|
基于FPG-SOM的粮食供应链危害物风险分级评价基于FPG-SOM的粮食供应链危害物风险分级评价 王小艺1,2，王珍妮1，孔建磊1,2,*，金学波1,2，苏婷立1，白玉廷1 （1.北京工商大学人工智能学院，北京 100048;2.北京工商大学 食品安全大数据技术北京市重点实验室，北京 100048） 摘要：为科学合理评价危害物在粮食供应链各环节中的综合风险，本研究在分析全国各省粮食供应链抽检数据及其他维度数据的基础上，结合粮食供应链中风险因素，构建多维层次风险指标体系，将大量多维异构数据转化为半定量风险指标。应用关联规则挖掘一级指标和二级指标的内在关联确定权重分配，结合自组织映射算法将各指标变量映射到风险等级，明确指标交叉关联，构建粮食供应链危害物综合风险等级评价方法。通过对粮食产品风险等级进行评价，得出风险较高的重点省份为山东省、河南省，典型区域为城市区域，关键环节为流通环节以及以铝残留为代表的一系列高风险危害物。该评价体系的确立可以为监管机构制定有针对性的抽检策略、确立优先监管领域，并为合理分配风险监管资源提供科学依据。 关键词：多维层次指标体系;关联规则挖掘;自组织映射;综合风险分级评价 粮食作为人类赖以生存的重要商品，影响着国家主权安全及经济、社会稳定发展。然而近些年粮食安全问题时有发生，为减少食源性风险威胁，风险分级评价正逐渐成为强化粮食安全体系的有力保障[1]。作为风险评估的一种形式，风险分级评价指基于科学层面对危害物及潜在危害可能产生的风险进行技术性评估，是结合食品特性、食品污染水平、膳食暴露等各项因素对食源性危害物的污染水平进行等级划分，在众多复杂食品安全问题中量化风险级别、识别风险优先次序[2]。世界卫生组织（World Health Organization，WHO）和联合国粮食及农业组织（Food and Agriculture Organization of the United Nations，FAO）指出食品安全风险分级评价是一个结构化的决策过程，和风险管理[3-4]、风险交流[5-6]等密切相关[7]，可以帮助风险评估者准确把握不同危害物风险差异，指导风险管理并明确优先及重点监管对象，合理分配资源决策相应管理措施。目前风险分级评价方法主要包括两方面：1）指标体系法：从食品抽检、调研统计等数据中抽取显著因素及潜在因素，构建风险分级评价指标体系进行风险量化分级。周少君等[8]综合我国化学性危害物、食源性疾病的暴发流行病学数据特性，对广东省食品安全监督抽检数据进行评定，建立了以半定量风险评估为基础的食品风险分级指标体系，确定了7 种需要重点关注的食品安全高风险组合。2）分级模型方法：考虑食品的多样性、危害物的多样性、各危害物毒性差异和评价指标关联性，兼顾生长及扩散等因素，以定量或半定量方式对风险发生的可能性和严重程度进行量化赋值、权重计算和等级排序。常见模型包括概率暴露评估模型[9]、决策评估模型[10]、sQMRA模型[11]、FIRRM模型[12]以及Risk Ranking Tool[13]、iRisk[14]等。国内学者采用的研究方法则主要以模糊综合评价法[15-16]、集对分析[17]等为主，杜树新等[18]在综合考虑了食品、危害物的多样性以及危害物毒性的差异性基础上，运用模糊数学计算不同类别危害物的风险指数。徐超等[19]综合进出口食品风险评价各项指标，利用集对分析理论对指标内在关联进行分析，构建了相应危害物风险评价及预警模型。 这些方法虽在食品安全评估、预防及监管工作中获得了一定的应用，但粮食安全涉及到种植、生产加工、流通仓储、销售消费等多环节的过程，其中任何一个环节都存在不同类别和程度的危害物风险因素，且每个因素受到食品多样性、数据多源异构、地区分布差异、时间变化性等影响。粮食食品供应链危害物的风险分级评价所涉及指标众多，且灾害程度及对社会稳定造成的影响是多方面的，传统风险分级方法难以适用[20]。因此，粮食供应链危害物风险评价需从全供应链过程的演化机制和发展规律角度进行研究，目前已取得了一定研究成果。Smid等[21]使用贝叶斯网络模型来预测并描述食品在各环节中的微生物数量，并以此作为参考来评估微生物风险;杨磊[22]对粮食食品中不同环节进行分析，构建了粮食生产安全、消费安全和流通安全3 个层次指标的食品安全风险指标体系。金海水等[23]应用危害分析关键控制点研判其供应链薄弱环节，从企业视角对供应链作业工序进行控制，但对多危害物的综合评价主要是主观比较判断，对政府部门的宏观监管和决策优化的支持有限。杨雪美等[24]则在层次指标体系框架下，从生产、流通、食品消费等环节出发，结合突变理论模型构建突发食品安全事件风险评价指标体系。这些方法依赖计量数据及统计数据，但由于风险分析过程中缺乏真实抽检监督的客观数据验证，掩盖了危害物在供应链环节内的耦合作用，容易从数理统计上得到违背实际关联规律的伪结论。 甘明等[25]从大量的食品安全监督抽检数据入手，在生产、流通以及消费环节采集超标率、合格率、不合格率等信息，实现了广西区域食品安全隐患排序。陈洪根[26]则以天然毒素、生物性危害因素和化学性危害因素为驱动，从深圳食品抽检数据中构建供应链各环节作业故障树模型，实现供应链系统安全综合风险评价。这些方法科学、有效地把大量的监督抽检的数据和“三率”转化为风险的量化分级，但缺乏对危害物致病严重性、人群对食品消费量、膳食暴露、流行病学数据等风险因素的综合评估。且其分析过程中指标量化和权重分配存在过多人为设定，忽略了供应链环节内多维异构食品数据对危害物风险作用机理过程，对供应链危害物风险重点层次确定、监管优先秩序安排等问题难以提供针对性可行方案。 因此，上述评价方法在粮食供应链危害物风险分级评价的实际应用中存在一定局限性，针对存在的问题，本研究提出结合频繁模式增长（frequent pattern growth，FPG）的关联规则和自组织映射（self-organizing maps，SOM）算法的多维层次风险指标体系。FPG-SOM算法可以合理利用定量与定性指标，削减主观评价的影响，通过FPG挖掘客观数据中存在的关联关系，获取危害物在供应链环节内的耦合作用，而应用SOM开展综合风险评价，可以自适应地获得不同变量间的交叉关联概率和权重分配，区分时间、空间、供应链环节等不同因素对粮食供应链中危害物风险等级的影响程度，以更加准确无偏地识别粮食中危害物的风险优先次序。本研究以食品抽检数据为基础，结合危害物含量水平、膳食结构、产品类型等计量统计数据以及调研数据，针对粮食供应链主要危害物（重金属、真菌毒素、农药残留和食品添加剂等）构建多维层次结构的风险评价指标体系;利用FPG关联规则挖掘一级指标和二级指标内在关联，对风险指标层次性和优先程度进行排序;以排序结果为指导，应用SOM算法分析指标交叉联系，自适应地计算各指标元素的风险权重，科学分析我国粮食各供应链环节上各类危害物的风险分级情况，避免主观预定风险等级数量和划分限值干扰，可为后续粮食供应链风险预警和防控提供良好的依据。 1 多维层次危害物风险评价指标体系1.1 数据来源本研究以全国主要粮食生产省市的各类危害物进行实例分析。搜集整理国家粮食局、国家质检总局等网站公布的信息和数据，按照重金属、真菌毒素、微生物、食品添加剂、农药残留等危害物安全问题类别及其供应链环节来源进行分类整理和预处理，收集2013年—2018年的大量粮食加工品抽检数据的危害物类别及其来源，包括除港澳台、西藏、新疆、内蒙古、宁夏和甘肃在外的26 个省份，涵盖中国粮食产品的主要产区和消费大省，亦属于人口密集地区。粮食产品种类由大米、大米加工品、小麦加工品、小麦粉加工品、其他粮食加工品组成。每个抽检数据样本由多个因素组成，包括：产品名称、标称生产企业及被抽样企业信息、抽样环节及场所、生产及抽检日期、食品分类、抽检项目及结果、标准值等。 “A到VP”格式在具体的语境中可表示赞叹的语气，前提是表达者对A性状的评价态度是认可和赞赏的。因为VP部分本来就是对A部分的具体化和形象化，用“A到VP”格式就能很好地来表现A，就可以传递赞叹的主观态度。 鉴于粮食安全受到政策法规、经济和社会等众多因素影响，而粮食供应链涵盖从种植、生产加工、仓储物流，到最后在商场、超市及其他消费场所销售消费等众多环节，各环节都可能出现安全隐患和风险因素。因此本研究整理收集其他方面的多维度数据，通过对文献和食品行业专业网站、新闻媒体信息的分析及预处理得到2013年—2018年期间粮食食品安全事故的危害物类别及其来源数据;参考国家统计局的第六次全国人口普查结果和《中国统计年鉴》获取粮食相关人口数据和消费数据;致病菌的污染情况、危害程度和流行病学数据则来源于《中国卫生统计年鉴》、《中国食品工业年鉴》。调研中国食品安全网等网站公告粮食安全事件问题，并采用调查问卷的方式，共邀请自高等院校、食品药品监管部门、食品行业的专家及从业人员进行调研论证，发出共回收有效问卷521 份。综合抽检数据、计量统计数据、调研数据等构建多维异构数据集合。 1.2 多维层次风险评价指标体系本研究在分析多维异构数据特性及粮食安全案例基础上，将粮食供应链划分为生产、加工和消费3 个主要环节，以重金属、真菌毒素、农药残留、微生物、食品 添加剂等危害物为研究对象，从统计特性、抽检特性和调研特性角度，对各个环节都可能出现的安全隐患和风险因素进行挖掘，构建多维层次风险指标评价体系。本指标体系每个特性均分为一级和二级两个层次，上层评价指标需通过下层评价指标的评价结果反映，既涵盖定性指标，如社会关注度、危害程度、监管可及性等，同时兼顾定量指标，如全省年度总产量、粮食生产及消费价格、国家标准限定值等内容，体系框架如图1所示。 在高房价区域，地价和房价存在反方向的双向因果关系，即当地价增加1%时，房价在10%的显著性水平下下跌0.10%；反之，当房价增加1%时，地价将随之下跌0.12%，但不显著。同时，房价每下降1%，又会引起物价下跌0.01%，但并不显著。由此可知，高房价区域的土地价格每增加1%，通过房价的传导机制，可以引起物价下跌0.001%。 1.3.2 样品制备 准确称取0.5000g加工好的样品于50mL的聚四氟乙烯坩埚中，用水湿润后加入5mL HCl，放在温控电热板（120℃）上，使样品初步分解，当溶液剩大约2mL时取下冷却，加入5mL HNO3和5mL HF，2mL HClO4，调节电热板温度至180℃。待整体溶液剩余3mL左右时取下稍微冷却后再加入2mLHNO3、2mLHF和1mLHClO4。当白烟冒尽时取下冷却，用水冲洗坩埚盖和内壁，并加入1mLHNO3，温热溶解残渣，然后将溶液定容至25mL的容量瓶中，摇匀待测。同时制备空白样品。  图 1 多维层次风险评估指标体系
Fig. 1 Multidimensional risk assessment indicator system
本指标体系中统计特性包括由危害性、社会性、经济性和监管性组成的一级指标，反映危害物对人体暴露威胁、致癌致病毒性等影响因素，也体现出社会、经济及监管因素对粮食供应链危害物的关注程度和监管能力。抽检特性则由可能性、风险性和时空性这3 个一级指标组成，考虑到数据的时空分布特性客观地反映出我国粮食产品的风险分布，根据不同省份、不同时间对不合格产品进行划分。调研特性由普及性和认知性组成，通过调研依据和文献依据来对粮食产品中危害物的风险进行辅助评价，整个指标体系共9 个一级指标和32 个二级指标，具体如表1所示。 表 1 多维层次风险评价指标
Table 1 Multidimensional risk assessment indicators  统计特性抽检特性调研特性一级指标 二级指标 指标变量 数据来源 一级指标 二级指标 指标变量 数据来源 一级指标 二级指标 指标变量 数据来源危害性A健康指导值 a1 WHO/FAO标准可能性E危害物含量超标倍数 e1 抽检数据普及性H人均日摄入量 h1 调查问卷半数致死量 a2 文献报道 危害物不合格率 e2 抽检数据 人均月消费占收入比 h2 调查问卷国内外食品法规涉及数 a3网站公告公报、中国食品工业年鉴 危害物频次比 e3 抽检数据 粮食食用人群总占比 h3 调查问卷致癌性 a4国际癌症研究机构致癌物分级 风险性F风险预防性 f1 抽检数据 购买途径优先级 h4 调查问卷风险可控性 f2 抽检数据 消费优先级 h5 调查问卷其他毒性 a5中国卫生统计年鉴、食品工业年鉴 健康风险 f3卫生统计年鉴认知性I安全质量体系熟悉度 i1 调查问卷致病严重度 a6 文献报道时空性G危害物在各省比例 g1 抽检数据 危害物风险严重度 i2 调查问卷社会性B总体关注度 b1 媒体报道、百度指数 危害物在各季节比例 g2 抽检数据 环节风险严重度 i3 调查问卷各年份/季度/省份风险水平 b2 媒体报道 危害物在各环节比例 g3 抽检数据 安全焦虑度 i4 调查问卷经济性C全省年产量 c1 中国统计年鉴全省年播种面积 c2 中国统计年鉴生产价格 c3 国家统计局消费价格 c4 国家统计局监管性D 监管可及性 d1 文献报道监管力度性 d2 网站公告公报
2 危害物综合风险分级评价2.1 标准归一化处理
本研究由大量多维异构数据出发，针对我国国情进行粮食食品供应链中各危害物的综合风险分析，从n 个抽检数据中随机选取第k个样本输入多维层次指标体系中，得到其第m个二级指标xmk，由于各指标定义及取值范围均不同，需要对其每个二级指标进行标准归一化处理，按公式（1）用t分布变换法将指标值变换为0～1之间的数值。 （2）活动目的过于功利，动机不纯。康德从道德角度对动机的阐述是，一个人的行为能否产生效果达到目的和它的道德价值是否会受到影响，主要取决一个人行为是否从善良意志出发去进行个人行为，如果不是，即使行为有好的效果并达到目的，也不能把它认为是友善的行为。通过调查我们发现，高校青年志愿者参与志愿服务的动机多种多样，体验人生、实现价值、学习知识、完善心智等都是促使志愿者从事志愿服务的动机。但是，高校期末考试各种素质加分，评优评先加分，方便出国留学，充实自己的工作简历等已成为部分志愿者参加志愿服务的主要目的。这些志愿者参与志愿服务完全是出于自私的目的，自私带来的后果就是使他人的利益受到了损害。 2.2 上下级指标内在关联计算对标准化处理后的指标值进行量化递归运算，定义一级指标分别为危害性A=[a1，a2，...，a6]、社会性B=[b1，b2]、经济性C=[c1，c2，c3，c4]、监管性D=[d1，d2]、可能性E=[e1，e2，e3]、风险性F=[f1，f2，f3]、时空性G=[g1，g2，g3]、普及性H=[h1，h2，h3，h4，h5]和认知性I=[i1，i2，i3，i4]，将二级指标作为输入，再逐层向上加权求和，推算对应一级指标的函数值（式（2））。 
式中：wk（k=a1，a2，…，i4）对应各个二级指标对一级指标的权重影响，为避免人为设置对权重的干扰影响，本研究使用FPG的关联规则算法[27]分步确定各一级指标与所属二级指标的权重，通过挖掘频繁模式来分析上下级指标间内在关联，获取一级指标和二级指标间支持度Sup、置信度Con和提升度Lif（式（3））。 
式中：I代表包括各种危害物和风险因素在内的总风险项目;X和Y代表不相交的对象;num表示抽检数据中特定项目的出现次数，X→Y是关联规则形式。本研究分别将各一级指标中的二级指标进行关联，利用支持度将高关联程度的二级指标给予更高的权重，低关联程度的指标给予较低的权重，对比分析各二级指标间关联，实现风险权重的赋值。 2.3 指标交叉关联计算由于食品安全风险评价指标由定性指标和定量指标结合，而且涉及统计数据、抽检数据和调研数据等方面，各指标对危害物的综合风险评价作用不同、量化分值差异，且相互间存在交叉影响。为全面评价各指标对综合风险的影响过程，本研究在分析上下级指标内在关联基础上，以所有一级指标及二级指标作为控制变量，应用SOM神经网络[28]开展综合风险评价，获得不同变量间交叉关联概率和权重分配。 SOM算法作为一种聚类和高维可视化的无监督学习算法，其内部竞争机制反映了自组织学习最根本的特征[29]。本研究设计两层SOM网络，包含变量层和竞争层。通过权向量将各指标汇集输入到变量层，其各神经元节点数与指标维数相等;再将粮食食品危害物风险评价等级作为竞争层的输出，通过变量层和竞争层间神经元排列及非线性链接，实现危害物综合风险等级自适应划分。以9 个一级指标和32 个二级指标作为网络输入，为X＝[A，B，C，...，i3，i4]，则变量层神经元个数为41 个;然后结合食品安全监管部门的实际需要，将粮食供应链危害物风险等级划分为“安全（A）”、“低风险（L）”、“较低风险（RL）”、“中风险（M）”、“较高风险（RH）”、“高风险（H）”、“超高风险（EH）”共7 个级别，等级集合用变量Y＝{A，RL，L，M，H，RH，EH}表示，将其作为竞争层的输出向量，按以下步骤对整个网络进行迭代训练和指标权重学习：1）初始化。首先对变量层的权重向量赋最小随机数，进行归一化处理得到  ＝1，2，...，41，并建立初始优胜邻域Nj*（0），同时给学习率η赋初始值;2）变量输入。从本研究粮食数据中随机选取p个样本，经过各项指标提取处理和公式（1）、（2）运算，得到指标向量p，p∈X;3）寻找获胜节点。计算  p与  的点积，选择其中点积最大的节点作为获胜节点j*;若向量维度无法匹配，  计算欧氏距离，从中找出距离最小的获胜节点;4）定义优胜邻域Nj*（t）。以j*为中心确定t时刻的权值调整域，设置较大初始邻域Nj*（0），在训练过程中，Nj*（t）随训练时间逐渐收缩;5）调整权值。对优胜邻域Nj*（t）内所有节点的权值进行调整（式（4））。 
式中：η（t，N）是训练时间t和邻域内第j个神经元与获胜神经元j*之间的拓扑距离N的函数。鉴于该函数随训练时间延长而提高，又随拓扑距离增大而降低，根据该变化规律，构造目标函数（式（5））。 
式中：η（t）可采用t的单调下降函数，这种随时间变化单调下降的函数也被称为退火函数。 6）结束检查。SOM训练过程以学习率η（t）是否衰减到0或某个预定的正小数为条件而结束，重复此步骤多次直至学习率小于预先设置的最小学习率时达到收敛，即调整的程度越来越小，神经元（权重）趋于聚类中心，不满足结束条件则回到步骤2;7）如此迭代循环，得到优化后权重  结果，将其与对应指标进行加权求和，得到某类危害物总风险值，值越高对应风险等级越大，整个过程如图2所示。  图 2 SOM网络结构的综合风险分级算法
Fig. 2 Comprehensive risk grading algorithm based on SOM network structure
本研究提出粮食供应链危害物综合风险分级评价方法，以关联规则挖掘一级指标和二级指标间内在关联程度，再依托SOM神经网络通过竞争学习机制将高维空间中各指标变量映射到风险等级结果，充分结合定量与定性指标间互补信息和差异信息，对不同地区各粮食供应链环节中主要危害物综合风险进行跟踪测评与等级评价，降低风险评价分数的分散程度，使评价结果更加接近真实数据蕴含规律，以实现粮食供应链的风险控制、降低监管成本，从而减少食品安全风险隐患提供可行的科学依据。 时事新闻评论活动为课堂教学提供了丰富的资料，增强了学生上课的兴趣，让学生从被动学习转变为主动学习，体现了其主体性。学生主动参与教学，列举教学事例、挖掘问题、解决问题，将理论与实际相结合，不仅提高了学生的知识水平和思维能力，而且培养了学生的情感态度。对教师来说，通过时事新闻评论的教学，为实现从教材体系向教学体系的转化，构建有个人风格和特色的教学课堂，提供了有效、新鲜的教学案例，可达到事半功倍的教学效果。 3 案例评价与分析根据本研究所建立风险评价体系可以计算出不同危害物在粮食产品中的总风险值并进行风险等级划分，下面以某些危害物风险均值和风险等级进行分析。其中，危害物可以粗略分为：霉菌毒素、农药残留、重金属和其他危害物（品质指标、食品添加剂、非法添加剂等）。首先，分别计算各危害物在城市和乡村的抽检区域得分情况，并划分为7 个等级：安全（A）、低风险（L）、较低风险（RL）、中风险（M）、较高风险（RH）、高风险（H）和超高风险（EH）。从表2可以看出，除铅（以Pb计）和玉米赤霉烯酮这两项危害物在城市区域得分低于乡村区域外，城市各项危害物得分比乡村更高一些，这表明城市的粮食产品污染发生时产生的风险要高于乡村区域，不难分析出城市的粮食食品供应链相对于乡村更加复杂，导致其得分更高，但从城市和乡村区域比较来看，通过对城市和乡村区域数据进行方差分析可以得到两组数据的检验统计量为0.04，远小于其临界值4.49，可以说明各危害物风险等级在城市与乡村区域间没有明显差别，故抽检区域对危害物严重程度无显著影响。而无论城市还是乡村区域，危害物风险分值分布基本服从其他危害物＞重金属＞霉菌毒素＞农药残留的规律，这也为划分粮食产品危害物监管的优先级提供了参考。 表 2 不同抽检区域中各危害物综合风险均值和风险等级
Table 2 Average risk scores and risk levels of each hazard in different sampling areas  注：由于本研究粮食抽检数据分布不均，故表中风险评价结果部分缺失。 危害物 城市 乡村综合风险均值 等级 综合风险均值 等级苯并(a)芘 733.64 RL大肠菌群 395.69 L 387.81 L镉（以Cd计） 478.00 L 465.18 L黄曲霉毒素B1 613.44 RL 612.67 RL菌落总数 373.76 L 251.26 L铝的残留量（以干基计） 988.80 RL 861.28 RL铅（以Pb计） 412.02 L 553.98 L脱氧雪腐镰刀菌烯醇 478.42 L 479.49 L玉米赤霉烯酮 345.37 L 480.38 L赭曲霉毒素A 578.15 L 407.78 L总砷（以As计） 451.61 L
表 3 不同抽检环节中各危害物综合风险均值和风险等级
Table 3 Average risk scores and risk levels of each hazard in different sampling links  危害物消费 流通 生产综合风险均值 等级 综合风险均值 等级 综合风险均值 等级苯并(a)芘 733.64 RL大肠菌群 796.78 RL 328.69 L镉（以Cd计） 514.23 L 448.31 L黄曲霉毒素B1 808.13 RL 544.48 L菌落总数 523.66 L 261.08 L铝的残留量（以干基计） 1 858.53 H 1 102.29 M 753.48 RL铅（以Pb计） 452.43 L 378.88 L脱氧雪腐镰刀菌烯醇 532.84 L 377.73 L玉米赤霉烯酮 409.77 L 307.21 L赭曲霉毒素A 534.96 L 408.58 L总砷（以As计） 451.61 L
从供应链环节分析，如表3所示，消费环节的数据虽然较少，但铝的残留量（以干基计）得分为3 个大环节中最高，需要引起密切关注，而流通环节各危害物风险均高于生产环节，等级也略高于生产环节危害物所产生的风险等级，这显然与消费者所认为的常理相符，即危害物在流通环节发生风险的严重性更高，生产环节发生风险的严重性最低，因为相较于流通环节来说，生产环节更加利于监管，可以通过加强监管来实现污染物的有效防控。 接着，对不同粮食产品中的危害物风险均值分布情况进行分析，如表4所示，该表描述了各危害物在不同类型的粮食产品中出现的危害程度。其中，在大米、小麦及其他粮食加工品这3 类粮食产品中，多数危害物在出现的评价分数都比较相近，通过对3 组数据进行差异显著性分析，可以得出该3 类产品间的风险等级也无显著差异，值得关注的是一些有特殊数据的危害物，例如：大肠菌群在小麦类的得分要3 倍于大米类和其他类，这表明大肠杆菌在小麦类中出现的危害程度相对另外两类要更高，这就给大肠杆菌的重点监控提供了方向，可以起到节省监控成本的作用。另外，苯并(a)芘、黄曲霉毒素B1和菌落总数中也有类似的情况出现，均可从本研究所建立粮食评价体系中得出各危害物风险情况并进行进一步分析，为合理布局粮食产品抽检提供科学的参考依据。 表 4 不同抽检产品类型中各危害物综合风险均值和风险等级
Table 4 Average risk scores and risk levels of each hazard in different sampling types  危害物大米类 小麦类 其他类综合风险均值 等级 综合风险均值 等级 综合风险均值 等级苯并(a)芘 717.77 RL 655.53 RL 457.39 L大肠菌群 304.69 L 911.79 RL 382.92 L镉（以Cd计） 437.27 L 378.36 L 379.85 L黄曲霉毒素B1 475.28 L 653.10 RL 524.44 L菌落总数 255.38 L 448.37 L 351.47 L铝的残留量（以干基计） 644.08 RL 889.20 RL 834.06 RL铅（以Pb计） 346.45 L 473.56 L 348.55 L脱氧雪腐镰刀菌烯醇 435.77 L 431.48 L 397.35 L玉米赤霉烯酮 350.26 L 346.98 L 315.50 L赭曲霉毒素A 371.87 L 480.11 L 364.86 L总砷（以As计） 541.67 L 408.94 L 381.67 L
最后，选出6 个粮食产量最高的省份，安徽、河南、河北、吉林、江苏和黑龙江，并对各典型危害物评价得分情况进行分析。如图3所示，各省份中危害物的种类分布较为平均，尤其是山东省和河南省几乎覆盖了所有典型危害物，从条形图的高度来看，可以看出河南省粮食总体危害物风险较其他省份更高，而山东省涵盖的危害物类型最多，也应引起相关监管机构的注意。横向来看，危害物铝的残留量（以干基计）分布最为广泛，在各省份中均有体现，其次是苯并(a)芘、菌落总数、脱氧雪腐镰刀菌烯醇和大肠菌群，这些典型危害物不仅分布广泛且风险平均值更高，为监控部门划分重点监控省份及典型危害物提供了良好的依据，降低了监控成本。 缤果盒子创始人陈子林曾说过，无人便利店的价值在于，通过各种传感器，捕捉到客人进店后的一举一动，这些信息通过算法模型，可以得到许多非常有价值的市场结论。事实上，无人售货机在技术升级后同样可以做到这一点。众所周知，组合式的无人售货机在选址上要比便利店更加灵活，成本自然也更低。对比两者的成本，则不禁让人怀疑无人便利店的性价比。 根据本研究所建立风险分级评价体系，可以对我国粮食风险防控的关键节点进行评估，得出风险等级高的食品危害物组合。通过对评价结果进行方差分析，可以得出需要聚焦的重点省份为山东省、河南省，典型区域为城市区域，关键环节为流通环节以及高风险危害物，包括铝残留、苯并(a)芘、菌落总数、脱氧雪腐镰刀菌烯醇和大肠菌群。因此，本研究建立基于FPG-SOM的粮食供应链危害物风险分级评价体系可以为我国的粮食监管提高针对性与高效性，为消费者对粮食产品的消费提供科学依据。  图 3 不同危害物在典型省份中综合风险分布情况
Fig. 3 Distribution of different hazards in typical provinces
根据上述风险评价及分析结果，近几年我国粮食安全风险从总体来看情况乐观，特别是供应链上各环节总体风险均处于下降趋势，这主要归功于我国近年来不断完善的食品安全法律法规体系和食品安全监管体系[30]，但目前我国粮食供应链中生产和流通环节存在风险隐患较大，城市地区风险相对较高，而且河南、山东、黑龙江、江苏、安徽等地食品安全问题相对高发，容易发生食品安全事件。因此，应在完善我国粮食安全监管体系的基础上，针对高风险区域的食品生产、加工、销售企业进行监督，保障粮食供应整体安全。 4 结 论粮食供应链安全是多维、复杂、耦合的过程，现有风险评价方法受到监管目的性、数据可及性及评价可行性等因素影响，存在一定应用局限性。本研究在分析全国各省份的大量抽检数据及其他多维度数据基础上，从统计特性、抽检特性和调研特性3 种互补角度构建多维层次风险指标体系，提升粮食供应链中危害物风险综合评价的合理性和可行性。在此体系基础上，应用关联规则挖掘一级指标和二级指标的内在关系，客观准确地获取各指标权重，再通过竞争学习SOM网络将各指标变量映射到风险等级结果上，明确指标交叉关联，兼顾定量指标和定性指标的互补和差异，实现粮食供应链危害物综合风险等级评价和分析。此风险指标体系和评价方法的建立，能识别出粮食供应链中危害物风险程度和优先次序，为监管部门制定有针对性的预警策略、确立优先监管领域和合理分配风险管理措施资源提供科学依据，也为广大消费者在选择粮食产品时减少食品安全风险隐患提供可行指导。 针对现有缓冲层与GaN光电发射层晶格不匹配以及界面质量需要提高的现状,生长了基于组分渐变的Al1-xGaxN缓冲层来改善GaN外延材料生长界面的晶格质量,借以提高GaN光电阴极的光谱响应。 参考文献： [1] 李强, 刘文, 孙爱兰, 等. 我国加工食品风险分级评价研究[J]. 食品与发酵工业, 2015, 41(9): 220-224. DOI:10.13995/j.cnki.11-1802/ts.201509042. [2] 程加迁, 王俊平. 蔬菜水果重金属膳食暴露评估中风险权重的确定方法[J]. 食品科学, 2018, 39(1): 47-52. DOI:10.7506/spkx1002-6630-201801007. [3] 柴霖, 吕瑞文. 食品供应链环节的企业食品质量安全风险管理[J].经营与管理, 2017(6): 129-131. DOI:10.16517/j.cnki.cn12-1034/f.2017.06.037. [4] BIFFIS E, CHAVEZ E. Satellite data and machine learning for weather risk management and food security[J]. Risk Analysis, 2017,37(8): 1508-1521. DOI:10.1111/risa.12847. [5] 陈思, 许静, 肖明, 等. 北京市公众食品安全风险认知调查: 从风险交流的角度[J]. 中国食品学报, 2014, 14(6): 176-181. DOI:10.16429/j.1009-7848.2014.06.031. [6] OVERBEY K N, JAYKUS L A, CHAPMAN B J. A systematic review of the use of social media for food safety risk communication[J]. Journal of Food Protection, 2017, 80(9): 1537-1549. DOI:10.4315/0362-028X.JFP-16-345. [7] 詹明胜. 食品安全风险评估与食品生产经营企业风险分级管理[J]. 中国食品, 2017(11): 50-51. DOI:10.3969/j.issn.1000-1085.2017.11.027. [8] 周少君, 顿中军, 梁骏华, 等. 基于半定量风险评估的食品风险分级方法研究[J]. 中国食品卫生杂志, 2015, 27(5): 576-585.DOI:10.13590/j.cjfh.2015.05.021. [9] DEMPSEY P. High Exposure from Summary Statistics (HESS):application to the EFSA comprehensive European food consumption database[J]. Food Additives & Contaminants Part A, 2018, 35(1): 20-28. DOI:10.1080/19440049.2017.1400695. [10] MA L, CHEN H, YAN H, et al. Multiple attribute decision making model and application to food safety risk evaluation[J]. PLoS ONE,2017, 12(12): e0189835. DOI:10.1371/journal.pone.0189835. [11] CHARDON J E, EVERS E G. Improved swift Quantitative Microbiological Risk Assessment (sQMRA) methodology[J]. Food Control, 2017, 73: 1285-1297. DOI:10.1016/j.foodcont.2016.10.049. [12] CHEN J, ZHANG R, QI X, et al. Epidemiology of foodborne disease outbreaks caused by Vibrio parahaemolyticus during 2010-2014 in Zhejiang province, China[J]. Food Control, 2017, 77: 110-115.DOI:10.1016/j.foodcont.2017.02.004. [13] ANDERSON M, JAYKUS L A, BEAULIEU S, et al. Pathogenproduce pair attribution risk ranking tool to prioritize fresh produce commodity and pathogen combinations for further evaluation(P3ARRT)[J]. Food Control, 2011, 22(12): 1865-1872. DOI:10.1016/j.foodcont.2011.04.028. [14] CHEN Y, DENNIS S B, HARTNETT E, et al. FDA-iRISK: a comparative risk assessment system for evaluating and ranking foodhazard pairs: case studies on microbial hazards[J]. Journal of Food Protection, 2013, 76(3): 376-385. DOI:10.4315/0362-028X.JFP-12-372. [15] 胡欣洁, 赵雪梅, 丁捷, 等. 基于模糊综合评价法优化挤压型速冻青稞鱼面关键工艺[J]. 食品与机械, 2017, 33(4): 164-170; 194.DOI:10.13652/j.issn.1003-5788.2017.04.032. [16] 张娜, 郭庆启, 韩春然, 等. 模糊数学法在餐饮食品微生物风险评估中的应用[J]. 中国食品学报, 2017, 17(8): 210-216. DOI:10.16429/j.1009-7848.2017.08.028. [17] 吴莹, 孙爱峰, 孙齐蕊. 集对分析在食品卫生监督工作质量分类和排序中的应用[J]. 中国卫生产业, 2014(21): 61-63. DOI:10.16659/j.cnki.1672-5654.2014.21.004. [18] 杜树新, 韩绍甫. 基于模糊综合评价方法的食品安全状态综合评价[J]. 中国食品学报, 2006, 6(6): 64-69. DOI:10.3969/j.issn.1009-7848.2006.06.014. [19] 徐超, 杜树新, 罗祎, 等. 基于集对分析理论的进出口食品安全风险评价方法[J]. 科技通报, 2013, 29(3): 208-211. DOI:10.13774/j.cnki.kjtb.2013.03.018. [20] 何静, 刘杰, 张昕蕾. 食品供应链安全诚信风险识别与评估[J]. 中国乳品工业, 2016, 44(7): 36-40; 49. DOI:10.3969/j.issn.1001-2230.2016.07.009. [21] SMID J H, VERLOO D, BARKER G C, et al. Strengths and weaknesses of Monte Carlo simulation models and Bayesian belief networks in microbial risk assessment[J]. International Journal of Food Microbiology, 2010, 139: S57-S63. DOI:10.1016/j.ijfoodmicro.2009.12.015. [22] 杨磊. 我国粮食安全风险分析及粮食安全评价指标体系研究[J].农业现代化研究, 2014, 35(6): 696-702. DOI:10.13872/j.1000-0275.2014.0083. [23] 金海水, 刘永胜. 食用农产品供应链风险识别及其安全监督管理研究进展[J]. 食品科学, 2015, 36(13): 265-271. DOI:10.7506/spkx1002-6630-201513049. [24] 杨雪美, 王晓翌, 李鸿敏. 供应链视角下我国突发食品安全事件风险评价[J]. 食品科学, 2017, 38(19): 309-314. DOI:10.7506/spkx1002-6630-201719048. [25] 甘明, 沈平, 梁慧红, 等. 2012-2015年钦州市钦南区食品风险监测结果分析[J]. 现代预防医学, 2017, 44(12): 55-58. [26] 陈洪根. 基于故障树分析的食品安全风险评价及监管优化模型[J]. 食品科学, 2015, 36(7): 177-182. DOI:10.7506/spkx1002-6630-201507033. [27] HAN J W, PEI J. Mining frequent patterns by pattern-growth[J].ACM SIGKDD Explorations Newsletter, 2000, 2(2): 14-20.DOI:10.1145/380995.381002. [28] KOHONEN T, SOMERVUO P. How to make large self-organizing maps for nonvectorial data[J]. Neural Networks, 2002, 15(8/9): 945-952.DOI:10.1016/S0893-6080(02)00069-2. [29] 杨占华,杨燕. SOM神经网络算法的研究与进展[J]. 计算机工程, 2006, 32(16): 201-202; 228. DOI:10.3969/j.issn.1000-3428.2006.16.077. [30] 周洁红, 武宗励, 李凯. 食品质量安全监管的成就与展望[J]. 农业技术经济, 2018(2): 4-14. DOI:10.13246/j.cnki.jae.2018.02.001.
Risk Assessment of Hazardous Materials in Grain Supply Chain Based on Frequent Pattern Growth Combined with Self-Organizing Maps (FPG-SOM) WANG Xiaoyi1,2, WANG Zhenni1, KONG Jianlei1,2,*, JIN Xuebo1,2, SU Tingli1, BAI Yuting1
(1. Artificial Intelligence Academy, Beijing Technology and Business University, Beijing 100048, China;2. Beijing Key Laboratory of Big Data Technology for Food Safety, Beijing Technology and Business University, Beijing 100048, China) Abstract: In order to scientifically and reasonably evaluate the comprehensive risks of hazardous materials in each link of the grain supply chain, sample survey data from the grain supply chains in many provinces across the country and data from other dimensions were analyzed in this paper. On this basis, a multidimensional hierarchical risk indicator system was built by using risk factors in the grain supply chain to convert a large number of multidimensional heterogeneous data into semi-quantitative risk indicators. The association rules were applied to excavate the intrinsic correlation between the first-level indicators and the second-level indicators for determining the weight distribution. Further, the self-organizing maps algorithm was used to map each indicator variable to a risk level for analysis of the cross-correlation. Finally, a comprehensive evaluation method for risk levels of hazards in the grain supply chain. By evaluating the risk level of grain products, it was concluded that the key provinces with higher risks were Shandong and Henan provinces, typically in urban areas, and the key link was circulation as well as a series of high-risk hazards, represented by aluminum residues. The evaluation system established in this paper provides a scientific basis for the regulatory agencies to develop target-oriented sample survey strategies, establish priority supervision areas and legitimately allocate supervision resources. Keywords: multidimensional hierarchical index system; association rule mining; self-organizing mapping; comprehensive risk assessment
收稿日期：2019-04-27 基金项目：“十三五”国家重点研发计划重点专项（2017YFC1600605）; 北京市教育委员会科技计划一般项目（PXM2019_014213_000007-KM201910011010）; 科技创新服务能力建设-基本科研业务费-粮油食品供应链危害物识别与预警技术创新平台项目（PXM2018_014213_000033） 第一作者简介：王小艺（1975—）（ORCID: 0000-0003-1047-4245），男，教授，博士，研究方向为粮油供应链风险预警与防控、智能感知与优化。E-mail: sdwangxy@163.comDOI:10.7506/spkx1002-6630-20190427-373 中图分类号：TS201.6;TP391.9 文献标志码：A 文章编号：1002-6630（2020）09-0015-08 引文格式： 王小艺, 王珍妮, 孔建磊, 等. 基于FPG-SOM的粮食供应链危害物风险分级评价[J]. 食品科学, 2020, 41(9): 15-22.DOI:10.7506/spkx1002-6630-20190427-373. http://www.spkx.net.cnWANG Xiaoyi, WANG Zhenni, KONG Jianlei, et al. Risk assessment of hazardous materials in grain supply chain based on frequent pattern growth combined with self-organizing maps (FPG-SOM)[J]. Food Science, 2020, 41(9): 15-22. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20190427-373. http://www.spkx.net.cn
| 
|Archiver|手机版|小黑屋|www.openhelp100.com
( 冀ICP备19026749号-1 )
发表于 2021-2-4 16:09:36
