CN101527016A - 出入境检验检疫符合性条件的筛选方法 - Google Patents

Abstract

本发明公开了一种出入境检验检疫符合性条件的筛选方法，包括根据故障模式与影响分析(FMEA)，建立了检验检疫符合性条件的风险因子分析模型，依据风险优先度RPN评价背景符合性条件的风险大小，运用排列图(Pareto图)根据管理中的二八原理，从为数众多的背景符合性条件中筛选出少数风险系数大的关键符合性条件，即目标符合性条件。这样既能大大减少检验检疫的工作量，又能确保检验检疫的工作质量，具有足够的可信度。

Description

出入境检验检疫符合性条件的筛选方法

技术领域

本发明涉及一种出入境检验检疫符合性条件的筛选方法。

背景技术

随着中国对外贸易的迅速发展，对出入境检验检疫的需求日益增长。据统计数据可知，我国仅有检验检疫人员30000名左右，而2005年进出口达到超万亿元人民币的物流、两亿次的人流和六千多万运输工具流，数据表明这种矛盾已经接近于极限状态。为了保持我国的对外贸易和国内经济社会持续、稳定、健康发展，检验检疫作为集技术把关和管理服务于一身的涉外经济管理部门必须不断提高执法水平和执法效率。做到检得快，检得准，管得好，是本领域的技术人员所要解决的技术问题。

发明内容

本发明要解决的技术问题是提供一种利于有效提高出入境检验检疫的工作效率和工作水平的出入境检验检疫符合性条件的筛选方法。

为解决上述技术问题，本发明提供一种出入境检验检疫符合性条件的筛选方法，包括运用故障模式与影响分析FMEA及排列图构建出入境检验检疫符合性条件筛选整体模型，即：首先，依据FMEA理论建立出入境检验检疫符合性条件的风险评价模型；然后，根据风险优先系数RPN的大小分析符合性条件的重要性；最后，用Pareto图依据管理中的二八原理对符合性条件进行筛选，选取目标符合性条件。

进一步，所述风险优先系数RPN＝S×O×D；其中，S是严重度，是指潜在故障模式发生时，对下道工序、子系统或顾客影响后果的严重程度的评价指标，仅使用于故障的后果，要减少故障后果的严重度级别，取值在1-10之间；O是发生度，是指某一特定故障起因或机理出现的可能性，取值在1-10之间；D是难检度，是指发现故障原因的难易性，或指在故障发生后在流入顾客前被发现的难易性，是探测故障模式/原因/机理的能力的指标，取值在1-10之间。

进一步，基于D-S理论、MSA理论和FMEA理论对所述出入境检验检疫符合性条件筛选整体模型中的发生度、严重度与检出度进行测评，即：首先，对背景符合性条件进行风险因子解析，建立背景符合条件发生度、严重度评价指标体系，基于D-S证据理论测评所述发生度和严重度，基于测量系统分析理论MSA和FMEA测评所述检出度。

所述出入境检验检疫符合性条件筛选整体模型包括三层递级评价结构：

第一层为检验检疫背景符合性条件的风险优先度RPN C_i，其中：i＝1，2，...，n，表示有n个检验检疫背景符合性条件；

第二层为风险优先度的组成因子Y_iq，其中：i＝1，2，...，n；q＝1，2，...，s，表示有s个分目标，Y_i ⁽¹⁾代表风险发生度P₃的综合评价值，Y_i ⁽²⁾代表风险严重度P₂的综合评价值，Y_i ^{(3 )}代表风险检出度P₃的综合评价值；

第三层为指标层X_ij，代表各风险因子对背景符合性条件发生度(严重度)的影响程度；其中：i＝1，2，...，n；j＝1，2，...，m₁(m₂)；

i＝1，2，...，n，代表该检验检疫对象有n个背景符合性条件；j＝1，2，...，m₁(m₂)代表该检验检疫对象有m₁个发生度影响因子，m₂个严重度影响因子；l个检验检疫专家所构成的群体对某背景符合性条件发生度给出的模糊评语p1，p2，...，pl，并假设某个专家给出的评判意见不受别的专家意见的影响。

本发明具有积极的效果：(1)本发明的出入境检验检疫符合性条件的筛选方法，根据故障模式与影响分析(FMEA)，建立了检验检疫符合性条件的风险因子分析模型，依据风险优先度RPN评价背景符合性条件的风险大小，运用排列图(Pareto图)根据管理中的二八原理，从为数众多的背景符合性条件中筛选出少数风险系数大的关键符合性条件，即目标符合性条件。这样既能大大减少检验检疫的工作量，又能确保检验检疫的工作质量，具有足够的可信度。(2)经过广泛的调查研究，将背景符合性条件的风险因子归结为历史检测数据、指标宽严程度、货物使用状况、法规标准规定、工厂管理水平、突发性事件影响、环境状况改变、来自疫区影响等8项，对每一个风险因子的发生度进行解析，或者根据历史检测数据赋值，或者根据D-S证据理论赋值，最后，计算背景符合性条件的加权发生度，并取整化为10以内的整数。为了测评背景符合性条件的严重度，首先建立严重度评价指标体系，然后采用G1法和D-S证据理论对每一个评价指标赋权，最后用线性加权平均法计算背景符合性条件的严重度，并将严重度取整化为10以内的整数。对于定性检验的背景符合性条件按照FMEA的原理确定检出度，用等级分表示；对于计量连续型检验的背景符合性条件按照MSA的原理确定检出度，即用公差百分比表示，并化整为10以内的正整数；对于计数离散型检验的背景符合性条件按照MSA的原理确定检出度，但用检出差错率表示，并化整为10以内的正整数。(3)针对出入境检验检疫对象风险预警的动态分类分级的特点，基于聚类分析原理，构建了分类分级体系，给出了分类分级方法；在分析研究出入境检验检疫对象风险预警内涵的基础上遴选了出入境检验检疫对象风险预警评价指标，并给出了基于改进的灰色关联度的评价值等级预警模型，基于人工免疫的BP神经网络的评价诊断预测模型，同时给出具体评价步骤、评价方法。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1为本发明的出入境检验检疫符合性条件的筛选方法中的实施FMEA的流程图。

图2为发生度的计算流程图。

图3为严重度的计算流程图。

图4为检出度的计算流程图。

图5为背景符合性条件的筛选程序。

具体实施方式

(实施例1)

本实施例的出入境检验检疫符合性条件的筛选方法包括：

运用故障模式与影响分析FMEA及排列图构建出入境检验检疫符合性条件筛选整体模型，即：首先，依据FMEA理论建立出入境检验检疫符合性条件的风险评价模型；然后，根据风险优先系数RPN的大小分析符合性条件的重要性；最后，用Pareto图依据管理中的二八原理对符合性条件进行筛选，选取目标符合性条件。

FMEA的基本原理：

FMEA根据现有的资料和客户需求，分析系统的结构，鉴别系统的每一个潜在的故障模式，分析引起故障的原因，建立一份完整的“故障模式分析表格”，然后利用一定统计方法，估算故障发生时严重度S(Severity)、发生度(Occurrence，O)及难检度(Detection，D)等因素，计算风险优先度(Risk Priority Number，RPN)的值，根据RPN值的大小判断是否有必要进行改进或确定改进的轻重缓急程度，从而以较低的成本减少事后损失，提高系统的可靠性。

风险优先度RPN＝S×O×D    (2.1)

其中，S是指潜在故障模式发生时，对下道工序、子系统或顾客影响后果的严重程度的评价指标，仅使用于故障的后果，要减少故障后果的严重度级别，只能通过修改设计来实现。一般分为灾难的、致命的、临界的、轻度的等等级，取值在1-10之间；O是指某一特定故障起因或机理出现的可能性。描述频度级别数着重在其含义而不是具体的数。一般可分为极高、高、中、低等等级，取值在1-10之间；D是指发现故障原因的难易性，或指在故障发生后在流入顾客前被发现的难易性，是探测故障模式/原因/机理的能力的指标，一般分为极难、难、可能、能等等级，取值在1-10之间。

通过RPN可对各故障模式进行相对的危害性进行评定。那些故障发生可能性高、故障严重程度高，又难以检出的故障模式，其RPN值较高，从而危害性较大。而那些故障发生可能性低、故障严重程度低，较容易检出的故障模式，其RPN值较低，从而其危害性也较小。对于危害性高的故障模式，应从降低故障发生可能性和故障严重程度及提高该故障检出可能性三个方面提出改进措施。当所提出的各种改进措施在系统设计或保障方案中落实后，应重新对各故障模式进行评定，并计算新的RPN值，接着改进后的RPN值对故障模式进行排队，直到RPN值降到一个可接受的水平。

FMEA的基本原理如表2.1所示：

表2.1FMEA的基本原理

系统(过程)描述	失效模式	失效影响	严重度(S)P1	失效原因	发生度(O)P2	探测方法和控制措施	检出度(D)P3	风险优先系数(RPN)	建议行动
										系统(过程)由哪些子系统(子过程)构成？	主要输入和输出是什么？是如何出错的？	一旦失效会造成哪些影响或者后果？	严重程度如何？	导致失效的原因有哪些？	失效出现的可能性有多大？	现有哪些控制方法可以防止失效？包括检查和测试。	检出此失效的可能性有多大？	P1×P2×P3	RPN越大，越是应当优先加以解决

基于D-S理论、MSA理论和FMEA理论对所述出入境检验检疫符合性条件筛选整体模型中的发生度、严重度与检出度进行测评，即：首先，对背景符合性条件进行风险因子解析，建立背景符合条件发生度、严重度评价指标体系，基于D-S证据理论测评所述发生度和严重度，基于测量系统分析理论MSA和FMEA测评所述检出度。

出入境检验检疫符合性条件筛选整体模型包括三层递级评价结构：

第一层为检验检疫背景符合性条件的风险优先度RPN C_i，其中：i＝1，2，…，n，表示有n个检验检疫背景符合性条件；

第二层为风险优先度的组成因子Y_iq，其中：i＝1，2，…，n；q＝1，2，…，s，表示有s个分目标，Y_i ⁽¹⁾代表风险发生度P₃的综合评价值，Y_i ⁽²⁾代表风险严重度P₂的综合评价值，Y_i ⁽³⁾代表风险检出度P₃的综合评价值；

第三层为指标层X_ij，代表各风险因子对背景符合性条件发生度(严重度)的影响程度；其中：i＝1，2，…，n；j＝1，2，…，m₁(m₂)；

i＝1，2，…，n，代表该检验检疫对象有n个背景符合性条件；j＝1，2，…，m₁(m₂)代表该检验检疫对象有m₁个发生度影响因子，m₂个严重度影响因子；l个检验检疫专家所构成的群体对某背景符合性条件发生度给出的模糊评语p1，p2，…，pl，并假设某个专家给出的评判意见不受别的专家意见的影响。

见图2-4，检验检疫背景符合性条件筛选FMEA模型的基本原理：

FMEA可以根据现有的资料和客户需求，分析系统的结构，鉴别系统的每一个潜在的故障模式，分析引起故障的原因，建立一份完整的“故障模式分析表格”，然后利用一定的统计方法，估算故障发生时的严重度S(severity)、发生度O(occurrence)及检出度D(detection)等因素，计算风险优先度RPN(risk priority number)，根据RPN的大小判断是否有必要进行改进或确定改进的轻重缓急程度，从而以较低的成本减少事后损失，提高系统的可靠性。

基于上述基本思路，本文以：P₁表示检验检疫背景符合性条件发生度，即在检验检疫过程中每种背景符合性条件出现不合格的可能性大小；P₂表示检验检疫背景符合性条件严重度，即每种背景符合性条件发生不合格情形的严重程度大小；P₃表示检验检疫背景符合性条件检出度，即检验检疫过程中检出不合格背景符合性条件的可能性大小。因此，风险优先度可表示为：RPN＝P₁×P₂×P₃。检验检疫背景符合性条件筛选需要解决的关键问题是如何选择背景符合性条件风险分析模型，如何进行发生度P₁、严重度P₂和检出度P₃的评价。

基于上述原理，本文背景符合性条件筛选的基本原理如表2.2所示。

表2.2背景符合性条件筛选的基本原理

系统(过程)描述	失效模式	失效影响	严重度(S)P1	失效原因	发生度(O)P2	探测方法和控制措施	检出度(D)P3	风险优先系数(RPN	建议行动
										检验检疫过程	背景符合性条件有哪些？	每种背景符合性条件不合格会造成哪些影响或者后果？	影响或者后果严重程度如何？	导致背景符合性条件失效有哪些风险因子？	每种背景符合性条件出现不合格的可能性有多大？	现有哪些控制方法可以防止不合格？包括检查和测试。	检出此不合格背景符合性条件的可能性有多大？	P1×P2×P3	RPN越大，此背景符合性条件越是应当优先加以检验。

按照FMEA的基本分析方法，每一背景符合性条件的风险优先度RPN可按下式计算：

RPN＝P₁×P₂×P₃        (2.2)

式中：P₁--背景符合性条件不合格的发生度

P₂--背景符合性条件不合格的严重度

P₃--背景符合性条件不合格的检出度

接下来，对RPN归一化处理后排序；最后，根据临界RPN水平，运用帕累托法则进行筛选。

上述思路如图2.2、图2.3所示。图2.2中分别将发生度、严重度、检出度记为P₁、P₂、P₃。由上述基本思路，背景符合性条件筛选需要解决的主要问题包括：(1)确定发生度P₁；(2)确定严重度P₂；(3)确定检出度P₃。

背景符合性条件的筛选

(1)筛选程序

利用帕累托图对背景符合性条件进行筛选，具体筛选过程如图5。

(2)临界风险度确定

临界风险度，指帕累托最优分析中的临界累计风险度，简称临界风险度。实际上“1-临界风险度”就是国际上在检验检疫领域流行的“可接受风险”。

也就是说，如果一个国家一味强调“无风险”或“零风险”并以此进行检疫决策，会失去贸易的机会和贸易利益。进口国以“可接受风险”理念进行入境疫情的风险分析，制定检疫措施，才能免受更多的贸易损失。“无风险”或称“零风险”的检疫政策是站不住脚的，也是不可取的。“可接收风险”或者“可忽略的风险”的理念才是具有现实可操作意义的。

假设某进出口产品的可接受风险水平是20％，则临界累计风险度就是80％，以这一水平作为目标符合性条件的筛选标准，如下表所示。

表2.3目标符合性条件的筛选标准

实际操作中，临界累计风险度可以设置两个水平，例如一个设定为80％，一个设定为90％，这样就可以产生高、中、低风险三个水平下的三组目标符合性条件。

背景符合性条件发生度测评

故障模式及影响分析(FMEA)是一种前瞻性的可靠性分析和安全性评估方法，在预防事故的保护机制系统中被广泛使用。该方法通过分析系统中每一个潜在的故障模式，确定其对系统所产生的影响，从而识别系统中的薄弱环节和关键项目，为制定改进控制措施提供依据。它是事前预防，而非事后纠正。因此，这种方法非常适合于检验检疫背景符合性条件的筛选，提高检验检疫的可靠性和安全性。

建立发生度评价模型

本文在综合考虑历史检测数据与其他风险因子的基础上，测算对于给定待检对象，背景符合性条件被检出的发生度，程序如下图2所示：

本文根据发生度指标值与权重合成规则和经验，各个影响因子能够保持相互独立的线性加成原则，因此利用线性加权模型(3.24)，建立评价函数。

$Y_j=\underset{j=1}{\overset{8}{\mathrm{\Σ}}}{w}_j{x}_{\mathrm{ij}}---\left(3.24\right)$

式中Y为评价对象的综合发生度，w_j是与评价指标相应的权重系数(0≤w_j≤1(j＝1，2，…，8)， $\underset{j=1}{\overset{8}{\mathrm{\Σ}}}{w}_j=1$ )，可通过G₁法计算得到。x_ij为经过处理之后的各项风险因子的指标值，其中：(i＝1，2，…，n)代表该检验检疫对象有n个背景符合性条件；(j＝1，2，…，m)代表该检验检疫对象有m个发生度影响因子。对于评价指标值的获取，可直接获取定量化监测数据(或历史数据)的指标，可通过数据加权获取；不能直接获取定量化监测数据(或没有历史数据)的指标，需通过证据理论对专家定性化评语进行量化处理。

定量评价指标数据获取方法

考虑到各个时点的历史检测数据对发生度的影响程度不同，故给出以历史检测数据发生时间为基本依据的发生度加权计算模型。该模型既考虑了历史月份的检测数据，还考虑了当月的即时监测数据，使发生度值对现实检测情况更加灵敏。

权重 $\frac{\frac{1}{1+x_1+x_2+\·\·\·+x_n}}{1+\frac{1}{1+x_1}+\frac{1}{1+x_1+x_2}+\·\·\·+\frac{1}{1+x_1+x_2+\·\·\·+x_n}}\·\·\·\·\·\·\frac{1}{1+\frac{1}{1+x_1}+\frac{1}{1+x_1+x_2}+\·\·\·+\frac{1}{1+x_1+x_2+\·\·\·+x_n}}$

其中：x₀表示当月；x₁，x₂，叄瑇n为产生有监测数据的时间点；

各个时间点监测数据的权重为：

$\frac{\frac{1}{1+\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{x}_j}}{1+\underset{m=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{1+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i}}---\left(3.25\right)$

x₀时点的检测率D₀随当月监测情况动态变化，无论当月经过几天，时间跨度均视为一个月，x₁，x₂，…，x_n时点的检测率D_i为历史月份的统计值。

基于以上分析，确定发生度的加权综合检测率为：

$M_1=D_0\×\frac{1}{1+\underset{m=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{1+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i}}+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{D}_i\×W_i---\left(3.26\right)$

考虑到历史检测数据的时效性，取近五年的检测数据是比较合适。

定性评价指标量化处理方法

指标宽严程度、货物使用状态、法规标准规定、工厂管理水平、突发事件影响、环境状况改变、来自疫区影响均为定性指标，如何将专家主观描述(往往使用模糊评语)转化为定量值？如何将多位专家的不同评判综合呢？本研究运用证据理论(D-S理论)进行定性量化指标。

证据理论是Dempster等人在1967年首次提出的“上、下概率”及其合成规则的基础上，由Shafer在其1976出版的专著《证据的数学理论》中建立的，因此又称为D-S理论。在证据理论中，证据指的是人们经验和知识的一部分，是人们对该问题所作的观察和研究的结果。根据这些证据建立一个信度的初始分配，即确定出证据对每一个命题的支持程度。如果有一批证据，则可以根据D-S理论中的证据结合准则，计算出它们共同作用对每一个命题的支持程度。证据理论已经发展成为一类重要的不确定推理方法。目前，证据理论主要用来解决专家评判、智能决策、人才评价和风险评价等问题的标准工具之一。与其他指标量化方法相比，该方法的优点与创新之处在于：本方法通过基于证据理论的数据自定义评价属性等级和模糊评语等级，解决了评价等级难以确定的问题；通过对专家评委评语的置信度进行修正，以解决各个专家由于在知识、理解和偏好上存在差异而出现的各个专家给出的评估意见不一定完全可靠的问题；通过采用基于Mass函数的Dempster-Shafer(D-S)合成方法(其优点在于只要不是完全冲突就能进行合成)，解决了管理领域中专家评语(评语意见通常分歧较大)量化困难的问题；D-S合成方法使合成结果的不确定性信息减少，符合人们对综合结果的要求，同时由合成公式产生新的Mass函数可进一步用于层次综合，对多层次决策问题有更大的适用性。

在许多主观评估中，对于许多指标，评委们的评判多依赖于知识、经验和同类比较而采用“肯定”、“可能”、“大致可能”、“比较”、“相当”等较模糊的词语来表述，这种表述正好体现了专家对问题的准确理解，也更符合客观实际和人们的表达方式，因此就要采用模糊运算合成对定性指标进行量化。

将评语集定义为E＝{肯定、很可能、大致可能、可能、大致不可能、不可能、绝对不可能}这7个分类来表示各模糊评语，并为其进行非排他性赋值(见表3.14)。定义特征集并赋值Ω＝{高(1＞A₁≥0.8)、较高(0.8＞A₂≥0.6)、一般高(0.6＞A₃≥0.4)、较低(0.4＞A₄≥0.2)、低(0.2＞A₅≥0)}，将作为对评价结果的表达，对专家评委所给出模糊评语映射到特征集Ω上(见表3.15)，通过模糊处理，达到量化的目的。

表3.14模糊评语集定义

表3.15特征集定义

Es(Ak)	分值	1	2	3	4	5	6	7
									高(A1)	(1＞A1≥0.8)	1	0.75	0	0	0	0	0
较高(A2)	(0.8＞A1≥0.6)	0	0.25	1	0.5	0	0	0
									一般高(A3)	(0.6＞A1≥0.4)	0	0	0.25	1	0.5	0	0
较低(A4)	(0.4＞A1≥0.2)	0	0	0	0.25	1	0.5	0
									低(A5)	(0.2＞A1≥0)	0	0	0	0	0	0.75	1

l个检验检疫专家{p₁，p₂，…，p_l}对指标x_ij进行模糊评语，定义：专家q对指标x_ij的模糊评语到Ω中的每个等级的广义贴近度函数为：

(i＝1，2，…，n；j＝1，2，…，m；s＝1，2，…，7；k＝1，2，3，4，5；q＝1，2，…，l)

(3.27)

式中的∧枛表示min运算；∨枛表示max运算。其含义为模糊评语与Ω中每个等级的匹配程度，一定要 $0\≤\underset{k=1}{\overset{7}{\mathrm{\Σ}}}{E}_q^{\left(x_{\mathrm{ij}}\right)}\left(A_k\right)\≠1\≤1,$ 模糊评语的定义不具有排他性，因而可能有 $\underset{k=1}{\overset{7}{\mathrm{\Σ}}}{E}_q^{\left(x_{\mathrm{ij}}\right)}\left(A_k\right)\≠1,$ 将其作归一化处理为：

$E_q^{*\left(x_{\mathrm{ij}}\right)}\left(A_k\right)=\frac{E_q^{\left(x_{\mathrm{ij}}\right)}\left(A_k\right)}{\underset{k=1}{\overset{5}{\mathrm{\Σ}}}{E}_q^{\left(x_{\mathrm{ij}}\right)}\left(A_k\right)}$ (i＝1，2，…，n；j＝1，2，…m；q＝1，2，…，l)

(3.28)

这时

(A_k)(k＝1，2，3，4，5)仍反映了专家的评估意见属于高、较高、中、较低、低各等级的程度，记为 $P_q^{\left(x_{\mathrm{ij}}\right)}=\{E_q^{\left(x_{\mathrm{ij}}\right)}\left(A_1\right),E_q^{\left(x_{\mathrm{ij}}\right)}\left(A_2\right),E_q^{\left(x_{\mathrm{ij}}\right)}\left(A_3\right),E_q^{\left(x_{\mathrm{ij}}\right)}\left(A_4\right),E_q^{\left(x_{\mathrm{ij}}\right)}\left(A_5\right)\}$

由于各个专家在知识、理解和偏好上的差异，每个专家给出的评估意见不一定完全可靠，同时针对不同的指标，不同专家的权威性、知识、经验也不完全相同。设对指标x_ij由专家的知识水平和权威性，用特征值法(详见3.1.1)给出l个专家的权重为：

${\mathrm{\λ}}_1^{\left(x_{\mathrm{ij}}\right)},{\mathrm{\λ}}_2^{\left(x_{\mathrm{ij}}\right)},\·\·\·\·\·\·{\mathrm{\λ}}_l^{\left(x_{\mathrm{ij}}\right)},\underset{q=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\λ}}_q^{\left(x_{\mathrm{ij}}\right)}=1---\left(3.29\right)$

因此定义专家评判的相对可靠度为：

${\mathrm{\β}}_q^{\left(x_{\mathrm{ij}}\right)}={\mathrm{\α}}_q^{\left(x_{\mathrm{ij}}\right)}\·[1-({\mathrm{\λ}}_{\max }^{\left(x_{\mathrm{ij}}\right)}-{\mathrm{\λ}}_q^{\left(x_{\mathrm{ij}}\right)})]$ (i＝1，2，…，n；j＝1，2，…m；q＝1，2，…，l)(3.30)

式中 ${\mathrm{\&lambda;}}_{\max }^{\left(x_{\mathrm{ij}}\right)}=\underset{1<q\&le;l}{\max }{\mathrm{\&lambda;}}_q^{\left(x_{\mathrm{ij}}\right)};{\mathrm{\&alpha;}}_q^{\left(x_{\mathrm{ij}}\right)}$ --反映专家经验、偏好的系数，一般取 $0.9\&le;{\mathrm{\&alpha;}}_q^{\left(x_{\mathrm{ij}}\right)}\&le;1;$ 显然 $0\&le;{\mathrm{\&beta;}}_q^{\left(x_{\mathrm{ij}}\right)}\&le;1.$ 由于专家意见存在某种程度的不可靠，那么对指标x_ij专家q的评估意见的隶属度需要打个折扣，即：

$p_q^{*\left(x_{\mathrm{ij}}\right)}={\mathrm{\&beta;}}_q^{\left(x_{\mathrm{ij}}\right)}\&CenterDot;p_q^{\left(x_{\mathrm{ij}}\right)}---\left(3.31\right)$

仍记

为

这时 $\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_q^{\left(x_{\mathrm{ij}}\right)}{p}_q^{\left(x_{\mathrm{ij}}\right)}\left(A_k\right)\&le;1,$ 而

为专家评估中不知道信息。

根据证据理论构造mass函数[152]对上述具有不确定信息的专家意见进行表示。将特征集Ω作为假设空间，按照mass函数的定义，专家q对指标x_i评估意见的mass函数为：

$m_q^{\left(x_{\mathrm{ij}}\right)}\left(A_k\right)=\left\{\begin{array}{cc}{\mathrm{\&beta;}}_q^{\left(x_{\mathrm{ij}}\right)}\&CenterDot;p_q^{\left(x_{\mathrm{ij}}\right)}\left(A_1\right),& A=\left\{A_1\right\}\\ {\mathrm{\&beta;}}_q^{\left(x_{\mathrm{ij}}\right)}\&CenterDot;p_q^{\left(x_{\mathrm{ij}}\right)}\left(A_2\right),& A=\left\{A_2\right\}\\ {\mathrm{\&beta;}}_q^{\left(x_{\mathrm{ij}}\right)}\&CenterDot;p_q^{\left(x_{\mathrm{ij}}\right)}\left(A_3\right),& A=\left\{A_3\right\}\\ {\mathrm{\&beta;}}_q^{\left(x_{\mathrm{ij}}\right)}\&CenterDot;p_q^{\left(x_{\mathrm{ij}}\right)}\left(A_4\right),& A=\left\{A_4\right\}\\ {\mathrm{\&beta;}}_q^{\left(x_{\mathrm{ij}}\right)}\&CenterDot;p_q^{\left(x_{\mathrm{ij}}\right)}\left(A_5\right),& {A=\{A}_5\}\\ 1-\underset{k=1}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_q^{\left(x_{\mathrm{ij}}\right)}\left(A_k\right),& A=\mathrm{\&Omega;}\end{array}\right\}---\left(3.32\right)$

将其记成矢量形式为：

$m_q^{\left(x_{\mathrm{ij}}\right)}=(m_q^{\left(x_{\mathrm{ij}}\right)}\left(A_1\right),m_q^{\left(x_{\mathrm{ij}}\right)}\left(A_2\right),m_q^{\left(x_{\mathrm{ij}}\right)}\left(A_3\right),m_q^{\left(x_{\mathrm{ij}}\right)}\left(A_4\right),m_q^{\left(x_{\mathrm{ij}}\right)}\left(A_5\right),m_q^{\left(x_{\mathrm{ij}}\right)}\left(\mathrm{\&Omega;}\right)),$ (q＝1，2，…，l)

(3.33)

表示综合各指标x_ij属于A_k等级的信任程度。

对于专家的不确定性评价意见进行综合，必须根据专家意见的表示方法选择合适的合成公式。由于专家评估意见的隶属度用的是mass函数，所以基于证据理论的mass函数合成，选用Dempster-Shafer合成公式进行合成：

设m₁，m₂，……，m_n是Ω上的n个mass函数，则对于m(φ)＝0及

是mass函数，其中

N度量了n个信任函数冲突的程度，Dempster朣hafer合成公式对n个完全冲突的证据不能合成。D-S合成方法使合成结果的不确定性信息减少，符合人们对综合结果的要求，同时由合成公式产生新的mass函数，可进一步用于层次综合，对多层次决策问题有更大的适用性。

再根据各等级赋值的中心值合成得x_ij的量化指标值，即：

$x_{\mathrm{ij}}=0.9{m_q}^{\left(x_{\mathrm{ij}}\right)}\left(A_1\right)+0.7{m_q}^{\left(x_{\mathrm{ij}}\right)}\left(A_2\right)+0.5{m_q}^{\left(x_{\mathrm{ij}}\right)}\left(A_3\right)+0.3{m_q}^{\left(x_{\mathrm{ij}}\right)}\left(A_4\right)+0.1{m_q}^{\left(x_{\mathrm{ij}}\right)}\left(A_5\right)---\left(3.36\right)$

例如：在进行出口美国长毛绒玩具发生度指标量化时，指标宽严程度(x₆₂)、法规标准规定(x₆₄)、工厂管理水平(x₆₅)、突发事件影响(x₆₆)、环境状况改变(x₆₇)对铅这种有毒物质含量影响程度，它们属于主观性指标，在检验检疫实际中没有较好的定量解析式来刻画它，所以采用5个专家评委组成评价群体，针对这五个指标进行模糊评价。指标x₆₂～x₆₈的模糊评语集为{很大；相当大；大；一般；不太大；比较小；小；很小}，有关评价意见如表3.16所示。

表3.16专家评估意见表

专家号	x62	x64	x65	x66	x67
						1	很大	相当大	很大	大	相当大
2	相当大	大	相当大	大	很大
						3	相当大	相当大	很大	相当大	相当大
4	大	大	相当大	相当大	很大
						5	很大	大	相当大	大	很大

由(3.30)，(3.31)式得专家评判的相对可靠度β＝(0.90，0.95，0.80，0.87，0.92)，按照(3.27)-(3.32)式给出的方法，建立5个专家的mass函数进行合成，即可得到对该指标的量化指标数据，先计算对指标x₆₂的mass函数值：

m₁＝(0.8357 0.0643 0.0000 0.0000 0.0000 0.10)

m₂＝(0.4325 0.4325 0.0850 0.0000 0.0000 0.05)

m₃＝(0.3642 0.3642 0.0715 0.0000 0.0000 0.20)

m₄＝(0.0450 0.5510 0.2290 0.0450 0.0000 0.13)

m₅＝(0.8543 0.0657 0.0000 0.0000 0.0000 0.08)

根据(3.34)、(3.35)式，综合计算x₆₂的mass函数合成

m(x₆₂)＝(0.9009 0.0958 0.0021 0.0010 0.0000 0.0001)

根据(3.36)式的x₁₅(t_k)的量化指标值：

x₆₂＝0.9009×0.9+0.0958×0.7+0.0021×0.5+0.001×0.3＝0.8792

以此类推，进行x₆₅、x₆₆、x₆₇、x₆₈指标量化的计算，

x₆₄＝0.1218×0.9+0.8551×0.7+0.0217×0.5+0.0009×0.3＝0.7193

x₆₅＝0.9527×0.9+0.0455×0.7+0.0008×0.5＝0.8897

x₆₆＝0.0062×0.9+0.9225×0.7+0.0207×0.5+0.0005×0.3＝0.6618

x₆₇＝0.9954×0.9+0.0044×0.7+0.0001×0.5＝0.8990

评价指标预处理

(1)评价指标的一致化处理

历史检测数据、指标宽严程度、货物使用状态、法规标准规定、工厂管理水平、突发事件影响、环境状况改变、来自疫区影响八项风险因子中既有“极大型”指标，又有“极小型”指标。对于工厂管理水平，我们希望这一数据取值越大越好，越大则背景符合性条件发生度越小，这类指标称之为极大型指标；对于历史检测数据，我们希望这个指标越小越好，该指标值越小则说明背景符合性条件发生度越小，这类指标称之为极小型指标。这样在对各项背景符合性条件发生度测度之前，需要进行一致化处理，即将“极小型”指标转化为极大型指标。具体方法如下：

对于极小型指标M_i，令 $x^{*}=\frac{1}{x}.---\left(3.37\right)$

其中M为指标x的一个允许上限；

对于居中型指标x_i，令

$x_i^{*}=\left\{\begin{array}{cc}\frac{2(x_i-m)}{M-m}& \mathrm{if},m\&le;x_i\&le;\frac{M+m}{2}\\ \frac{2(M-x_i)}{M-m}& \mathrm{if},\frac{M+m}{2}\&le;x_i\&le;M\end{array}\right.---\left(3.38\right)$

其中m为指标x的一个允许下界，M为x的一个允许上界；

对于区间型指标x_i，令 $x_i^{*}=\left\{\begin{array}{cc}1.0-\frac{q_1-x_i}{\max (q_1-m,M-q_2)}& \mathrm{if},x_i<q_1\\ 1.0& \mathrm{if},x_i\&Element;[q_1,q_2]\\ 1.0-\frac{x_i-q_2}{\max (q_1-m,M-q_2)}& \mathrm{if},x_i>q_2\end{array}\right.---\left(3.39\right)$

式中[q₁，q₂]为指标x_i的最佳稳定区间，M，m分别为x_i的允许上、下界。

这样，非极大型评价指标x_i通过(3.37)、(3.38)、(3.39)都可转换为极大型指标。

一般来说，指标x_i之间由于各自单位及量级的不同而存在不能公度性，这就为比较综合评价指标y的大小带来不便。因此，为了尽可能的反映实际情况，排除由于各指标单位不同以及其数值数量级间的悬殊的影响，避免不合理现象的发生，需要对评价指标作无量纲处理。无量纲化，也叫作指标数据的标准化、规范化，它是通过数学变换来消除原始指标单位影响的方法。常用的方法有“标准化法”、“极值法”和“功能系数法”。一般，在评价模型、评价指标的权重系数、指标类型的一致化方法都已选定的情况下，应选择能尽量体现被评价对象S₁，S₂，……，S_n之间差异最大的无量纲化方法，即选择使y₁，y₂，……，y_n的离差平方和

最大的无量纲化方法。

(2)评价指标的无量纲化处理

本评价中用“标准化法”处理方式，即：

${x_i}^{*}=\frac{x_i-\stackrel{\&OverBar;}{x_i}}{s_i}---\left(3.40\right)$

显然x_i*的(样本)平均值和(样本)均方差分别为0和1，x_i*称为标准观测值。式中 $\stackrel{\&OverBar;}{x_i}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i,$ $S_i=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_i-\stackrel{\&OverBar;}{x_i})}^2}$ (i＝1，2，…，n)分别为第j项指标观测值的平均值和(样本)均方差。

评价指标的赋权

一般常用的赋权方法有两类：基于“功能驱动”原理的主观赋权法、基于“差异驱动”原理的客观赋权法。前者的实质是根据评价指标的相对重要程度来确定其权重系数；后者的基本思想是权重系数应当是各个指标在指标总体中的变异程度和对其他指标影响程度的度量，赋权的原始信息应当直接来源于客观环境。根据检验检疫背景符合性条件筛选的特征，P₁发生度确定过程中对风险因子的赋权应该使用基于“功能驱动”原理的赋权法。

基于“功能驱动”原理的主观赋权法中运用最为普遍的是在层次分析法(AHP)两两判别矩阵基础上的特征值法。

G1法与上述两种方法相比较具有以下优点[147]：不用构造判断矩阵，更无需一致性检验；计算量较AHP成倍减少；方法简便、直观，便于应用；对同一层次中元素的个数没有限制；具有保序性。

评价指标值的计算

经上述方法处理所得到的指标值和权重，通过(3.24)式，即可计算出检验检疫背景符合性条件的发生度，再根据FMEA理论数据计算要求和便于比较原则，需对发生度评价值进行放大取整处理，使发生度评价结果是位于1-10之间的整数。

背景符合性条件严重度测评

严重度P₂，指某项背景符合性条件出现问题带来危害的严重程度。考虑到研究的可操作性，本文认为对于有分类目录的符合性条件，如有害生物及病毒分类、农药毒性分类等，则按照分类目录对其危害严重度进行等级划分；如果没有分类目录则要对其危害严重度进行评价后，再进行等级划分。

这其中涉及的关键技术有：(1)评价指标体系的建立；(2)如何为背景符合性条件向每一指标赋值；(3)指标权重的确定；(4)合成方法的选择。

评价指标体系

对于评价问题，并非评价指标越多越好，也并非越少越好。一般原则应是以尽量少的“主要”评价指标用于实际评价。考虑到背景符合性条件的严重度多为主观评价，故放弃常用的“最小均方差法”和“极小极大离差法”，选择“专家调研法”。

专家调研法(Delphi)是一种向专家发函、征求意见的调研方法。评价者可根据评价目标及评价对象的特征，在所设计的调查表中列出一系列的评价指标，分别征询专家对所设计的评价指标的意见，然后进行统计处理，并反馈咨询结果，经几轮咨询后，如果专家意见趋于集中，则由最后一次咨询确定出具体的评价指标体系。

严重度指如果某项背景符合性条件不检，出现问题将带来危害的严重程度。

评价方法选择

由于P₂严重度评价指标体系中个评价指标相互独立，此时各评价指标对综合评价水平的贡献彼此没有什么影响，所以多个评价指标值运用线性加权综合法。即用线性模型：

$y=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_j{x}_{\mathrm{ij}}---\left(3.41\right)$

来进行综合评价。式中y为评价对象的严重系数，其中w_j、x_ij以及i，j的含义同发生度中的定义。

指标的预处理

(1)评价指标的一致化处理

在对P₂的综合评价中，对于P₂各项指标经济危害、贸易危害、疫病危害……我们都是希望越小越好，所以不存在一致化的问题。

(2)评价指标类型的无量纲化处理

由于目前P₂的综合评价中，各项指标是危害性严重程度，故无需做无量纲化处理。

经上述方法处理所得到的指标值和权重，通过(3.41)式，即可计算出检验检疫背景符合性条件的严重度，再根据FMEA理论数据计算要求和便于比较原则，需对发生度评价值进行放大取整处理，使发生度评价结果是位于1-10之间的整数。

背景符合性条件检出度的测评

基于FMEA测评检出度

按照FMEA原理，每一个被检对象的检出度可以参考下表来确定。

表3.17检出度评价基准参考表

检出率	等级	检出机会	评价基准
				几乎无法检出	10	＜＝80.0％	不可能检出
非常微小	9	＞80％	发现机会非常微小
				微小	8	＞82.5％	发现机会微小
非常低	7	＞85％	能力非常低
				低	6	＞87.5％	低度检出率
中度	5	＞90.0％	中度可能性
				中高	4	＞92.5％	中高可能性
高	3	＞95％	高可能性
				非常高	2	＞97.5％	非常高可能性
几乎一定	1	＞100％	几乎一定检出

在出入境检验检疫中，对于定性测量(感官测量)时可以按照上述方法评定背景符合性条件的检出度。但是，对于定量测量，由于检测手段和检测工具比较先进，还可以用更加精准的方法来评定背景符合性条件的检出度。

基于测量系统分析(MSA)测评检出度

测量系统分析是一种评价测量系统相对于被测对象的规范(或标准)的测量能力。依据测量结果数据的类型，测量系统可分为连续型(或称计量型)测量系统和离散型(或称计数型)测量系统。不同类型的测量系统评定测量能力的方法不同。本文试图用测量能力来测评背景符合性条件的检出度。

连续型测量系统的测量能力

连续型测量系统的测量能力评价指标有：

①公差百分比

式中σ_测为测量误差标准差，T为被测对象的双侧公差范围，当被测对象的公差为单侧时，(3.41)式中的系数5.15更改为2.575。当P/T≤10％时，测量系统可接受；当P/T≤30％时，测量系统可考虑；当P/T≥30％时，测量系统不可接受。

②测量误差贡献率

式中σ_测量 ²为测量误差方差，σ_T ²为过程总方差。ρ≤1％时，测量系统可接受；当ρ≤10％时，测量系统可考虑；当ρ≥10％时，测量系统不可接受。

离散型测量系统的测量能力

离散型测量系统的测量能力为测量差错率，计算方法如下：

P＝M/N×100％(3.44)

式中N为被测对象的总个数，M为测错的个数。

背景符合性条件的检出度

本文对于连续型测量系统选取公差百分比为背景符合性条件检出度，对离散型测量系统选取测量差错率为背景符合性条件检出度。

(应用例1)

针对出口美国长毛绒玩具，基于FMEA原理建立如下检验检疫背景符合性条件筛选的风险优先度评价模型。第一层为检验检疫背景符合性条件的风险优先度(RPN)C_i(i＝1，2，…，19，表示有19个检验检疫背景符合性条件)。第二层为风险优先度的组成因子Y_i3(i同上；表示有3个分目标，代表风险发生度P₁的综合评价值Y_i ⁽¹⁾，风险严重度P₂的综合评价值Y_i ⁽²⁾，风险检出度P₃的综合评价值Y_i ⁽³⁾)。第三层为指标层x_ij(i＝1，2，…，19；j＝1，2，…，m)，评价发生度时，x_19，8代表遴选的8个风险因子对19个背景符合性条件发生度的影响程度；评价严重度时，x_19，7代表遴选的7个风险因子对19个背景符合性条件严重度的影响程度。在本案例中，选取了5个检验检疫专家所构成的群体对某背景符合性条件发生度(严重度)给出的模糊评语{p₁，p₂，…，p₅}，并假设某个专家给出的评判意见不受别的专家意见的影响。

由此得到基于FMEA模型的三层递级评价结构。

由检验检疫专家结合美国对玩具出入境相关法律法规和实际经验，确定19个背景符合性条件如下：

(1)锑含量≤60mg/kg：玩具表面的油漆和类似表面涂层中可溶性元素锑；

(2)砷含量≤25mg/kg：玩具表面的油漆和类似表面涂层中可溶性元素砷；

(3)钡含量≤1000mg/kg：玩具表面的油漆和类似表面涂层中可溶性元素钡；

(4)镉含量≤75mg/kg：玩具表面的油漆和类似表面涂层中可溶性元素镉；

(5)铬含量≤60mg/kg：玩具表面的油漆和类似表面涂层中可溶性元素铬；

(6)铅含量≤90mg/kg：玩具表面的油漆和类似表面涂层中可溶性元素铅；

(7)汞含量≤60mg/kg：玩具表面的油漆和类似表面涂层中可溶性元素汞；

(8)硒含量≤500mg/kg：玩具表面的油漆和类似表面涂层中可溶性元素硒；

(9)全量铅含量≤0.06％：玩具表面的油漆和类似表面涂层中全量铅；

(10)材料质量：玩具上材料，在视觉上应清洁且无污染。若使用二次处理过的材料，必须将其精制以使其危害物质含量符合FHSA以及根据FHSA所颁布的有关规定；

(11)易燃性：1)玩具中使用的非纺织品(不包括纸)材料燃烧速度不得超过0.1in/sec；2)玩具中使用的纺织品，测试燃烧速度：非起绒织物大于3.5秒；起绒织物大于7秒；

(12)小物件：不得产生小零件；

(13)可触及边缘：1)玩具上的金属边缘无锐利边缘；2)金属边缘和刚性的聚合材料边缘，不能有引起刺伤或擦伤的毛刺；

(14)可触及尖端：玩具上无锐利尖端；

(15)金属丝和杆件：玩具内的金属丝测试时金属丝弯曲不大于60度，或者测试时金属丝弯曲大于60度时，经挠曲性测试后金属丝不能断裂并产生锐利尖端或刺破玩具表面；

(16)声响玩具：1)连续噪声：A权发声压力级LPA，不超过85dB；2)非连续噪声C权峰值压力级，LPCpeak，不能超过115dB；

(17)填充材料：柔软填充物的材料不能含有任何坚硬或锐利污染物，如金属颗粒、针、铁钉和其它锐利碎片；

(18)绳和弹性绳：1)供18个月以下儿童使用的玩具上含有或系有的绳和橡皮筋，其最大长度必须小于12in；2)供18个月以下儿童使用的玩具上如果绳/橡皮筋或多段绳/橡皮筋可缠结或形成环状，环不能允许探头端部通过；3)供18个月以下儿童使用玩具上绳索牵引机构的可触及绳索，直径为1/16in或以下的单纤维绳在承受1lb的重荷时不应回缩。除直径为或小于1/16in的单纤维绳外，施加2lb的重荷时的回缩距离不得超过1/4in；

(19)制造商标识：玩具的主要部件或者玩具的包装必须标有制造商或分销商的名称和地址。

评价发生度时，依据风险因子分析法，选取8个影响因子与19个背景符合性条件组成评价指标矩阵如下表1.1：

表1.1出口美国玩具风险发生度指标矩阵表

评价严重度时，依据风险因子分析法，选取7个影响因子与19个背景符合性条件组成评价指标矩阵如下表1.2：

表1.2出口美国玩具风险严重度指标矩阵表

在对出口美国玩具的背景符合性条件发生度评价时，需考察8个影响因子对这19个背景符合性条件的影响程度的大小，它们属于主观性指标，依据采用5个专家评委组成评价群体，对影响因子进行模糊评价。出口儿童玩具背景符合性条件发生度评价实施步骤如下：

建立发生度评价模型：

建立评价函数为 ${Y_i}^{\left(1\right)}=\underset{j=1}{\overset{8}{\mathrm{\&Sigma;}}}{w}_j{x}_{\mathrm{ij}}---\left(6.1\right)$

其中Y_i ⁽¹⁾为评价对象的综合发生度；w_j是与评价指标相应的权重系数(0≤w_j≤1(j＝1，2，…，8)， $\underset{j=1}{\overset{8}{\mathrm{\&Sigma;}}}{w}_j=1$ )；x_ij为经过处理之后的各项风险因子的指标值，其中：(i＝1，2，3...19)代表该检验检疫对象有19个背景符合性条件；(j＝1，2，…，8)代表该检验检疫对象有8个发生度影响因子。

计算权重w_j

通过G₁法多个专家判断情形，可得到评价指标的综合权重如表1.3：

表1.3发生度指标综合权重表

评价指标x_ij的处理：对于评价指标值的获取，可直接获取定量化监测数据(或历史数据)的定量指标，可通过本文3.3.2节的公式(3.25)和(3.26)进行数据加权计算获取；不能直接获取定量化监测数据(或没有历史数据)的定性指标，可通过本文3.3.3节的公式(3.27)-(3.36)的证据理论对专家定性化评语进行量化处理，参见本节案例计算。并且需通过本文3.3.4节给定的方法指标一致化和无量纲化处理。对原始数据进行量化、一致化和无量纲化等处理后得到的指标值如表1.4

表1.4发生度评价指标处理后数值表

计算发生度评价值Y_i ⁽¹⁾：经上述方法处理所得到的指标值和权重，通过公式(6.1)，即可计算出检验检疫背景符合性条件的发生度，再根据FMEA理论数据计算要求和便于比较原则，需对发生度评价值进行放大10倍取整处理，使发生度评价结果是位于1-10之间的整数，计算出的发生度综合评价值见表1.5

表1.5背景符合性条件综合发生度评价值表

背景符合性条件	锑≤60mg/kg	砷≤25mg/kg	钡≤1000mg/kg	镉≤75mg/kg	铬≤60mg/kg	铅≤90mg/kg	汞≤60mg/kg	硒≤500mg/kg	全量铅≤0.06％	材料质量
											发生度	2	2	2	2	2	2	2	2	7	6
背景符合性条件	易燃性	小物件	可触及边缘	可触及尖端	金属丝和杆件	声响玩具	填充材料	绳和弹性绳	制造商标识
											发生度	7	7	3	3	3	4	3	8	8

Claims (4)

1、一种出入境检验检疫符合性条件的筛选方法，其包括：

运用故障模式与影响分析FMEA及排列图构建出入境检验检疫符合性条件筛选整体模型，即：首先，依据FMEA理论建立出入境检验检疫符合性条件的风险评价模型；然后，根据风险优先系数RPN的大小分析符合性条件的重要性；最后，用Pareto图依据管理中的二八原理对符合性条件进行筛选，选取目标符合性条件。

2、根据权利要求1所述的出入境检验检疫符合性条件的筛选方法，其特征在于：所述风险优先系数RPN＝S×O×D；

其中，S是严重度，是指潜在故障模式发生时，对下道工序、子系统或顾客影响后果的严重程度的评价指标，仅使用于故障的后果，要减少故障后果的严重度级别，取值在1-10之间；O是发生度，是指某一特定故障起因或机理出现的可能性，取值在1-10之间；D是难检度，是指发现故障原因的难易性，或指在故障发生后在流入顾客前被发现的难易性，是探测故障模式/原因/机理的能力的指标，取值在1-10之间。

3、根据权利要求2所述的出入境检验检疫符合性条件的筛选方法，其特征在于：基于D-S理论、MSA理论和FMEA理论对所述出入境检验检疫符合性条件筛选整体模型中的发生度、严重度与检出度进行测评，即：首先，对背景符合性条件进行风险因子解析，建立背景符合条件发生度、严重度评价指标体系，基于D-S证据理论测评所述发生度和严重度，基于测量系统分析理论MSA和FMEA测评所述检出度。

4、根据权利要求3所述的出入境检验检疫符合性条件的筛选方法，其特征在于：出入境检验检疫符合性条件筛选整体模型包括三层递级评价结构：

第一层为检验检疫背景符合性条件的风险优先度RPN Ci，其中：i＝1，2，...，n，表示有n个检验检疫背景符合性条件；

第二层为风险优先度的组成因子Yiq，其中：i＝1，2，...，n；q＝1，2，...，s，表示有s个分目标，Yi1代表风险发生度P3的综合评价值，Yi2代表风险严重度P2的综合评价值，Yi3代表风险检出度P3的综合评价值；

第三层为指标层Xij，代表各风险因子对背景符合性条件发生度(严重度)的影响程度；其中：i＝1，2，...，n；j＝1，2，...，m1(m2)；

i＝1，2，...，n，代表该检验检疫对象有n个背景符合性条件；j＝1，2，...，m1(m2)代表该检验检疫对象有m1个发生度影响因子，m2个严重度影响因子；l个检验检疫专家所构成的群体对某背景符合性条件发生度给出的模糊评语p1，p2，...，pi，并假设某个专家给出的评判意见不受别的专家意见的影响。

Images