘肉制品中。菌落總數(shù)是主要的微生物不合格評價指標(biāo)。湖南、四川、重慶等地區(qū)的醬鹵肉制品、內(nèi)蒙古和四川的熟肉干制品的菌落總數(shù)不合格情況較嚴(yán)重[15]。熟肉制品和即食生調(diào)制肉制品中致病微生物較多，主要風(fēng)險包括單核細(xì)胞增生李斯特氏菌、金黃色葡萄球菌和沙門氏菌等，共存在6 批次污染。單核細(xì)胞增生李斯特氏菌、金黃色葡萄球菌等致病菌通常在一般烹煮溫度下可被殺死，但在冷藏溫度下仍然可以緩慢生長。引發(fā)熟肉制品微生物污染問題的原因較多，熟肉制品通常能夠通過加熱殺滅大部分微生物，但由于醬鹵肉制品和熟肉干制品加工過程中有時會添加醬料、胡椒碎等輔料，這些輔料的制作過程中沒有滅菌，因此最后制成的熟肉制品微生物指標(biāo)較高，尤其是在夏季生產(chǎn)的產(chǎn)品，由于可能會影響風(fēng)味等原因，一些醬鹵肉制品及熟肉干制品沒有進(jìn)行二次殺菌[16]。東北地區(qū)熏煮香腸火腿制品，如紅腸的微生物指標(biāo)不合格情況仍然偏多，這主要是由于紅腸等產(chǎn)品的真空包裝條件通常未能達(dá)到要求，安全指標(biāo)控制、冷鏈運(yùn)輸條件未能滿足，長時間與空氣接觸極易滋生微生物，特別是在夏季，容易出現(xiàn)菌落總數(shù)超標(biāo)問題。

熟肉制品不合格統(tǒng)計中擁有較高占比的為食品添加劑不符合規(guī)定。由圖3可知，山梨酸作為防腐保鮮劑廣泛應(yīng)用于醬鹵肉制品生產(chǎn)加工過程中，2015—2017年共有山梨酸不符合規(guī)定產(chǎn)品67 批次，占比57.3%。醬鹵肉制品的不合格情況涵蓋雞肉、鴨肉、豬肉、牛肉制品及多種風(fēng)味肉制品，如“醬鹵、蒜香、泡椒、燒烤、黃燜”肉制品。防腐劑及著色劑亞硝酸鹽不符合規(guī)定產(chǎn)品占比14.5%，著色劑胭脂紅不符合規(guī)定產(chǎn)品占比8.5%。部分腌臘、醬鹵肉制品加工過程中添加了防腐劑以抑制肉毒菌的生長，甚至在原料肉中注入亞硝酸鹽，以延緩肉類的微生物腐敗現(xiàn)象，此類情況在夏季生產(chǎn)、散裝加工肉制品和餐館菜肴中較為常見。由圖4可知，抽檢肉與肉制品的大腸菌群和菌落總數(shù)不合格批次夏季最多，山梨酸、亞硝酸鹽等食品添加劑不符合規(guī)定的情況全年均有，在夏季也有增多趨勢。

2.2 其他指標(biāo)不合格

由圖5可知，醬鹵肉制品中禁用獸藥及畜禽肉中的獸藥殘留風(fēng)險也較為突出。萊克多巴胺的殘留不合格主要來自于散稱醬鹵食品及批發(fā)市場；克倫特羅、呋喃唑酮代謝物及沙丁胺醇等禁用獸藥分別主要檢出自畜肉及內(nèi)臟、禽肉和熏煮香腸火腿制品。2017年我國肉及肉制品中禁用獸藥檢出情況有所改善，但畜內(nèi)臟、禽內(nèi)臟中仍檢出克倫特羅和特布他林，同時檢出五氯酚酸鈉共計4 批次。熟肉制品的獸藥殘留情況較好，2015—2017年抽檢時未出現(xiàn)不合格。土霉素、地塞米松及磺胺類等藥物是畜禽肉獸藥殘留的主要成分。用于食用的農(nóng)產(chǎn)品中農(nóng)獸藥殘留超標(biāo)及禁用獸藥問題主要是由于種養(yǎng)殖環(huán)節(jié)甚至流通環(huán)節(jié)為促進(jìn)動物生長、提高飼料轉(zhuǎn)化率而違規(guī)濫用或故意添加化學(xué)類藥物。

由圖6可知，我國以熏煮香腸火腿及腌臘肉制品為主的熟肉制品面臨較多的品質(zhì)不達(dá)標(biāo)問題。酸價超標(biāo)產(chǎn)品最多，共計18 批次，其中腌臘肉制品13 批次，占比達(dá)72.2%，產(chǎn)地集中在廣東、湖南、江蘇及浙江等地區(qū)。過氧化值不合格情況在腌臘肉制品中也較為突出，占比達(dá)58.3%，這些產(chǎn)品大多來自于網(wǎng)絡(luò)抽檢食品或缺少包裝的散稱食品。肉制品中的脂肪水解產(chǎn)生游離脂肪酸，尤其是傳統(tǒng)腌臘肉制品，在非熟制條件和具有活性的脂肪酶作用下，在產(chǎn)品生產(chǎn)后游離脂肪酸含量仍可能繼續(xù)升高，繼而導(dǎo)致酸價升高。脂肪含量越高，脂肪越容易被氧化，過氧化值也越高[17]。

其次是蛋白質(zhì)指標(biāo)不合格產(chǎn)品，共計12 批次，其中熏煮香腸火腿制品占比達(dá)91.7%。蛋白質(zhì)、淀粉等指標(biāo)不合格不排除存在個別食品生產(chǎn)經(jīng)營者以次充好、偷工減料，甚至違法摻雜使假的情況。河北、黑龍江、江蘇等地區(qū)生產(chǎn)的熏煮火腿產(chǎn)品蛋白質(zhì)指標(biāo)不合格率超過54%。

肉及肉制品中金屬元素污染物不合格集中在總抽檢批次公開較多的2015年，不合格項目包括鎘、鉛、鉻元素含量，共計16 批次產(chǎn)品，其中鉛元素不合格達(dá)10 批次，在鳳爪、板筋及牛肉干產(chǎn)品中檢出較多。此外，鎘元素不合格產(chǎn)品全部為驢肉制品。這些金屬元素污染物主要與環(huán)境污染、生產(chǎn)企業(yè)原料把關(guān)不嚴(yán)有關(guān)[18]。

3 肉類食品監(jiān)督抽檢數(shù)據(jù)挖掘與預(yù)測模型

3.1 BP神經(jīng)網(wǎng)絡(luò)方法

BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的一類神經(jīng)網(wǎng)絡(luò)，Hecht-Nielsen[19]的萬能逼近定理曾證明，含有輸入層、隱含層和輸出層的3 層BP網(wǎng)絡(luò)具有高度的非線性映射能力。在監(jiān)督抽檢中，通常以質(zhì)量標(biāo)準(zhǔn)來判定某產(chǎn)品是否為不合格產(chǎn)品，在若干項檢測項目中，只要有1 項超過標(biāo)準(zhǔn)，該產(chǎn)品即被判定為不合格。神經(jīng)網(wǎng)絡(luò)可以識別食品抽樣數(shù)據(jù)中某一被檢測樣品存在的諸多相關(guān)屬性和其他信息，并能夠有效利用監(jiān)督抽檢得到的各項指標(biāo)檢測結(jié)果，以達(dá)到利用已知的屬性信息預(yù)測食品安全風(fēng)險、隱患和趨勢，挖掘肉品監(jiān)督抽檢數(shù)據(jù)并進(jìn)行預(yù)警和快速反應(yīng)的目的和效果。其核心學(xué)習(xí)過程主要包括數(shù)據(jù)的正向傳播和誤差的反向傳播2 個階段。由于BP神經(jīng)網(wǎng)絡(luò)善于進(jìn)行數(shù)據(jù)分類及處理，即便原始訓(xùn)練數(shù)據(jù)集存在空值和離散性的數(shù)據(jù)，也能夠較好地處理缺失值，優(yōu)化處理輸入、輸出層單元結(jié)構(gòu)，使預(yù)測結(jié)果足夠精確[20-23]。本研究構(gòu)建的3 層食品監(jiān)督抽檢BP神經(jīng)網(wǎng)絡(luò)模型可以基于樣本反復(fù)訓(xùn)練后確定BP神經(jīng)網(wǎng)絡(luò)的關(guān)鍵參數(shù)，將具有多維屬性且不同取值的食品監(jiān)督抽檢數(shù)據(jù)準(zhǔn)確分類到輸出層，從而得出預(yù)測目標(biāo)變量結(jié)果及預(yù)測結(jié)果分類的重要性情況。

3.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)本身的結(jié)構(gòu)和特點很大程度上影響B(tài)P神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確度，因而既需要選取恰當(dāng)?shù)奶卣鲗傩院洼敵鼋Y(jié)果，也需要保證足夠的數(shù)據(jù)量。

對于單一樣本而言，有17 個屬性，但并非所有的屬性都適用于模型，選擇代表樣本本身的屬性，排除“抽樣地址”、“商標(biāo)”等無效屬性。規(guī)格型號、檢驗結(jié)果、標(biāo)稱生產(chǎn)企業(yè)地址等指標(biāo)雖是有用信息，但在不同情況下數(shù)據(jù)長短不統(tǒng)一，無法確定合理數(shù)值，也不能有效使用。最終選取“抽樣省份、產(chǎn)品類型、產(chǎn)地、生產(chǎn)日期、年份、是否大型企業(yè)”6 個屬性作為輸入變量，以“是否合格”為輸出變量。

從2015—2017年的肉與肉制品原始數(shù)據(jù)共18 378 條中篩選出檢測項目不合格的全部數(shù)據(jù)樣本，其中不合格數(shù)據(jù)546 條，其余均為合格數(shù)據(jù)，顯然樣本極度不平衡，若直接將此數(shù)據(jù)用于模型構(gòu)建，則會導(dǎo)致小樣本類別預(yù)測效果較差的結(jié)果，而小樣本類別恰巧是需要關(guān)注的重點檢出指標(biāo)。因此，在17832 條合格數(shù)據(jù)中，科學(xué)地抽出不合格與合格預(yù)混比例分別為1∶1（平衡肉類檢測數(shù)據(jù)）和1∶2的數(shù)據(jù)，以提高預(yù)測結(jié)果準(zhǔn)確度。Excel數(shù)據(jù)抽樣公式為“=INDEX（Sheet1!A1∶A17833,RANDBETWEEN（1,17833））”，數(shù)據(jù)調(diào)用公式為“=VLOOKUP（She et2!$A2,Sheet1!$A$2:$P$17833,2,FALSE）”。以不合格與合格預(yù)混比例1∶2抽樣為例，抽樣前原始數(shù)據(jù)中北京市2015年熏燒烤肉制品中合格數(shù)據(jù)為89 條，醬鹵肉制品為200 條，抽樣后得到的熏燒烤及醬鹵肉制品合格數(shù)據(jù)分別為6、33 條，抽樣后樣本分層比例與原始數(shù)據(jù)相近。

將數(shù)據(jù)進(jìn)行預(yù)混合后，作為構(gòu)建模型的數(shù)據(jù)集，進(jìn)行下一步處理和分析[24-25]。數(shù)據(jù)框類型如表2所示。

表 2 BP神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)框類型Table 2 Data frame types for BP neural network model

3.3 食品安全預(yù)警數(shù)據(jù)分析模型的構(gòu)建

使用IBM SPSS Modeler 14.1軟件構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。IBM SPSS Modeler是一個提供多種算法和技術(shù)的預(yù)測性分析平臺，能夠?qū)崿F(xiàn)數(shù)據(jù)的自動化準(zhǔn)備、自動數(shù)據(jù)建模等多項數(shù)據(jù)分析工作，在食品安全數(shù)據(jù)分析中發(fā)揮極大的作用。運(yùn)用IBM SPSS Modeler軟件構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的過程包括：導(dǎo)入樣本數(shù)據(jù)并儲存在Excel表中、選擇類型節(jié)點與數(shù)據(jù)準(zhǔn)備、選擇分區(qū)節(jié)點、選擇神經(jīng)網(wǎng)絡(luò)節(jié)點、生成模型、參數(shù)優(yōu)化、模型預(yù)測與分析[26-27]。本次模型構(gòu)建首先將數(shù)據(jù)導(dǎo)入后，進(jìn)行自動數(shù)據(jù)準(zhǔn)備，樣本屬性均為名義變量。而人工神經(jīng)網(wǎng)絡(luò)輸入變量的取值通常要求在0～1之間，否則輸入變量的不同數(shù)量級別將直接影響權(quán)值的確定。此外，神經(jīng)網(wǎng)絡(luò)只能處理數(shù)值型輸入變量，對于已選定的分類變量，自動數(shù)據(jù)處理將k 個類別的分類型變量轉(zhuǎn)化為k 個取值為0或1的數(shù)值型變量后，采用二進(jìn)制碼將各變量編碼，使其符合神經(jīng)網(wǎng)絡(luò)的輸入要求。樣本屬性中所有數(shù)據(jù)均為名義變量[28-29]。其次，將全部數(shù)據(jù)分區(qū)，選取全部數(shù)據(jù)的70%作為訓(xùn)練集，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，20%的數(shù)據(jù)作為測試集，10%作為驗證集[30]。待模型構(gòu)建完成后，測試集用于檢測模型的預(yù)測效果，驗證集用于調(diào)整模型參數(shù)。BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建過程如圖7所示。

由訓(xùn)練集生成的BP神經(jīng)網(wǎng)絡(luò)模型概要中，模型的目標(biāo)變量為“是否合格”（“合格”或“不合格”）。構(gòu)建多層感知器模型，多層感知器模型為前饋式網(wǎng)絡(luò)模型，模型使用的停止規(guī)則為“無法進(jìn)一步降低誤差”，由于模型的訓(xùn)練為不斷向樣本學(xué)習(xí)的過程，通過不斷調(diào)整網(wǎng)絡(luò)權(quán)值以得到較小的預(yù)測誤差。向所有樣本學(xué)習(xí)完畢后，如果預(yù)測誤差仍較大，需重新開始新的學(xué)習(xí)，直到得到理想的精度或滿足停止規(guī)則。

3.4 結(jié)果分析

最終形成的BP神經(jīng)網(wǎng)絡(luò)模型為3 層神經(jīng)網(wǎng)絡(luò)，隱藏層中神經(jīng)元數(shù)量為5 個。預(yù)混比例1∶2分層抽樣數(shù)據(jù)得到的預(yù)測模型及模型概要如圖8所示，總預(yù)測準(zhǔn)確度達(dá)96.2%。

表 3 2015—2017年肉與肉制品分層抽樣結(jié)果及檢出結(jié)果Table 3 Stratified sampling and detection of meat and meat products in the period of 2015—2017

對比預(yù)測結(jié)果準(zhǔn)確度、分層抽樣結(jié)果及模型概要。由表3可知，雖然首先進(jìn)行的平衡檢測數(shù)據(jù)（預(yù)混比例1∶1）抽樣過程得到的總體準(zhǔn)確度（總體百分比矯正）為69.6%，而預(yù)混比例1∶2抽樣數(shù)據(jù)得到的總體準(zhǔn)確度達(dá)96.2%，且隱藏層神經(jīng)元數(shù)量比平衡檢測數(shù)據(jù)時多2 個。同時，對于實際檢測是否合格的結(jié)果，預(yù)混比例1∶2抽樣數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)模型對于樣本不合格及合格的預(yù)測準(zhǔn)確度非常高，因此對于此次網(wǎng)絡(luò)預(yù)測模型的構(gòu)建宜采用預(yù)混比例1∶2的抽樣方式。

利用訓(xùn)練集生成BP神經(jīng)網(wǎng)絡(luò)模型后，用測試集評價模型的預(yù)測準(zhǔn)確性。由圖9可知：對于合格樣本，判定為合格的概率為96.0%，準(zhǔn)確度非常高；對于不合格樣本，判定為不合格的概率為96.5%，準(zhǔn)確度也極高；樣本為合格，錯判為不合格的概率為4.0%；樣本為不合格，錯判為合格的概率僅為3.5%。總體而言，對于實際結(jié)果為合格的樣本，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確度非常高，對于實際結(jié)果為不合格的樣本，模型的預(yù)測準(zhǔn)確度有所降低，但是仍有參考和應(yīng)用價值。另外，這一結(jié)果的出現(xiàn)一定程度上是由于樣本仍然不平衡所致，即結(jié)果為合格的樣本數(shù)量遠(yuǎn)大于不合格的樣本數(shù)量，導(dǎo)致神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時在大樣本分類中預(yù)測誤差較小，而在小樣本分類中預(yù)測效果稍顯欠缺。這一缺陷可通過進(jìn)一步完善原始數(shù)據(jù)和對數(shù)據(jù)集做不平衡抽樣等深入預(yù)處理逐步改善。

根據(jù)得到的BP神經(jīng)網(wǎng)絡(luò)模型，可以得到各屬性變量對預(yù)測結(jié)果分類的重要性情況。由圖10可知，最重要的屬性為“被抽樣單位所在省份”、“生產(chǎn)日期/月份”和“產(chǎn)地”。對結(jié)果進(jìn)行初步分析認(rèn)為，一方面由于我國各地區(qū)產(chǎn)品抽樣檢測水平仍有較大差距，檢驗設(shè)備及能力不均衡，對不合格結(jié)果的預(yù)測影響較大，另一方面被抽樣單位所在省份與生產(chǎn)省份相近，而我國各地區(qū)肉及肉制品質(zhì)量安全水平不一。同時，季節(jié)對肉與肉制品質(zhì)量安全中微生物指標(biāo)和添加劑不合格指標(biāo)影響較大。最不重要的屬性為“年份”和“是否大型企業(yè)”，這一結(jié)果驗證了雖然我國2015—2017年公開的抽檢數(shù)據(jù)總量存在較大差異，但運(yùn)用BP神經(jīng)網(wǎng)絡(luò)分層篩選的數(shù)據(jù)仍具有一定代表性，產(chǎn)品不合格情況的基本預(yù)測與年份、甚至產(chǎn)品是否來自大型企業(yè)沒有很大關(guān)系。此外，較重要的變量還包括“產(chǎn)品類型”，從食品細(xì)類看，對于不合格樣本變量，肉制品各細(xì)類產(chǎn)品的檢出率和不合格率有較大差異，因此產(chǎn)品品類對檢出結(jié)果預(yù)測的影響較大。

3.5 模型應(yīng)用與建議

以上是以產(chǎn)品全部不合格樣本為研究對象所構(gòu)建的模型，在實際應(yīng)用中，可以進(jìn)一步對所關(guān)注的指標(biāo)進(jìn)行預(yù)測，分別構(gòu)建相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型，并將其作為樣品檢測前的參考，篩選出單個樣品需重點關(guān)注的檢驗項目。以樣品A為例，將其某一屬性指標(biāo)導(dǎo)入已訓(xùn)練生成的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型中，若預(yù)測結(jié)果為不合格或檢出，則應(yīng)重點檢測該指標(biāo)，若檢測結(jié)果為合格或未檢出，則應(yīng)更換為BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的其他重點指標(biāo)的檢出情況。由于該模型對于實際不合格樣本的錯判率為3.5%，故暫不建議當(dāng)預(yù)測結(jié)果為未檢出時，直接將此項目免檢。運(yùn)用此模型時，檢測人員可以通過樣本的屬性提前預(yù)測模型的可能檢出結(jié)果，有針對性地進(jìn)行檢測，避免漏檢、錯檢情況發(fā)生，同時也能有效節(jié)省人力、物力和財力。后期通過對模型的改進(jìn)，提升模型的預(yù)測效果后，也可以對預(yù)測未檢出概率高的樣本實現(xiàn)免檢，具有較高的實用價值。

后期如要提升BP神經(jīng)網(wǎng)絡(luò)模型在“檢出”和“未檢出”樣品中的準(zhǔn)確度，數(shù)據(jù)準(zhǔn)備過程尤其重要。對于食品安全監(jiān)督抽檢神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)準(zhǔn)備的建議：1）豐富樣本公開數(shù)據(jù)信息，如以國家公開數(shù)據(jù)信息“超市、福建、常溫、熏煮香腸火腿制品、預(yù)包裝、城市、11.5、否、2015年、貴州”為例，數(shù)據(jù)中僅披露了上述抽樣環(huán)節(jié)、生產(chǎn)省份、抽樣狀態(tài)、產(chǎn)品類別、包裝形態(tài)、抽樣時間及抽樣省份等分類型變量，尚未詳細(xì)、有效地披露樣品的單價、年銷售額等數(shù)值型變量，這些屬性也可能是反映樣本本質(zhì)的重要特征，抽樣時應(yīng)做到有效記錄；2）由于不合格樣本數(shù)量極少，不適用于大樣本下的數(shù)據(jù)挖掘分析，應(yīng)規(guī)范各項指標(biāo)檢出值的記錄，對同一質(zhì)量標(biāo)準(zhǔn)下的樣品均記錄檢驗結(jié)果的原始值，而非“＜0.001”、“未檢出”等字樣，并充分披露公開。這樣在建模和分析時，可以根據(jù)數(shù)值區(qū)間有效細(xì)分，進(jìn)而完善模型，提高預(yù)測精確度。

4 結(jié) 論

本文在收集整理2015—2017年18 378 批次肉類食品國家監(jiān)督抽檢數(shù)據(jù)的基礎(chǔ)上，梳理肉類食品安全的主要風(fēng)險因素和問題產(chǎn)生的原因，并構(gòu)建肉類食品安全監(jiān)督抽檢結(jié)果的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。從不合格樣品來看，2015—2017年我國肉及肉制品微生物指標(biāo)不合格風(fēng)險較高，占不合格產(chǎn)品的39%，食品添加劑不符合規(guī)定產(chǎn)品占比27%，品質(zhì)不達(dá)標(biāo)產(chǎn)品占比12%，金屬元素污染、獸藥殘留、致病微生物、其他污染物及禁用獸藥不合格產(chǎn)品分別占比4%、3%、3%、2%和1%。經(jīng)過IBM SPSS Modeler軟件的自動模型驗證與參數(shù)優(yōu)化過程，得到的3 層神經(jīng)網(wǎng)絡(luò)預(yù)警模型總體百分比矯正為96.2%，對于合格樣本，判定正確的概率為96.5%，錯判概率為3.5%，表明基于監(jiān)督抽檢數(shù)據(jù)的肉類食品安全不合格指標(biāo)預(yù)測得到初步應(yīng)用驗證，肉類食品監(jiān)督抽檢數(shù)據(jù)的預(yù)測模型效果良好。產(chǎn)品各屬性變量對預(yù)測結(jié)果分類的重要性表明，微生物和食品添加劑不符合規(guī)定為主要風(fēng)險，此類問題集中存在于醬鹵肉制品、腌臘肉制品等熟肉制品中，且夏季生產(chǎn)產(chǎn)品的不合格風(fēng)險更高。

建議今后一是重點加強(qiáng)湖南、四川、重慶等地區(qū)醬鹵肉制品添加劑和微生物指標(biāo)以及腌臘肉制品不合格指標(biāo)的抽檢監(jiān)測，科學(xué)制定實施肉品抽檢監(jiān)測計劃，適當(dāng)提升西部和欠發(fā)達(dá)地區(qū)的肉品監(jiān)督抽檢與風(fēng)險監(jiān)測水平；二是推進(jìn)公眾食品質(zhì)量安全數(shù)據(jù)共享機(jī)制，加強(qiáng)政府官網(wǎng)、新聞媒體等多種形式的抽檢信息規(guī)范化公布，并通過構(gòu)建肉品安全監(jiān)督抽檢數(shù)據(jù)庫對肉品不合格項目進(jìn)行系統(tǒng)搜集、監(jiān)測和預(yù)警；三是建立對重點抽樣監(jiān)測區(qū)域、產(chǎn)品類型、檢測項目等多項指標(biāo)的預(yù)警模型系統(tǒng)，如建立牛羊肉產(chǎn)品中克侖特羅、萊克多巴胺等禁用獸藥檢出預(yù)警模型、畜禽內(nèi)臟中金屬元素等污染物監(jiān)測預(yù)警模型、醬鹵肉制品中山梨酸添加劑超標(biāo)預(yù)測模型及廣東腌臘肉制品不合格指標(biāo)預(yù)測模型等；四是有效記錄檢測樣品信息，規(guī)范各項指標(biāo)檢出結(jié)果與原始值，提高模型系統(tǒng)預(yù)測精確度，實現(xiàn)重點地區(qū)、重點項目的預(yù)測預(yù)警，為推進(jìn)肉類食品安全檢測的科學(xué)性與靶向性提供數(shù)據(jù)平臺和技術(shù)手段。