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食品，也是具有較高安全風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)管針對性和預見性提供了重要基礎數(shù)據(jù)。發(fā)達國家和地區(qū)基于食品安全監(jiān)管數(shù)據(jù)構建了成熟的食源性疾病、食品污染物等監(jiān)測與預警信息系統(tǒng)，包括國際食品安全當局網(wǎng)絡（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（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防。

目前，國內(nèi)對食品風險預警的手段限于數(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)中存在的問題進行分析和建模，可以更好地理解和識別不安全風險和因素，進而達到風險預警和預測的目的[5-7]。人工神經(jīng)網(wǎng)絡（artificial neural network，ANN）計算模型是基于生物神經(jīng)網(wǎng)絡結(jié)構和功能建立的具有學習和自適應性的計算模型，是管理系統(tǒng)仿真研究的重要方法[8-9]。目前已有學者建立了ANN簡化模型，進行食品安全預警研究和因素的擬合分析，開發(fā)了能夠識別食品生產(chǎn)供應鏈中檢測數(shù)據(jù)異常值的神經(jīng)網(wǎng)絡數(shù)學模型，進行及時監(jiān)控和預警[10]，或利用國內(nèi)有關農(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)絡算法構建模型和組合模型，指導實際的食品質(zhì)量安全抽樣工作[11]。基于BP（back propagation）神經(jīng)網(wǎng)絡的食品安全預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)樣本進行有效預測[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，運用IBM SPSS Modeler軟件構建基于肉與肉制品監(jiān)督抽檢各類屬性指標與不合格項目數(shù)據(jù)的3 層BP神經(jīng)網(wǎng)絡預測模型，重點分析當前肉類食品安全現(xiàn)狀與風險類型，并對模型進行有效性驗證，為我國肉類食品安全問題分析與風險預警提供理論依據(jù)，并為食品安全數(shù)據(jù)的進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、標準值、商標和規(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。“風干肉”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“風干腸”則記為“腌臘肉制品”，其余產(chǎn)品均依據(jù)相應產(chǎn)品包裝所標注的信息劃分產(chǎn)品細類。

2 肉類食品安全風險

2.1 微生物指標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?。┲笜瞬缓细窈褪称诽砑觿┎缓弦?guī)定的肉及肉制品占比分別達42.3%和24.9%。其中，熟肉制品面臨較高的微生物不合格風險。

由圖2可知，微生物指標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。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，主要風險包括單核細胞增生李斯特氏菌、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較高，尤其是在夏季生產(chǎn)的產(chǎn)品，由于可能會影響風味等原因，一些醬鹵肉制品及熟肉干制品沒有進行二次殺菌[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到要求，安全指標控制、冷鏈運輸條件未能滿足，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)不達標問題。酸價超標產(chǎn)品最多，共計18 批次，其中腌臘肉制品13 批次，占比達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58.3%，這些產(chǎn)品大多來自于網(wǎng)絡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)指標不合格產(chǎn)品，共計12 批次，其中熏煮香腸火腿制品占比達91.7%。蛋白質(zhì)、淀粉等指標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)原料把關不嚴有關[18]。

3 肉類食品監(jiān)督抽檢數(shù)據(jù)挖掘與預測模型

3.1 BP神經(jīng)網(wǎng)絡方法

BP神經(jīng)網(wǎng)絡是應用最廣泛的一類神經(jīng)網(wǎng)絡，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)量標準來判定某產(chǎn)品是否為不合格產(chǎn)品，在若干項檢測項目中，只要有1 項超過標準，該產(chǎn)品即被判定為不合格。神經(jīng)網(wǎng)絡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檢測結(jié)果，以達到利用已知的屬性信息預測食品安全風險、隱患和趨勢，挖掘肉品監(jiān)督抽檢數(shù)據(jù)并進行預警和快速反應的目的和效果。其核心學習過程主要包括數(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)絡善于進行數(shù)據(jù)分類及處理，即便原始訓練數(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，使預測結(jié)果足夠精確[20-23]。本研究構建的3 層食品監(jiān)督抽檢BP神經(jīng)網(wǎng)絡模型可以基于樣本反復訓練后確定BP神經(jīng)網(wǎng)絡的關鍵參數(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)準確分類到輸出層，從而得出預測目標變量結(jié)果及預測結(jié)果分類的重要性情況。

3.2 數(shù)據(jù)預處理

數(shù)據(jù)本身的結(jié)構和特點很大程度上影響B(tài)P神經(jīng)網(wǎng)絡模型的預測準確度，因而既需要選取恰當?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”等無效屬性。規(guī)格型號、檢驗結(jié)果、標稱生產(chǎn)企業(yè)地址等指標雖是有用信息，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)用于模型構建，則會導致小樣本類別預測效果較差的結(jié)果，而小樣本類別恰巧是需要關注的重點檢出指標。因此，在17832 條合格數(shù)據(jù)中，科學地抽出不合格與合格預混比例分別為1∶1（平衡肉類檢測數(shù)據(jù)）和1∶2的數(shù)據(jù)，以提高預測結(jié)果準確度。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)進行預混合后，作為構建模型的數(shù)據(jù)集，進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 食品安全預警數(shù)據(jù)分析模型的構建

使用IBM SPSS Modeler 14.1軟件構建BP神經(jīng)網(wǎng)絡模型。IBM SPSS Modeler是一個提供多種算法和技術的預測性分析平臺，能夠?qū)崿F(xiàn)數(shù)據(jù)的自動化準備、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。運用IBM SPSS Modeler軟件構建BP神經(jīng)網(wǎng)絡的過程包括：導入樣本數(shù)據(jù)并儲存在Excel表中、選擇類型節(jié)點與數(shù)據(jù)準備、選擇分區(qū)節(jié)點、選擇神經(jīng)網(wǎng)絡節(jié)點、生成模型、參數(shù)優(yōu)化、模型預測與分析[26-27]。本次模型構建首先將數(shù)據(jù)導入后，進行自動數(shù)據(jù)準備，樣本屬性均為名義變量。而人工神經(jīng)網(wǎng)絡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值的確定。此外，神經(jīng)網(wǎng)絡只能處理數(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，采用二進制碼將各變量編碼，使其符合神經(jīng)網(wǎng)絡的輸入要求。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%作為訓練集，用于訓練神經(jīng)網(wǎng)絡模型，20%的數(shù)據(jù)作為測試集，10%作為驗證集[30]。待模型構建完成后，測試集用于檢測模型的預測效果，驗證集用于調(diào)整模型參數(shù)。BP神經(jīng)網(wǎng)絡模型構建過程如圖7所示。

由訓練集生成的BP神經(jīng)網(wǎng)絡模型概要中，模型的目標變量為“是否合格”（“合格”或“不合格”）。構建多層感知器模型，多層感知器模型為前饋式網(wǎng)絡模型，模型使用的停止規(guī)則為“無法進一步降低誤差”，由于模型的訓練為不斷向樣本學習的過程，通過不斷調(diào)整網(wǎng)絡權值以得到較小的預測誤差。向所有樣本學習完畢后，如果預測誤差仍較大，需重新開始新的學習，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)絡模型為3 層神經(jīng)網(wǎng)絡，隱藏層中神經(jīng)元數(shù)量為5 個。預混比例1∶2分層抽樣數(shù)據(jù)得到的預測模型及模型概要如圖8所示，總預測準確度達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

對比預測結(jié)果準確度、分層抽樣結(jié)果及模型概要。由表3可知，雖然首先進行的平衡檢測數(shù)據(jù)（預混比例1∶1）抽樣過程得到的總體準確度（總體百分比矯正）為69.6%，而預混比例1∶2抽樣數(shù)據(jù)得到的總體準確度達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，預混比例1∶2抽樣數(shù)據(jù)的BP神經(jīng)網(wǎng)絡模型對于樣本不合格及合格的預測準確度非常高，因此對于此次網(wǎng)絡預測模型的構建宜采用預混比例1∶2的抽樣方式。

利用訓練集生成BP神經(jīng)網(wǎng)絡模型后，用測試集評價模型的預測準確性。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)絡模型的預測準確度非常高，對于實際結(jié)果為不合格的樣本，模型的預測準確度有所降低，但是仍有參考和應用價值。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)量遠大于不合格的樣本數(shù)量，導致神經(jīng)網(wǎng)絡學習時在大樣本分類中預測誤差較小，而在小樣本分類中預測效果稍顯欠缺。這一缺陷可通過進一步完善原始數(shù)據(jù)和對數(shù)據(jù)集做不平衡抽樣等深入預處理逐步改善。

根據(jù)得到的BP神經(jīng)網(wǎng)絡模型，可以得到各屬性變量對預測結(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)果進行初步分析認為，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，檢驗設備及能力不均衡，對不合格結(jié)果的預測影響較大，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和添加劑不合格指標影響較大。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，但運用BP神經(jīng)網(wǎng)絡分層篩選的數(shù)據(jù)仍具有一定代表性，產(chǎn)品不合格情況的基本預測與年份、甚至產(chǎn)品是否來自大型企業(yè)沒有很大關系。此外，較重要的變量還包括“產(chǎn)品類型”，從食品細類看，對于不合格樣本變量，肉制品各細類產(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)果預測的影響較大。

3.5 模型應用與建議

以上是以產(chǎn)品全部不合格樣本為研究對象所構建的模型，在實際應用中，可以進一步對所關注的指標進行預測，分別構建相應的BP神經(jīng)網(wǎng)絡模型，并將其作為樣品檢測前的參考，篩選出單個樣品需重點關注的檢驗項目。以樣品A為例，將其某一屬性指標導入已訓練生成的BP神經(jīng)網(wǎng)絡預測模型中，若預測結(jié)果為不合格或檢出，則應重點檢測該指標，若檢測結(jié)果為合格或未檢出，則應更換為BP神經(jīng)網(wǎng)絡模型預測的其他重點指標的檢出情況。由于該模型對于實際不合格樣本的錯判率為3.5%，故暫不建議當預測結(jié)果為未檢出時，直接將此項目免檢。運用此模型時，檢測人員可以通過樣本的屬性提前預測模型的可能檢出結(jié)果，有針對性地進行檢測，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，提升模型的預測效果后，也可以對預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)絡模型在“檢出”和“未檢出”樣品中的準確度，數(shù)據(jù)準備過程尤其重要。對于食品安全監(jiān)督抽檢神經(jīng)網(wǎng)絡模型數(shù)據(jù)準備的建議：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、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，應規(guī)范各項指標檢出值的記錄，對同一質(zhì)量標準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)間有效細分，進而完善模型，提高預測精確度。

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)的基礎上，梳理肉類食品安全的主要風險因素和問題產(chǎn)生的原因，并構建肉類食品安全監(jiān)督抽檢結(jié)果的BP神經(jīng)網(wǎng)絡預測模型。從不合格樣品來看，2015—2017年我國肉及肉制品微生物指標不合格風險較高，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)不達標產(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)絡預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預測得到初步應用驗證，肉類食品監(jiān)督抽檢數(shù)據(jù)的預測模型效果良好。產(chǎn)品各屬性變量對預測結(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)品的不合格風險更高。

建議今后一是重點加強湖南、四川、重慶等地區(qū)醬鹵肉制品添加劑和微生物指標以及腌臘肉制品不合格指標的抽檢監(jiān)測，科學制定實施肉品抽檢監(jiān)測計劃，適當提升西部和欠發(fā)達地區(qū)的肉品監(jiān)督抽檢與風險監(jiān)測水平；二是推進公眾食品質(zhì)量安全數(shù)據(jù)共享機制，加強政府官網(wǎng)、新聞媒體等多種形式的抽檢信息規(guī)范化公布，并通過構建肉品安全監(jiān)督抽檢數(shù)據(jù)庫對肉品不合格項目進行系統(tǒng)搜集、監(jiān)測和預警；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的預警模型系統(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警模型、畜禽內(nèi)臟中金屬元素等污染物監(jiān)測預警模型、醬鹵肉制品中山梨酸添加劑超標預測模型及廣東腌臘肉制品不合格指標預測模型等；四是有效記錄檢測樣品信息，規(guī)范各項指標檢出結(jié)果與原始值，提高模型系統(tǒng)預測精確度，實現(xiàn)重點地區(qū)、重點項目的預測預警，為推進肉類食品安全檢測的科學性與靶向性提供數(shù)據(jù)平臺和技術手段。