CN114418600A

CN114418600A - 一种食品输入风险监测预警方法

Info

Publication number: CN114418600A
Application number: CN202210061681.7A
Authority: CN
Inventors: 李立; 韩世鹤; 王亚珅; 江逸楠; 李家琦; 杨洋
Original assignee: Chinese Academy of Inspection and Quarantine CAIQ; China Academy of Electronic and Information Technology of CETC
Current assignee: Chinese Academy of Inspection and Quarantine CAIQ; China Academy of Electronic and Information Technology of CETC
Priority date: 2022-01-19
Filing date: 2022-01-19
Publication date: 2022-04-29
Anticipated expiration: 2042-01-19
Also published as: CN114418600B

Abstract

本发明属于食品安全技术领域，具体涉及一种食品输入风险监测预警方法。本发明的方法包括如下步骤：步骤1，获取区域内本地生产食品和外地输入食品的抽检合格批次和抽检不合格批次；步骤2，根据食品种类，估计该食品种类合格率的先验分布；步骤3，根据步骤1和步骤2得到的数据，利用经验贝叶斯估计得到本地生产食品和外地输入食品的后验合格率；步骤4，对步骤3得到的本地生产食品和外地输入食品的后验合格率进行检验，对后验合格率存在显著差异的食品种类和区域进行输入风险预警。本发明解决了输入食品抽检批次少，计算得到的合格率计算偏离真实合格率的问题，能够更加准确地得到食品输入风险的分析结果，具有很好的应用前景。

Description

一种食品输入风险监测预警方法

技术领域

本发明属于食品安全技术领域，具体涉及一种食品输入风险监测预警方法。

背景技术

食品安全风险预测预警是指通过对食品安全隐患的监测、追踪、量化分析、信息通报预报等，对潜在的食品安全问题及时发出警报，从而达到早期预防和控制食品安全事件，最大限度地降低损失，变事后处理为事先预警的目的。

食品安全风险预测预警目前受到全球许多国家重视，并在食品安全监管中发挥着重要作用。当前我国《食品安全法》中已明确食品安全工作要实行以预防为主、风险管理、全程控制、社会共治的原则，对开展食品安全风险预警工作也提出了明确规定，要求应当对食品安全状况进行综合分析并及时向社会公布食品安全风险预测警示。

在现有食品安全预警体系中，以地域(如某一省份)作为考察对象，考察本地食品以及其他地域输入食品的安全风险以及它们的差异是一个重要的考察项目。对了解食品安全风险的来源有着重要的意义。目前，分析输入食品安全的方法通常是根据输入食品的抽查检测结果中的不合格批次进行计算。

然而，输入食品的量通常远低于本地食品的量，因而抽查食品时，抽查到的输入食品的批次也远低于本地食品的批次。由于检测批次较少，计算得到的输入食品的不合格率相对于其真实值通常有一定的差异。而对于抽查合格率不高(即食品安全风险本身较大)的食品种类，这种差异的影响更加显著。这个问题导致输入食品的安全风险监测预警的准确性受到了较大的影响。

发明内容

针对现有技术的缺陷，本发明提供一种食品输入风险监测预警方法，目的在于更加准确地估计输入食品的不合格率，从而更好地预测食品输入风险。

一种食品输入风险监测预警方法，包括如下步骤：

步骤1，获取区域内本地生产食品和外地输入食品的抽检合格批次和抽检不合格批次；

步骤2，根据食品种类，估计该食品种类合格率的先验分布；

步骤3，根据步骤1和步骤2得到的数据，利用经验贝叶斯估计得到本地生产食品和外地输入食品的后验合格率；

步骤4，对步骤3得到的本地生产食品和外地输入食品的后验合格率进行检验，对后验合格率存在显著差异的食品种类和区域进行输入风险预警。

优选的，步骤3中，后验合格率的计算公式为：

后验合格率＝(a+α)/(a+b+α+β)，

其中：a为抽检合格批次，b为抽检不合格批次，合格率p＝a/(a+b)，合格率服从先验分布p～Beta(α,β)，α和β可根据贝塔分布Beta(α,β)得到。

优选的，步骤4中，所述检验的方法为两样本的贝塔检验。

优选的，所述区域的范围为省份、市或县。

本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述食品输入风险监测预警方法。

本发明还提供一种计算机可读存储介质，其上存储有用于实现上述食品输入风险监测预警方法的计算机程序。

本发明针对输入食品检测批次少，导致合格率可能偏离实际值的情况，提出了一种新的食品输入风险监测预警方法。通过使用经验贝叶斯的方法，对合格率的分布估计一个先验分布，使用此先验分布来估计后验分布，从而结合先验分布和本身观测的信息。本发明能够对输入食品进行的合格率进行更加准确的估计，从而更加准确地对食品输入风险进行监测预警，因而具有很好的应用前景。

显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。

以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。

附图说明

图1为试验例1中本省生产与外省输入合格率抽检批次散点图；

图2为试验例1中采用现有技术的方法分析得到的省外输入与本省生产风险差异；

图3为试验例1中采用本发明的方法分析得到的省外输入与本省生产风险差异。

具体实施方式

实施例1

本实施例提供一种食品输入风险监测预警方法，其包括如下步骤：

步骤1，获取区域内本地生产食品和外地输入食品的抽检合格批次和抽检不合格批次，本实施例中，区域的范围为省份。

步骤2，根据食品种类，估计该食品种类合格率的先验分布；

贝叶斯分析是利用先验或专家信息来估计参数的一类方法。该方法利用贝叶斯公式来更新参数的估计，使得参数估计更贴近实际情况。在抽检问题中，可以使用贝塔-二项模型进行建模。具体来讲，如果某个省份的某食品种类的合格批次数为a，不合格批次数为b，其合格率的估计为p＝a/(a+b)，设其合格批次数服从二项分布a～Binom(a+b,p)，合格率服从先验分布p～Beta(α,β)，Beta(α,β)即为贝塔分布。则合格率的后验分布为

p～Beta(a+α,b+β)

其均值为(a+α)/(a+b+α+β)。通俗来讲，在存在先验信息的情况下，可以将合格率估计值从a/(a+b)换成(a+α)/(a+b+α+β)。该方法的特点为，若总批次数(a+b)的值相比α+β的值过小，则合格率的估计会向食品种类的均值靠拢。隐含的信息即为若没有充足的检验批次，则可以部分的使用均值来进行替代。先验分布可以通过估计该类食品的多个省份的合格率的分布得到。

本实施例中，由于后验合格率服从贝塔分布，因此这里使用两样本的贝塔检验。若p值过小(本实施例中为p＜0.05)，则认为本省生产和省外输入的合格率存在显著性差异。

为了进一步说明本发明的技术方案，下面结合实例数据对本发明的技术方案作进一步说明。

试验例1食品输入风险监测预警实例

首先读入数据并计算各省市在2017年到2020年间，6个食品分类的本省和外来输入的抽样数、合格品数以及不合格品数。绘制横轴为抽样总数，纵轴为合格率，并且按照食品种类、输入与否和省份分组的散点图，如图1所示(注：为了示意明确，横轴经过了对数变换，纵轴经过了指数变换)。

为了作比较，首先采用现有技术的方法进行分析：可以直接对本省生产的合格批次数与不合格批次数与省外输入的样本做两样本费舍尔精确检验。因为这里的检验次数过多，故使用错误发现率方法来控制错误概率。若错误发现率的q值很小，则认为省外输入和本省生产的合格率存在差异。进一步比较省外输入和本省生产的合格率差值，就可以确定省外输入和本省生产的风险差异，如图2所示。

图中色块蓝移代表本省生产风险越大，红移代表省外输入风险越大。色块中的点代表省外输入风险和本省生产风险存在差异。从图中可以看出，种类2、种类6和种类5的风险差异很大，且更多的是本省风险大于省外风险。

在上述的分析中，可以看出食品抽样问题的一些特点，相比于本省生产的样本批次数，省外输入的批次数明显是偏少的，大部分省份和食品种类的省外输入的批次数不超过20次，而食品种类本身的合格率通常都稳定在97％以上，这就导致了省外输入的不合格品数大部分都是0。这会导致在分析过程中省外输入的合格率数值出现偏差，对分析结论的准确性产生影响。

为了解决这个问题，可以使用实施例1提供的经验贝叶斯的方法，对合格率的分布估计一个先验分布，使用此先验分布来估计后验分布，从而结合先验分布和本身观测的信息。取各食品种类下每个省的合格率值，并筛选总批次数大于40的情况。可以得到各食品种类合格率的一组观测值，使用矩估计的方法估计贝塔分布，形成先验分布的估计。下表为各食品种类贝叶斯参数的估计值和均值。

表1各食品种类贝叶斯参数的估计值和均值

食品种类	alpha	beta	均值
				种类1	162.250	0.492	0.997
种类2	23.754	0.307	0.987
				种类3	46.380	0.203	0.996
种类4	141.726	0.453	0.997
				种类5	139.029	2.087	0.985
种类6	53.118	2.929	0.948

可以注意到种类6的合格率偏小，其更容易受到批次数不均衡的影响。按照实施例1所述的方法，使用先验信息估计后验分布，做两样本的后验贝塔检验，计算q值并作图，结果如图3所示。

采用实施例1的方法得到的结论与现有技术得到的结论基本相同。但是考虑到这里使用的是贝塔-二项模型，在解释上略有不同。贝塔-二项模型的特点是当样本批次数过少时，其均值会向先验分布，也就是各品类的均值分布靠拢，这样也就表明了蓝色色块中显著的省份和品类，其合格率是要低于该品类的平均合格率的。从图中可以看出，种类2品类风险差异大，且本省风险更多的大于省外风险，也大于平均风险，种类6的风险差异也很大，但是种类6中省份22的省外风险要大于本省风险。

下表列出了10个有风险的省份\种类列表名单。表中统计了每个省份\食品种类的省内\外省输入的合格批次数情况，合格率与后验合格率，省内抽样和外省输入的合格率之差以及后验合格率之差。

表2有风险的省份\种类列表名单

表中的最后两列给出了贝塔分布估计的各品类的平均合格率，以及省内合格率是否高于平均合格率。可以看到，种类6的平均合格率为94.77％，在所有食品种类中偏低，而省份9、省份15的种类6合格率严重低于种类6的平均合格率，值得注意。种类2的平均合格率为98.72％，在所有食品种类中偏高，然而省份25、省份8、省份6的种类2合格率均低于97％，其中省份8情况尤为严重。种类5的平均合格率是98.52％，省份15的外省输入合格率低于此平均合格率，省份20的省内合格率低于平均合格率，然而省份20仅抽了8个样本，批次数偏少，很难证明1个不合格批次是不是由随机误差引起的。种类1的平均合格率是99.70％，省份15外抽样抽查了155个批次，其中有两个批次不合格，考虑到平均合格率太高，155个批次中出现两个不合格的概率很小，因此可以说这个结果是可信的。

通过上述实施例和试验例可以看到，本发明将经验贝叶斯估计的方法应用于食品输入风险监测预警，解决了输入食品抽检批次少，计算得到的合格率计算偏离真实合格率的问题，能够更加准确地得到食品输入风险的分析结果。因而，本发明具有很好的应用前景。

Claims

1.一种食品输入风险监测预警方法，其特征在于，包括如下步骤：

步骤2，根据食品种类，估计该食品种类合格率的先验分布；

2.按照权利要求1所述的食品输入风险监测预警方法，其特征在于：步骤3中，后验合格率的计算公式为：

后验合格率＝(a+α)/(a+b+α+β)，

3.按照权利要求1所述的食品输入风险监测预警方法，其特征在于：步骤4中，所述检验的方法为两样本的贝塔检验。

4.按照权利要求1-4任一项所述的食品输入风险监测预警方法，其特征在于：所述区域的范围为省份、市或县。

5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-4任一项所述的食品输入风险监测预警方法。

6.一种计算机可读存储介质，其特征在于：其上存储有用于实现权利要求1-4任一项所述的食品输入风险监测预警方法的计算机程序。