CN113887978B - 一种基于改进物元可拓模型的食品风险综合评价方法 - Google Patents
一种基于改进物元可拓模型的食品风险综合评价方法 Download PDFInfo
- Publication number
- CN113887978B CN113887978B CN202111191176.6A CN202111191176A CN113887978B CN 113887978 B CN113887978 B CN 113887978B CN 202111191176 A CN202111191176 A CN 202111191176A CN 113887978 B CN113887978 B CN 113887978B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- index
- food
- risk
- indexes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 222
- 235000013305 food Nutrition 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000005314 correlation function Methods 0.000 claims abstract description 8
- 239000000126 substance Substances 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 60
- 239000003344 environmental pollutant Substances 0.000 claims description 40
- 231100000719 pollutant Toxicity 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000001988 toxicity Effects 0.000 claims description 7
- 231100000419 toxicity Toxicity 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 235000021404 traditional food Nutrition 0.000 abstract description 4
- 239000004615 ingredient Substances 0.000 abstract description 2
- 235000013336 milk Nutrition 0.000 description 42
- 210000004080 milk Anatomy 0.000 description 42
- 239000008267 milk Substances 0.000 description 41
- 235000013365 dairy product Nutrition 0.000 description 21
- 239000002108 aflatoxin M1 Substances 0.000 description 14
- MJBWDEQAUQTVKK-IAGOWNOFSA-N aflatoxin M1 Chemical compound C=1([C@]2(O)C=CO[C@@H]2OC=1C=C(C1=2)OC)C=2OC(=O)C2=C1CCC2=O MJBWDEQAUQTVKK-IAGOWNOFSA-N 0.000 description 14
- 229930073161 aflatoxin M1 Natural products 0.000 description 14
- 239000011651 chromium Substances 0.000 description 14
- 229920000877 Melamine resin Polymers 0.000 description 10
- JDSHMPZPIAZGSV-UHFFFAOYSA-N melamine Chemical compound NC1=NC(N)=NC(N)=N1 JDSHMPZPIAZGSV-UHFFFAOYSA-N 0.000 description 10
- 235000020200 pasteurised milk Nutrition 0.000 description 9
- 239000000843 powder Substances 0.000 description 9
- 229910052785 arsenic Inorganic materials 0.000 description 8
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 7
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 7
- 229910052804 chromium Inorganic materials 0.000 description 7
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 7
- 229910052753 mercury Inorganic materials 0.000 description 7
- 239000002115 aflatoxin B1 Substances 0.000 description 6
- OQIQSTLJSLGHID-WNWIJWBNSA-N aflatoxin B1 Chemical compound C=1([C@@H]2C=CO[C@@H]2OC=1C=C(C1=2)OC)C=2OC(=O)C2=C1CCC2=O OQIQSTLJSLGHID-WNWIJWBNSA-N 0.000 description 6
- 229930020125 aflatoxin-B1 Natural products 0.000 description 6
- 150000002826 nitrites Chemical class 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000000356 contaminant Substances 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000006071 cream Substances 0.000 description 4
- 230000001954 sterilising effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012067 mathematical method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000002778 food additive Substances 0.000 description 2
- 235000013373 food additive Nutrition 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 231100000279 safety data Toxicity 0.000 description 2
- 229930195730 Aflatoxin Natural products 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 239000005409 aflatoxin Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Preparation And Processing Of Foods (AREA)
Abstract
本发明公开一种基于改进物元可拓模型的食品风险综合评价方法，该方法首先结合物元可拓理论构建食品风险评价物元，并选择适合于食品领域的关联函数来计算各评价指标与各风险等级的单指标关联度；其次基于最优最劣法结合专家评估计算各评价指标的最优权重，利用评价指标与评价等级之间的综合关联度来确定食品风险等级，对食品风险进行快速综合评价。本发明克服了传统食品风险评价体系的不相容性和评价方法因定性成分较多导致的权重主观性较强、评价结果失真度高、评价效率低等问题，可以全面评价食品受污染的风险。
Description
技术领域
本发明涉及数据分析和食品安全技术领域，主要涉及一种基于改进物元可拓模型的食品风险综合评价方法。
背景技术
食品安全问题是一个重要的公共安全问题，也是人们非常关注的社会热点问题。随着食品安全问题越来越受关注，各国政府部门均加强了从农田到餐桌全链条的食品安全监测和管控，进而产生了大量食品安全数据。食品抽检数据，作为食品安全数据中的一种常见数据，涉及食品的种类、营养、污染物、时间、地域等多维度信息，具有多维、时空、层次、关联等特征，数据复杂性较高，相关人员难以直观全面地理解数据。食品安全涉及食品中是否含有有毒或有害物质，关系到人们的身体健康和生命安全，因此需要食品监管部门及时对问题食品发出风险预警，做好风险防范工作，有效避免食品安全事件的发生。风险评价首先需要建立科学化、结构化的风险综合评价体系，由于我国食品安全风险评价指标评估多采用专家经验法等定性方法，导致评价指标不完善、主观因素较多，很难对食品安全风险进行定量评价；且当数据量增多时，评价方法计算复杂，评价效率降低，无法对食品安全风险进行快速全面的评价。因此，对食品抽检数据进行全面高效的风险评价是一个有重要意义的研究课题。
目前在食品安全风险综合评价领域使用的方法主要有加权综合指数法、内梅罗综合指数法、模糊数学法。加权综合指数法先用各项指标实际值分别除以各项指标的评价标准值得出各项指标的评价值，然后对各项指标评价值进行加权算术平均，得出综合评价值。该方法适用于各评价指标间相互独立的情况，但在实际情况中各指标并不完全独立，会导致各指标所提供的评价信息冗余。内梅罗指数法选取各指标污染指数的平均值和最大值计算综合内梅罗污染指数，导致其评价结果极其容易受最大值的影响，同时未考虑各个指标对其结果影响的差异性。模糊数学法通过隶属度函数来计算评价指标关于各评价等级的隶属度，但存在隶属函数难以确定的缺陷。此外，在食品安全评价领域，由于评价指标间可能具有的不相容性，使得食品风险评价结果存在模糊性和不确定性。
在进行评价决策时，一个关键步骤就是确定各个指标的权重，目前常用的计算权重的方法有超标率法、专家评价法、层次分析法、最优最劣法。超标率法在对食品风险评估时仅考虑了单个指标，仅能从某一方面评估食品的风险，不能全面反映食品的综合风险。专家经验法完全通过专家依据经验给出各个指标的权重，而层次分析法仅依靠专家经验给出任意一对评价指标的重要性之比，然后通过数学方法计算指标的权重，这两种方法容易导致各个指标的重要性出现矛盾现象，即不一致性。而最优最劣法在评价食品污染风险时，结合领域专家经验与数学模型确定各个评价指标权重，能够综合多个指标全面评价食品的污染风险。
发明内容
为了克服上述现有技术的不足，本发明将最优最劣法(Best Worst Method,BWM)引入物元可拓模型(Matter Element Extension,MEE)中，并应用于食品风险评价领域，提供了一种基于改进物元可拓模型的食品风险综合评价方法。本发明涉及的物元可拓模型是解决客观世界中普遍存在的不相容问题的有力工具和决策方法。该模型使用关联度来度量待评价食品属于某一风险等级的程度，关联度将逻辑值从模糊数学的[0,1]闭区间拓展到(+∞,-∞)实数轴，比模糊数学法中的隶属度所代表的内涵更丰富。物元可拓模型应用于食品领域的优势，结合最优最劣法综合考虑多个指标的特性，使得本发明提出的基于改进物元可拓模型的食品风险综合评价方法，能全面快速地评价食品的污染风险。
本发明提供的技术方案是：一种基于改进物元可拓模型的食品风险综合评价方法，具体包括如下步骤：
A.数据预处理及评价指标选择；
对原始数据集进行数据清理和缺失值处理，包括删除有缺失值的数据、删除与实验无关的属性、标准化检测项目名称、规范化检测结果、统一样品类别、统一检测结果的单位等。经过数据整合与统计，根据该类食品的污染物检出率、污染物毒性、污染物类别、污染物限量标准及摄入量，选择代表性污染物作为该类食品的风险评价指标，确定评价指标集合C＝{c1,c2,…,ck,…,cn}，其中ck为第k个评价指标，n为评价指标的数量，用于根据食品的综合污染程度对该类食品进行风险等级划分。
B.计算各评价指标与各风险等级的关联度；
本发明依托于物元可拓模型构建食品安全评价体系，来解决传统食品风险评价体系的不相容性。为全面评价食品安全风险，本发明首先构建食品风险评价物元，并根据数据实测结果计算经典域和节域矩阵，然后得到各评价指标与各风险等级的关联度，用于后续食品风险等级的计算。具体包括如下步骤：
B1.评价指标等级划分；
基于该类食品各污染物的最大残留限量(MRL，Maximum Residues Limits)和专家经验，对该类食品的风险等级进行划分，确定评价等级集合N。例如划分为Ⅰ级，Ⅱ级，Ⅲ级，Ⅳ级，其中Ⅰ级为良好，Ⅱ级为安全，Ⅲ级为轻微污染，Ⅳ级为污染。常用的风险等级划分标准为：Ⅰ级为污染物检测值小于0.3MRL；Ⅱ级为污染物检测值大于等于0.3MRL且小于0.7MRL；Ⅲ级为污染物检测值大于等于0.7MRL且小于1MRL；Ⅳ级为污染物检测值大于等于1MRL且小于等于2MRL。此划分标准可根据实际评价食品的类别和污染情况进行一定的调整。
B2.构建食品风险评价物元；
在食品风险评价建模中，N表示评价等级集合，C表示评价指标集合，V表示所选评价指标的取值范围，评价等级N，评价指标C和指标取值V共同构成食品风险评价物元。假设对于某个待评价的食品样本x，有n个评价指标c1,c2,…,cn，其各评价指标相应的检测值为vx1,vx2,…,vxn，则该食品样本x的风险评价物元Rx表示为
式中Nx表示待评价的食品样本x的评价等级；C为选取的评价指标集合；V为评价指标的检测值集合；c1,c2,…,cn是选取的n个评价指标；v1,v2,…,vn是n个评价指标的检测值。由式(1)依次对每个食品样本构建食品风险评价物元。
B3.计算经典域与节域物元矩阵；
经典域是依据食品样本的各评价指标及其指标检测值所在区间确定的取值范围。第j个评价等级下，n个评价指标的经典域物元矩阵Roj可表示为：
式中Roj为第j个评价等级下的经典域物元，Noj为表示划分的第j个评价等级，vojk＝(dojk,eojk)为第j个评价等级下评价指标ck的检测值范围即经典域，其中dojk为检测值的最小值，eojk为检测值的最大值。由式(2)依次计算各个评价等级的经典域物元矩阵。
节域是各个评价指标在各评价等级下的检测值范围的并集，是更广的数值区域，节域物元矩阵Rp可表示为
式中Rp为节域物元，Np为划分的全部评价等级，vpk＝(dpk,epk)为评价指标ck在各评价等级下的检测值范围的并集即节域。由式(3)计算该评价体系的节域物元矩阵。
B4.确定关联函数计算单指标关联度；
在可拓理论中，问题的矛盾程度可理解为某个事物可以满足某个量值要求的程度，但是并非所有事物的量值都可以数量化，而对于那些不能数量化的量值可以通过关联函数表示事物满足其某个量值要求的程度。因此，可以通过用代数式表达的关联函数，来量化各个评价指标满足某个评价等级要求的程度，这就使得不相容问题能够定量化并得以解决。关联度用于刻画待评价食品样本的各指标关于各评价等级的归属程度，待评价食品样本x的评价指标ck关于第j个评价等级的关联度kj(vxk)定义为：
其中，
式中ρ(vxk,vojk)表示点vxk与有限区间vojk＝[doj,eoj]的距离，即待评价食品样本x评价指标ck的检测值与该指标在第j个评价等级下经典域有限区间的距离；ρ(vxk,vpk)表示点vxk与有限区间vpk＝[dpk,epk]的距离，即待评价食品样本x评价指标ck的检测值与该指标检测值节域有限区间的距离；|vojk|＝|eojk-dojk|。由式(4)至式(6)依次对每个食品样本，计算其各个指标关于各个评价等级的关联度，即单指标关联度。
C.综合各指标关联度确定食品样本的风险等级；
由于食品风险评价受多个评价指标的影响，部分指标对评价结果的影响很大，而部分指标对评价结果的影响较小，故在确定食品样本的风险等级时，需考虑各评价指标对评价结果的影响程度和评价指标之间的冗余。本模型使用最优最劣法来计算各个评价指标的权重，以最大化各评价指标的影响力程度差异同时消除冗余。将各评价指标权重与其对应的在各个等级下的单指标关联度进行加权求和，即可计算得到该食品样本关于各个评价等级的综合关联度，从而确定食品样本的风险等级。具体包括如下步骤：
C1.确定最优指标cB与最劣指标cW；
结合食品安全领域专家的经验以及该类食品污染物的毒性知识，从评价指标集合C中确定危害最小的指标作为最优指标cB，危害最大的指标作为最劣指标cW，当存在多个最优评价指标或者多个最劣评价指标时，只选取其中一组最优与最劣评价指标。
C2.构建评价指标比较向量；
采用1～9标度法定量评价指标的重要性，将最优指标cB与所有指标两两比较,将最劣指标cW与所有指标两两比较，得到两个比较向量：AB＝{aB1,aB2,…,aBk,…,aBn}和AW＝{a1W,a2W,…,akW,…,anW}，其中n表示评价指标的数量，aBk表示指标cB和指标ck的重要性之比，akW表示指标ck和指标cW的重要性之比，其中aBB和aWW皆为1。
C3.计算最优指标权重集{wk|k＝1,2,…,n}；
为使评价指标的权重能较好地反映该评价指标的重要性，应对于每对都满足故需最小化和同时应满足各个指标权重非负，所有指标权重之和为1。求解公式如式(7)所示：
minξ，s.t.
式中wB表示指标cB的权重，wk表示指标ck的权重，aBk表示指标cB和指标ck的重要性之比，akW表示指标ck和指标cW的重要性之比。由式(7)可求出若干组权重集合与ξ值，将求解的ξ的最大值作为一致性指数，计算一致性比率，对多组结果进行一致性检验。选择一致性比率最低的ξ值对应的权重集合为最优指标权重集。一致性比率的计算方法如式(8)所示，
其中CR表示一致性比率(Consistency Ratio)，CI表示一致性指数(consistencyindex)。
C4.计算综合关联度并确定评价等级；
基于步骤C3中计算得到的各评价指标权重，计算各待评价食品样本关于各个评价等级的综合关联度。待评价食品样本x关于第j个评价等级的综合关联度Kj(Nx)为
其中，kj(vxk)为待评价食品样本x的评价指标ck关于评价等级j的关联度，wk为评价指标ck的权重。由式(9)依次对每个食品样本计算其关于各个评价等级的综合关联度。
若
Kj(Nx)＝max[K1(Nx),K2(Nx),…,Km(Nx)] (10)
则待评价食品样本x属于评价等级j，其中m为评价等级的个数。
与现有技术相比，本发明的有益效果是：
本发明为综合考虑各评价指标对评价结果的影响程度，并消除评价指标之间的冗余，将最优最劣法引入物元可拓模型中，提出了一种基于改进物元可拓模型的食品风险综合评价方法。本发明首先结合物元可拓理论构建食品风险评价物元，并选择适合于食品领域的关联函数来计算各评价指标与各风险等级的单指标关联度；其次基于最优最劣法结合专家评估计算各评价指标的最优权重，利用评价指标与评价等级之间的综合关联度来确定食品风险等级，可对食品风险进行快速综合评价，克服了传统食品风险评价体系的不相容性和评价方法因定性成分较多导致的权重主观性较强、评价结果失真度高、评价效率低等问题。因此，本发明提出的基于改进物元可拓模型的食品风险综合评价方法可对各类食品涉及的主要污染物对食品造成的污染情况进行综合评价，最终得到各食品的风险等级。依据物元可拓理论建立的食品风险评价物元解决了传统食品风险评价中各指标的不相容性；最优最劣法构造了结构化的比较方式，在降低评价指标权重的计算复杂度的同时，能够综合多个评价指标并结合专家经验考虑各污染物的毒性和含量两个因素；利用评价指标与评价等级之间的综合关联度来量化食品污染风险，降低了评价时主观错误出现的概率。本发明提出的食品风险综合评价方法解决了现有评价体系的各指标不相容性，也克服了现有方法超标率和内梅罗指数法仅考虑单一指标的局限性，使得本方法可以全面评价食品的污染风险。
附图说明
图1为本发明实施例中基于改进物元可拓模型的食品风险综合评价方法的框图；
图2为本发明实施例中基于改进物元可拓模型的食品风险综合评价方法的流程示意图；
图3为本发明实施例中采用最优最劣法对n个评价指标进行两两比较的示意图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。本发明提供一种基于改进物元可拓模型的食品风险综合评价方法,该方法流程如图1所示。以下实施例是使用本发明提供的基于改进物元可拓模型的食品风险综合评价模型，对某海关抽检的乳及乳制品进行风险综合评价的过程，具体过程如图2所示。首先进行数据预处理，对食品抽检数据集进行数据清理和缺失值处理。然后对数据进行整合与统计，根据食品污染物检出率、污染物毒性、污染物类别、污染物限量标准及摄入量选择一定数量的评价指标。随后根据污染物对食品的综合污染程度对各评价指标进行风险等级划分。接着基于物元可拓理论构建食品风险评价物元，计算其经典域与节域物元矩阵，确定关联函数计算单个指标关于各个评价等级的关联度。然后基于最优最劣法从已经确定的评价指标中选择出最优指标和最劣指标，构建评价指标比较向量，计算各评价指标的最优权重，使用权重计算各食品样本关于各个风险等级的综合关联度，最终得到食品风险等级。
本发明具体实施例的操作步骤为：
A.数据预处理及评价指标选择。
本实施例对原始数据的具体预处理做法包括：删除检测方法、检测部分、检测人员、联系方式等27个无用属性，保留样品编号、样品类别、检测项目、检测结果共4个属性。标准化检测项目名称，如将“黄曲霉毒素_B1”统一为“黄曲霉毒素B1”，“总砷”统一为“砷”等。规范化检测结果，若检测结果为“未检出”或“空”，则将检测结果写成“0”；若检测结果出现“<0.01”，则将“<”删除，只保留数字部分；部分检测结果中存在文字或者特殊符号，仅保留检测结果的数字部分。统一样品类别，如将“稀奶油、奶油和无水奶油”统一为“奶油”等，最终得到9类样本类别。统一检测结果的单位，如黄曲霉毒素B1和黄曲霉毒素M1的单位为μg/kg，通过换算统一为mg/kg。原始数据经过预处理后共3756条，部分数据如表1所示。
表1经过数据预处理后得到的进口乳及乳制品抽检数据集(部分)
| 样品编号 | 样品类别 | 检测项目 | 检测结果(mg/kg) |
| 16000031 | 巴氏杀菌乳 | 铅 | 0 |
| 16000031 | 巴氏杀菌乳 | 汞 | 0 |
| 16000031 | 巴氏杀菌乳 | 铬 | 0 |
| 16000031 | 巴氏杀菌乳 | 黄曲霉毒素M1 | 0.00004 |
| 16000180 | 巴氏杀菌乳 | 砷 | 0 |
| 16000180 | 巴氏杀菌乳 | 铅 | 0.002 |
| 16000180 | 巴氏杀菌乳 | 铬 | 0 |
| 16000180 | 巴氏杀菌乳 | 黄曲霉毒素M1 | 0.00004 |
| 16000180 | 巴氏杀菌乳 | 汞 | 0 |
| 16000282 | 乳粉 | 三聚氰胺 | 0.2 |
| 16000282 | 乳粉 | 黄曲霉毒素M1 | 0.0001 |
| 16000282 | 乳粉 | 亚硝酸盐 | 0.44 |
| 16000283 | 乳粉 | 三聚氰胺 | 0.2 |
| 16000283 | 乳粉 | 黄曲霉毒素M1 | 0.0002 |
| 16000283 | 乳粉 | 亚硝酸盐 | 0.46 |
| 16000284 | 乳粉 | 三聚氰胺 | 0.2 |
| 16000284 | 乳粉 | 黄曲霉毒素M1 | 0.0001 |
| 16000284 | 乳粉 | 亚硝酸盐 | 0.47 |
| 16000300 | 灭菌乳 | 砷 | 0 |
| 16000300 | 灭菌乳 | 铅 | 0.001 |
| 16000300 | 灭菌乳 | 铬 | 0 |
| 16000300 | 灭菌乳 | 黄曲霉毒素M1 | 0.0001 |
乳及乳制品产业链中从养殖、生产加工、运输贮藏到消费，中间的任何一个环节都可能发生污染。其产业链中各环节可能出现的污染包括铅、铜、锡、汞等重金属污染、黄曲霉毒素B1和M1等微生物污染、硝酸盐和亚硝酸盐等食品添加剂污染。本发明根据上述产业链中各环节可能出现的污染物，以及在数据中检测次数大于全部样品数量50％以上的检测项目作为评价指标，选择出乳及乳制品中的3类污染物共8个评价指标建立了乳及乳制品风险综合评价体系，如表2所示，分别为重金属中的铅(Pb)、铬(Cr)、砷(As)、汞(Hg)，致病性微生物中的黄曲霉毒素B1和黄曲霉毒素M1，食品添加剂中的亚硝酸盐和三聚氰胺。在乳及乳制品数据中这8个评价指标的检测结果如表3所示。
表2乳及乳制品风险综合评价体系
表3乳及乳制品数据集中8个评价指标检测结果表(单位：mg/kg)
| 样品编号 | 铅 | 铬 | 砷 | 汞 | 黄曲霉毒素B1 | 黄曲霉毒素M1 | 亚硝酸盐 | 三聚氰胺 |
| 16000538 | 0 | 0 | 0 | 0 | 0 | 0.0001 | 0 | 0.2 |
| 16000554 | 0 | 0.024 | 0 | 0 | 0 | 0.0001 | 0 | 0.2 |
| 16000555 | 0.017 | 0 | 0 | 0 | 0 | 0.0002 | 0 | 0 |
| 16000621 | 0 | 0 | 0 | 0 | 0 | 0.00004 | 0 | 0 |
| 16000770 | 0.049 | 0 | 0.001 | 0 | 0 | 0.0001 | 0 | 0 |
| 16000831 | 0.018 | 0 | 0 | 0 | 0.0005 | 0.0001 | 0.4 | 0.2 |
| 16000832 | 0 | 0.099 | 0 | 0 | 0 | 0.0001 | 0.41 | 0.2 |
| 16000833 | 0 | 0 | 0 | 0 | 0 | 0.0001 | 0.38 | 0.2 |
| 16000834 | 0 | 0 | 0 | 0 | 0 | 0.0001 | 0.38 | 0.2 |
| 16000836 | 0 | 0 | 0 | 0 | 0 | 0.0001 | 0 | 0.2 |
| 16008775 | 0 | 1.3 | 0 | 0.1 | 0 | 0 | 0 | 0 |
| 16008792 | 0 | 0.84 | 0 | 0.1 | 0 | 0 | 0 | 0 |
| 16069137 | 0.047 | 0 | 0 | 0.2 | 0 | 0 | 1.8 | 0.5 |
B.计算各指标与各风险等级的关联度。
B1.评价指标等级划分；
参照GB 2762-2017食品安全国家标准及各乳及乳制品危害物检测结果，本实施例选取的8个评价指标的限量标准如表4所示。
表4乳及乳制品各污染物限量标准
| 污染物 | 铅 | 铬 | 砷 | 汞 | 黄曲霉毒素B1 | 黄曲霉毒素M1 | 亚硝酸盐 | 三聚氰胺 |
| MRL(mg/kg) | 0.05 | 0.3 | 0.1 | 0.01 | 0.0005 | 0.0005 | 0.4 | 2.5 |
首先基于乳及乳制品各污染物的限量标准MRL(如表4所示)和专家经验，将乳及乳制品风险等级划分为Ⅰ级，Ⅱ级，Ⅲ级，Ⅳ级，其中Ⅰ级为良好，Ⅱ级为安全，Ⅲ级为轻微污染，Ⅳ级为污染。风险等级划分标准为：Ⅰ级为污染物检测值小于0.3MRL；Ⅱ级为污染物检测值大于等于0.3MRL且小于0.7MRL；Ⅲ级为污染物检测值大于等于0.7MRL且小于1MRL；Ⅳ级为污染物检测值大于等于1MRL且小于等于2MRL。各污染物风险等级的划分范围如表5所示。
表5乳及乳制品风险等级划分(mk/kg)
B2.构建食品风险评价物元；
由式(1)对表1中的乳及乳制品样本构建风险评价物元，样本编号为16000031、16000180、16000282、16000283、16000284、16000300的乳及乳制品样本依次构建的风险评价物元为R1,R2,R3,R4,R5,R6，具体结果如下：
B3.计算经典域与节域物元矩阵；
由此可根据式(2)和式(3)确定经典域物元矩阵Ro1,Ro2,Ro3,Ro4，节域物元矩阵Rp，具体如下：
B4.确定关联函数计算单指标关联度。
对上述乳及乳制品样本中的各个评价指标进行关联度计算，可以求出该样本中各个评价指标与4个评价等级的关联度，关联度越大，说明该评价指标属于此等级的概率越大。由式(4)至式(6)计算得到各评价指标关于各风险等级的单指标关联度，用于后续关于各风险等级综合关联度的计算。
C.综合各指标的关联度确定食品风险等级。
C1.确定最优指标cB与最劣指标cW；
根据上述乳及乳制品的污染物限量标准、污染物类别、污染物毒性、污染物检出率及摄入量，结合食品领域专家经验，选择黄曲霉毒素M1为最优指标，选择三聚氰胺为最劣指标。
C2.构建比较向量；
对上述8个评价指标采用1～9标度法进行两两比较，将最优指标黄曲霉毒素M1与所有指标两两比较,将最劣指标三聚氰胺与所有指标两两比较，构建比较向量AB＝{aB1,aB2,…,aBk,…,aBn}和AW＝{a1W,a2W,…,akW,…,anW}，比较过程如图3所示，其中1～9标度标准如表6所示。
表6 1-9标度法的标度表
| 标度 | 两个元素相比的重要性 |
| 1 | 两个元素相比，具有相同重要性 |
| 3 | 两个元素相比，一个元素比另一个元素稍微重要 |
| 5 | 两个元素相比，一个元素比另一个元素明显重要 |
| 7 | 两个元素相比，一个元素比另一个元素强烈重要 |
| 9 | 两个元素相比，一个元素比另一个元素极端重要 |
对8个评价指标采用1～9标度法得到的结果如表7所示。
表7各污染物1-9标度结果
| 污染物 | 铅 | 铬 | 砷 | 汞 | 黄曲霉毒素B1 | 黄曲霉毒素M1 | 亚硝酸盐 | 三聚氰胺 |
| 最优指标(黄曲霉毒素M1) | 4 | 6 | 5 | 3 | 2 | 1 | 8 | 9 |
| 最劣指标(三聚氰胺) | 6 | 4 | 5 | 7 | 8 | 9 | 2 | 1 |
C3.计算最优权重集；
然后通过式(7)计算得到的8个评价指标的权重值如表8所示，一致性检验结果为0.0718，检验结果小于0.1，结果较好。
表8乳及乳制品中各评价指标的权重
C4.计算综合关联度并确定评价等级
根据式(9)和式(10)可得到各进口乳及乳制品抽检样品的风险等级，部分结果如表9所示。
表9进口乳及乳制品抽检样品风险等级结果表(部分)
为了验证本方法的有效性，本发明进行了对比实验。首先将本发明中使用的最优最劣法与超标率法、内梅罗指数法进行对比，分析了三类进口乳及乳制品抽检数据的风险情况，如表10所示。从表中排序情况可以看出最优最劣法与超标率法、内梅罗指数法的结果较为一致，同时最优最劣法计算得出的BWM值差异较为明显，这是由于最优最劣法综合考虑了各指标之间的差异性和冗余度，使得三类进口乳及乳制品的风险评价更为合理。这验证了最优最劣法在计算评价指标权重时的有效性。
表10三种方法对各类乳及乳制品风险程度评价结果
然后将本发明提出的BW-MEE评价法与模糊数学法、内梅罗综合指数法、加权综合指数法进行对比，对进口乳及乳制品抽检数据进行风险等级划分，各风险等级包含的样品数量结果如表11所示，可以看出各方法风险等级划分结果较为一致。其中加权综合指数法计算得到的Ⅲ、Ⅳ级食品样本较少，这是由于其计算时主要考虑指标污染的平均值，导致发现污染严重食品样本的能力不强。内梅罗综合指数法综合考虑了平均值和最大值，但结果易受最大值的影响，故计算得到的Ⅲ、Ⅳ级食品样本较多。模糊数学法计算结果主要取决于隶属函数，选择不同的函数结果差异会较大。而BW-MEE评价法克服了上述方法的局限性，可以看出其划分结果更为合理。
表11四种评价方法对进口乳及乳制品风险等级划分结果
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例中所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (5)
1.一种基于改进物元可拓模型的食品风险综合评价方法，具体包括如下步骤：
A.对原始数据进行预处理，确定评价指标集合C＝{c1，c2，...，ck，...，cn}，其中ck为第k个评价指标，n为评价指标的数量；
B.计算各评价指标与各风险等级的关联度，具体包括如下步骤：
B1.对食品的风险等级进行划分，确定评价等级集合N；
B2.构建食品风险评价物元Rx；
式中Nx表示待评价的食品样本x的评价等级；C为选取的评价指标集合；V为评价指标的检测值集合；c1，c2，...，cn是选取的n个评价指标；v1，v2，...，vn是n个评价指标的检测值；
B3.计算经典域与节域物元矩阵；
1)经典域物元矩阵Roj表示为：
式中Roj为第j个评价等级下的经典域物元，Noj为表示划分的第j个评价等级，vojk＝(dojk，eojk)为第j个评价等级下评价指标ck的检测值范围即经典域，其中dojk为检测值的最小值，eojk为检测值的最大值；
2)节域物元矩阵Rp表示为
式中Rp为节域物元，Np为划分的全部评价等级，vpk＝(dpk，epk)为评价指标ck在各评价等级下的检测值范围的并集即节域；
B4.确定关联函数计算单指标关联度；即待评价食品样本x的评价指标ck关于第j个评价等级的关联度kj(vxk)定义为：
其中，
式(5)中ρ(vxk，vojk)表示点vxk与有限区间vojk＝[doj，eoj]的距离，即待评价食品样本x评价指标ck的检测值与该指标在第j个评价等级下经典域有限区间的距离；式(6)中p(vxk，vpk)表示点vxk与有限区间vpk＝[dpk，epk]的距离，即待评价食品样本x评价指标ck的检测值与该指标检测值节域有限区间的距离；|vojk|＝|eojk-dojk|；
C.综合各指标关联度确定食品样本的风险等级，具体包括如下步骤：
C1.从评价指标集合C中确定危害最小的指标作为最优指标cB，危害最大的指标作为最劣指标cW；
C2.构建评价指标比较向量；
C3.计算最优指标权重集{wk|k＝1，2，...，n}，公式如式(7)所
式中wB表示指标cB的权重，wk表示指标ck的权重，aBk表示指标cB和指标ck的重要性之比，akW表示指标ck和指标cW的重要性之比；
C4.计算待评价食品样本x关于第j个评价等级的综合关联度Kj(Nx)为
其中，kj(vxk)为步骤B4中待评价食品样本x的评价指标ck关于评价等级j的关联度，wk为评价指标ck的权重，由式(8)依次对每个食品样本计算其关于各个评价等级的综合关联度，若
Kj(Nx)＝max[K1(Nx)，K2(Nx)，...，Km(Nx)] (9)
则待评价食品样本x属于评价等级j，其中m为评价等级的个数。
2.权利要求1所述的基于改进物元可拓模型的食品风险综合评价方法，其特征在于，步骤A中根据食品的污染物检出率、污染物毒性、污染物类别、污染物限量标准及摄入量选择代表性污染物作为食品的风险评价指标。
3.权利要求1所述的基于改进物元可拓模型的食品风险综合评价方法，其特征在于，步骤A中对原始数据的具体预处理做法包括：删除无用属性，保留样品编号、样品名称、样品类别、国别、检测项目、检测结果，标准化检测项目名称，规范化检测结果，以及统一检测结果的单位。
4.权利要求1所述的基于改进物元可拓模型的食品风险综合评价方法，其特征在于，步骤C中根据食品的污染物限量标准、污染物类别、污染物毒性、污染物检出率及摄入量，结合食品领域专家经验，选择最优指标和最劣指标。
5.权利要求1所述的基于改进物元可拓模型的食品风险综合评价方法，其特征在于，步骤C中采用1～9标度法进行两两比较，将最优指标与所有指标两两比较，将最劣指标与所有指标两两比较，构建比较向量AB＝{aB1，aB2，...，aBk，...，aBn}和AW＝{a1W，a2W，...，akW，...，anW}，其中n表示评价指标的数量，aBk表示指标cB和指标ck的重要性之比，akW表示指标ck和指标cW的重要性之比，其中aBB和aWW皆为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111191176.6A CN113887978B (zh) | 2021-10-13 | 2021-10-13 | 一种基于改进物元可拓模型的食品风险综合评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111191176.6A CN113887978B (zh) | 2021-10-13 | 2021-10-13 | 一种基于改进物元可拓模型的食品风险综合评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113887978A CN113887978A (zh) | 2022-01-04 |
| CN113887978B true CN113887978B (zh) | 2024-05-31 |
Family
ID=79002579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111191176.6A Active CN113887978B (zh) | 2021-10-13 | 2021-10-13 | 一种基于改进物元可拓模型的食品风险综合评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887978B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115112407A (zh) * | 2022-08-29 | 2022-09-27 | 中大智能科技股份有限公司 | 一种食品检测用样品采集方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610285A (zh) * | 2019-07-22 | 2019-12-24 | 中南大学 | 一种地下金属矿采空区危险度分级评价方法 |
| CN112766739A (zh) * | 2021-01-22 | 2021-05-07 | 北京工商大学 | 一种基于bwm-e模型的肉制品中重金属污染评价方法 |
-
2021
- 2021-10-13 CN CN202111191176.6A patent/CN113887978B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610285A (zh) * | 2019-07-22 | 2019-12-24 | 中南大学 | 一种地下金属矿采空区危险度分级评价方法 |
| CN112766739A (zh) * | 2021-01-22 | 2021-05-07 | 北京工商大学 | 一种基于bwm-e模型的肉制品中重金属污染评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 物元可拓法用于南京城市绿地土壤重金属污染评价;张俊叶;刘晓东;庞少东;俞元春;;环境科学研究;20180915(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113887978A (zh) | 2022-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111666269B (zh) | 食品安全大数据自动编码与全链条溯源体系 | |
| CN106599065B (zh) | 一种基于Storm分布式框架的食品安全网络舆情预警系统 | |
| Sakthivel et al. | Application of failure mode and effect analysis in manufacturing industry-an integrated approach with FAHP-fuzzy TOPSIS and FAHP-fuzzy VIKOR | |
| CN113762764B (zh) | 一种进口食品安全风险自动分级与预警系统及方法 | |
| CN106549826A (zh) | 智能变电站交换机网络性能测试评估方法 | |
| CN109238740B (zh) | 一种基于整车质量和体积的汽车滑行阻力综合评价方法 | |
| CN113887978B (zh) | 一种基于改进物元可拓模型的食品风险综合评价方法 | |
| Riaz et al. | TOPSIS, VIKOR and aggregation operators based on q-rung orthopair fuzzy soft sets and their applications | |
| CN112381364A (zh) | 一种食品质量抽检的综合评价方法 | |
| Zhang | Food safety risk intelligence early warning based on support vector machine | |
| Shekhovtsov et al. | Do distance-based multi-criteria decision analysis methods create similar rankings? | |
| CN111860775A (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
| CN112766739B (zh) | 一种基于bwm-e模型的肉制品中重金属污染评价方法 | |
| Samanlioglu et al. | A fuzzy AHP-VIKOR approach for evaluation of educational use simulation software packages | |
| CN113159546A (zh) | 无监督降维密度聚类的农作物供应链危害物风险判断方法及系统 | |
| CN114862531A (zh) | 一种基于深度学习的企业财务风险预警方法及系统 | |
| CN114186753A (zh) | 一种基于fta-bn的食品安全风险预测算法 | |
| CN112667911A (zh) | 一种利用社交软件大数据找寻潜在客户的方法 | |
| Luo | Application of BP neural network in economic management of coastal area | |
| CN115375077A (zh) | 基于毕达哥拉斯模糊赋权法的海底管道失效风险评价方法 | |
| Carratú et al. | A novel IVS procedure for handling Big Data with Artificial Neural Networks | |
| Ruan et al. | A decision-making framework based on the Fermatean hesitant fuzzy distance measure and TOPSIS | |
| Sakthivel et al. | A novel approach for failure mode and effect analysis in propeller shaft manufacturing industry using fuzzy analytic hierarchy process and GRA VIKOR | |
| Fang et al. | Passive public participation mechanism for construction project decision based on mobile internet | |
| CN117540277B (zh) | 一种基于WGAN-GP-TabNet算法的井漏预警方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |