張 彪，胡晨鈺，李 晶

（昆明理工大學(xué)管理與經(jīng)濟學(xué)院，云南昆明 650500）

0 引言

中國作為一個農(nóng)業(yè)大國，農(nóng)業(yè)是國民經(jīng)濟的根本，而“三農(nóng)問題”一直是我國國民經(jīng)濟發(fā)展所面臨的重要挑戰(zhàn)。2021 年是“十四五”開局之年，《2020 年農(nóng)產(chǎn)品質(zhì)量安全工作要點》中明確指出各企業(yè)要提升監(jiān)管能力，完善質(zhì)量監(jiān)管體系，防范質(zhì)量安全隱患，穩(wěn)步提升農(nóng)產(chǎn)品質(zhì)量安全水平，做好農(nóng)產(chǎn)品質(zhì)量安全工作對于實施鄉(xiāng)村振興戰(zhàn)略具有特殊且重要的意義［1］。與一般的農(nóng)產(chǎn)品相比，地理標志農(nóng)產(chǎn)品在其原產(chǎn)地獨特的氣候和特殊的土壤條件等自然生態(tài)環(huán)境以及長期沉淀的歷史人文因素影響下，形成了自己獨特的品質(zhì)和特征。然而，近些年來頻頻爆出地理標志農(nóng)產(chǎn)品質(zhì)量安全事故，如贛南臍橙染色事件、五常大米香精事件、金華火腿敵敵畏事件等讓人瞠目結(jié)舌［2］。這些事故足以表明當前我國在地理標志農(nóng)產(chǎn)品質(zhì)量安全方面存在著明顯問題，嚴重破壞了地理標志農(nóng)產(chǎn)品的品牌效益與市場信譽，阻礙了農(nóng)業(yè)的規(guī)?；c產(chǎn)業(yè)化發(fā)展。云南省作為地理標志農(nóng)產(chǎn)品大省，截至2021 年，擁有地理標志農(nóng)產(chǎn)品86 個［3］。因此，對地理標志農(nóng)產(chǎn)品的質(zhì)量安全風(fēng)險進行評估與預(yù)警，對于降低農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險，保證品牌影響力具有重要意義。

很多學(xué)者在農(nóng)產(chǎn)品質(zhì)量安全相關(guān)理論與實踐方面進行了大量探索，尤其是在地理標志農(nóng)產(chǎn)品品牌建設(shè)、農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險因素研究、農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險評估等方面取得了豐碩成果。學(xué)者們大多基于不同視角，采用不同方法展開研究。在農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險評估方法方面，可分為單一風(fēng)險因子評估和多指標綜合評價［4］。在單一風(fēng)險因子評估中，影響農(nóng)產(chǎn)品質(zhì)量安全的主要來源是化學(xué)性污染和生物性污染。齊艷麗等［5］對玉米及其秸稈中殘留的戊唑醇和吡唑醚菌酯進行風(fēng)險評估，并針對玉米生產(chǎn)中農(nóng)藥的安全使用提出建議；何祥祥等［6］通過評估草莓的革蘭氏陰性細菌、霉菌等微生物污染情況，為控制草莓微生物數(shù)量和開發(fā)殺菌抑菌技術(shù)提供了參考。但由于單一風(fēng)險因子的評估因子較為單一且多用于化學(xué)、生物等自然科學(xué)領(lǐng)域，因此社會學(xué)科相關(guān)研究大多使用多指標綜合評價法。多指標綜合評價常用方法有：模糊評價法、Logistic 回歸模型、人工神經(jīng)網(wǎng)絡(luò)法等。祁南南［7］建立了靜態(tài)模糊綜合評價模型來評估水果質(zhì)量安全風(fēng)險，雖能夠有效判斷水果的風(fēng)險等級，但計算復(fù)雜，指標權(quán)重的確立缺乏依據(jù)；張東玲等［8］提出基于Logistic 回歸方程模型的農(nóng)產(chǎn)品質(zhì)量風(fēng)險評估方法，并對風(fēng)險進行了判別，但其可輸入的指標數(shù)量過少，很難擬合出數(shù)據(jù)的真實分布；陳婷婷［9］基于BP 神經(jīng)網(wǎng)絡(luò)建立肉制品冷鏈物流質(zhì)量風(fēng)險評估模型，并對風(fēng)險等級進行分類，但算法的學(xué)習(xí)速度較慢，且訓(xùn)練精度較低。因此，本文擬采用的評估模型為RF-DBN 模型，主要原因有：①RF 因具有強大的特征抽取和表達能力，被廣泛用于高維、海量數(shù)據(jù)的降維處理，去除冗余特征，防止過擬合現(xiàn)象出現(xiàn)；②DBN 模型前期采用無監(jiān)督學(xué)習(xí)，最后一層采用反向傳播神經(jīng)網(wǎng)絡(luò)自頂向下有監(jiān)督地微調(diào)整個模型，減少前向無監(jiān)督學(xué)習(xí)的整體誤差，使網(wǎng)絡(luò)結(jié)構(gòu)達到最優(yōu)。通過樣本數(shù)據(jù)的輸入，不斷學(xué)習(xí)并改進網(wǎng)絡(luò)模型權(quán)值，能夠減少人為主觀性對結(jié)果造成的影響。

國內(nèi)外學(xué)者在地理標志農(nóng)產(chǎn)品品牌建設(shè)及發(fā)展相關(guān)理論與實踐方面取得了豐碩成果，但在地理標志農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險評估及預(yù)警方面的研究仍存在很大的提升空間，如構(gòu)建系統(tǒng)性的質(zhì)量安全風(fēng)險指標，而非采用單一性評價指標等。鑒于此，本文以云南普洱茶為例，運用全面質(zhì)量管理中“人、機、料、法、環(huán)”5 要素，建立地理標志農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險指標評估體系，再運用隨機森林模型對指標體系進行降維，最終構(gòu)建云南省地理標志農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險評估及預(yù)警的RF 和DBN 模型，并進行實證研究。

1 地理標志農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險評價指標體系構(gòu)建

1.1 評價依據(jù)及分析

全面質(zhì)量管理是指一種以產(chǎn)品質(zhì)量為核心，全員參與以實現(xiàn)對產(chǎn)品進行有效質(zhì)量控制和質(zhì)量改進的管理體系，其中“人、機、料、法、環(huán)”是全面質(zhì)量管理理論中影響產(chǎn)品質(zhì)量的主要因素。因此，本文擬從供應(yīng)鏈角度出發(fā)，結(jié)合上述5 個因素對地理標志農(nóng)產(chǎn)品在種植、加工、物流和銷售4個階段的質(zhì)量安全風(fēng)險因素進行分析，具體如下：

（1）種植階段質(zhì)量安全風(fēng)險。與一般農(nóng)產(chǎn)品相比，地理標志農(nóng)產(chǎn)品獨特的品質(zhì)和特征大多來源于原產(chǎn)地特有的氣候與特殊的土壤條件。在種植階段，“人”的因素可分為種植人員的種植經(jīng)驗和種植技能培訓(xùn)水平，若種植人員缺乏種植知識及相關(guān)技能，則可能導(dǎo)致其在設(shè)備操作、病蟲害防治等對專業(yè)性要求較高的操作中出現(xiàn)問題，影響地理標志農(nóng)產(chǎn)品質(zhì)量安全；“機”的因素可分為農(nóng)產(chǎn)品種植機械化水平和農(nóng)產(chǎn)品質(zhì)量檢測設(shè)備水平，種植機械化設(shè)備的缺乏將直接導(dǎo)致地理標志農(nóng)產(chǎn)品生產(chǎn)效率低下，產(chǎn)量較低，質(zhì)量水平參差不齊；“料”的因素主要包括地理標志農(nóng)產(chǎn)品種苗選擇及農(nóng)藥、化肥使用情況，不同品質(zhì)的種苗會生長成不同質(zhì)量的農(nóng)產(chǎn)品，若濫用農(nóng)藥和化肥，將會在農(nóng)產(chǎn)品內(nèi)部殘留有害物質(zhì)，影響其質(zhì)量安全；“法”的因素主要包括病蟲害防治方法和地理標志農(nóng)產(chǎn)品采摘方法，不同方法也會導(dǎo)致不同的質(zhì)量問題；“環(huán)”的因素包括地理標志農(nóng)產(chǎn)品生長環(huán)境和灌溉水質(zhì)，地理標志農(nóng)產(chǎn)品的生長對種植環(huán)境和水質(zhì)要求較高，這些都會對產(chǎn)品造成安全隱患。

（2）加工階段質(zhì)量安全風(fēng)險。對地理標志農(nóng)產(chǎn)品采摘之后進行初加工，可增加其附加值，提升產(chǎn)品在市場上的競爭力和價格水平。在加工階段，“人”的因素主要包括工作人員從業(yè)資質(zhì)和知識技能培訓(xùn)水平，地理標志農(nóng)產(chǎn)品獨特的加工工藝也是其具有特殊品質(zhì)的原因之一，因此工作人員需要具有專業(yè)的加工知識和技能；“機”的因素主要包括加工機器自動化程度和加工成品檢測設(shè)備情況，在加工過程中，機器的自動化水平會直接影響產(chǎn)品的標準化，若使用劣質(zhì)的加工設(shè)備和質(zhì)量檢測設(shè)備，會導(dǎo)致加工工藝不完善，質(zhì)量不合格；“料”的因素主要包括原材料新鮮程度和食品添加劑情況，在加工中使用變質(zhì)的原材料或大量防腐劑和食品添加劑會影響農(nóng)產(chǎn)品質(zhì)量安全；“法”的因素主要包括地理標志農(nóng)產(chǎn)品獨特的加工工藝和溫濕度控制技術(shù)；“環(huán)”的因素主要包括加工場所環(huán)境和倉庫環(huán)境，地理標志農(nóng)產(chǎn)品對溫度、濕度的敏感度較高，過濕或溫度過高極易導(dǎo)致其發(fā)霉變質(zhì)。此外，倉庫不衛(wèi)生也會增加其質(zhì)量安全隱患。

（3）物流階段質(zhì)量安全風(fēng)險。地理標志農(nóng)產(chǎn)品在物流階段產(chǎn)生質(zhì)量安全風(fēng)險主要來源于運輸過程中的存儲問題和其包裝產(chǎn)生的安全隱患?！叭恕钡囊蛩刂饕獮楣ぷ魅藛T缺乏存儲經(jīng)驗造成的質(zhì)量安全隱患；“機”的因素主要為質(zhì)量檢測設(shè)備情況，由于地理標志農(nóng)產(chǎn)品具有保質(zhì)期短、易變質(zhì)的特點，若無法及時清理破損、變質(zhì)的農(nóng)產(chǎn)品，會威脅其質(zhì)量安全；“料”的因素主要包括地理標志農(nóng)產(chǎn)品最終銷售成品質(zhì)量和農(nóng)產(chǎn)品外部包裝材質(zhì)質(zhì)量；“法”的因素主要包括包裝技術(shù)和溫濕度控制技術(shù)，因包裝不當導(dǎo)致微生物含量超標等會造成安全隱患；“環(huán)”的因素主要包括倉庫存儲環(huán)境和運輸環(huán)境，嚴格監(jiān)控物流階段的環(huán)境衛(wèi)生情況可大幅降低農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險［4］。

（4）銷售階段質(zhì)量安全風(fēng)險。地理標志農(nóng)產(chǎn)品不同于一般農(nóng)產(chǎn)品具有流動銷售的特點，因此無法輕易辨別其質(zhì)量，但與一般農(nóng)產(chǎn)品類似，地理標志農(nóng)產(chǎn)品具有易變質(zhì)、難儲存的特點。因此，在銷售階段，“人”的因素主要為工作人員存儲經(jīng)驗；“機”的因素為質(zhì)量檢測設(shè)備情況，如果商品質(zhì)量檢驗水平不高，難以剔除出已變質(zhì)、損耗的產(chǎn)品，則會造成質(zhì)量安全風(fēng)險；“料”的因素主要為商品質(zhì)量水平，需要從商品的源頭控制其質(zhì)量安全風(fēng)險；“法”的因素主要包括產(chǎn)品冷藏保鮮技術(shù)及商品標識與可追溯管理水平；“環(huán)”的因素主要包括倉庫存儲環(huán)境和銷售場所環(huán)境，需要從產(chǎn)品存儲到銷售環(huán)節(jié)都保證其質(zhì)量安全。

為更清晰地描述“人、機、料、法、環(huán)”5 要素與種植、加工、物流、銷售4 階段之間的關(guān)系，系統(tǒng)化地繪制質(zhì)量安全風(fēng)險體系魚骨圖如圖1所示。

Fig.1 Quality and safety risk analysis fish bone map圖1 質(zhì)量安全風(fēng)險分析魚骨圖

1.2 質(zhì)量安全風(fēng)險評估指標收集

目前，關(guān)于農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險評估指標構(gòu)建的研究成果豐富，本文的主要研究對象是地理標志農(nóng)產(chǎn)品，其本身就屬于農(nóng)產(chǎn)品范疇，因此在指標構(gòu)建上可參考農(nóng)產(chǎn)品質(zhì)量安全相關(guān)文獻來確定。運用文獻收集法對農(nóng)產(chǎn)品質(zhì)量安全評估體系指標進行初步的收集與選取，查找國內(nèi)外關(guān)于農(nóng)產(chǎn)品質(zhì)量安全評估體系的相關(guān)文獻，最后選取了10篇文獻資料，具體如表1所示。

1.3 質(zhì)量安全風(fēng)險評估指標體系構(gòu)建

首先，采用文獻收集法對質(zhì)量安全風(fēng)險因素進行收集與歸納，建立質(zhì)量安全風(fēng)險評估體系；其次，運用專家打分法，邀請7 名質(zhì)量風(fēng)險管理領(lǐng)域的專家，對質(zhì)量安全風(fēng)險評估體系進行論證與篩選；最終，確定地理標志農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險評估體系，其中包含4 個二級指標，34 個三級指標，具體如表2所示。

2 地理標志農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險評估模型構(gòu)建

2.1 隨機森林模型

2.1.1 模型簡介

隨機森林（Random Forests，RF）通常又稱為組合決策樹，其是通過集成學(xué)習(xí)思想將多個決策樹集成的一種算法，因其具有強大的特征抽取與表達能力，被廣泛用于高維、海量數(shù)據(jù)的降維處理。隨機森林的基本原理是從初始訓(xùn)練集M 中隨機且有放回地抽取m 個訓(xùn)練樣本，抽取出的每個訓(xùn)練樣本便是一棵決策樹（弱分類器），m 個樣本便組成了隨機森林。

Table 1 Information on indicators of agricultural product quality and safety evaluation system表1 農(nóng)產(chǎn)品質(zhì)量安全評價體系指標資料

Table 2 Quality and safety risk assessment system表2 質(zhì)量安全風(fēng)險評估體系

2.1.2 模型構(gòu)建

本文采用隨機森林模型對指標體系進行降維，對各個指標特征的重要性進行評估，計算隨機森林中每棵決策樹上的特征作了多少貢獻，依據(jù)特征重要性剔除相應(yīng)比例的特征，選擇最優(yōu)特征并對指標重要性進行排序，最終篩選出對結(jié)果影響較大的指標實現(xiàn)數(shù)據(jù)降維。本文采用隨機森林模型對影響地理標志農(nóng)產(chǎn)品質(zhì)量的安全風(fēng)險因素重要性進行排序，篩選掉對地理標志農(nóng)產(chǎn)品質(zhì)量安全影響較小的指標因素。RF 結(jié)構(gòu)如圖2所示。

Fig.2 RF structure圖2 RF結(jié)構(gòu)

2.2 深度置信網(wǎng)絡(luò)模型

2.2.1 模型簡介

深度置信網(wǎng)絡(luò)（Deep Belief Networks，DBN）是2006 年由“深度學(xué)習(xí)之父”Hinton 提出的深度學(xué)習(xí)模型，其是一個將概率統(tǒng)計學(xué)與機器學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)相融合的概率生成模型。深度置信網(wǎng)絡(luò)是由若干個受限玻爾茲曼機（Re?stricted Boltzmann Machines，RBM）元件堆疊而成，通過不斷從底層特征中提取出抽象的高層特征后進行分類，具有良好的學(xué)習(xí)能力。單層RBM 是包含一層可視層v 和一層隱藏層h 的無向圖模型，且層內(nèi)的單元之間不存在連接。RBM 結(jié)構(gòu)如圖3所示。

Fig.3 RBM structure圖3 RBM結(jié)構(gòu)

首先，在RBM 訓(xùn)練過程中，利用對比散度（Contrastive Divergence，CD）算法進行參數(shù)更新，使得訓(xùn)練樣本的概率達到最大。每一層RBM 經(jīng)過多次迭代訓(xùn)練均得到初始化權(quán)值參數(shù)，形成無監(jiān)督的DBN 網(wǎng)絡(luò)。然后，采用BP 算法將最后一層RBM 的輸出值作為輸入值，自頂向下有監(jiān)督地微調(diào)整個模型，減少前向無監(jiān)督學(xué)習(xí)的整體誤差，達到最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)。最后，將得到的特征矩陣輸入softmax 分類器中，利用隨機梯度下降（Stochastic Gradient Descent，SGD）算法對損失函數(shù)進行優(yōu)化，最終達到分類的目的。

2.2.2 模型構(gòu)建

本文將收集的數(shù)據(jù)集按照8∶2 的比例劃分為訓(xùn)練集和測試集，利用訓(xùn)練集訓(xùn)練RBM 模型，確定模型初始權(quán)值，將最后一層RBM 的輸出值當作BP 神經(jīng)網(wǎng)絡(luò)的輸入層，對模型進行有監(jiān)督的調(diào)優(yōu)。softmax 分類器在微調(diào)后對地理標志農(nóng)產(chǎn)品的質(zhì)量安全風(fēng)險進行判別分類，并輸出風(fēng)險等級。之后利用測試樣本集檢驗DBN 模型分類效果，并將此模型用于地理標志農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險分類與識別。DBN 模型結(jié)構(gòu)如圖4所示。

Fig.4 DBN structure圖4 DBN結(jié)構(gòu)

3 實證分析

3.1 數(shù)據(jù)收集

普洱茶作為云南省的地理標志農(nóng)產(chǎn)品，在省內(nèi)被普遍種植，尤其位于瀾滄江中下游地區(qū)的普洱市茶區(qū)、西雙版納茶區(qū)、臨滄茶區(qū)三大茶區(qū)更是貢獻了90%以上的普洱茶原料。本文為驗證模型，將選取300 個普洱茶企業(yè)，對其普洱茶質(zhì)量安全風(fēng)險等級進行評價。將其風(fēng)險評價等級分為5 級，最低風(fēng)險為1 級，最高風(fēng)險為5 級。然后邀請7位質(zhì)量安全風(fēng)險評估專家，根據(jù)企業(yè)相關(guān)情況采用問卷形式對指標體系進行打分，分數(shù)范圍為0～10。分數(shù)越接近10，代表該指標的情況越優(yōu)異，所對應(yīng)的風(fēng)險越低，如表3所示。最后根據(jù)得到的數(shù)據(jù)構(gòu)建風(fēng)險矩陣表。

Table 3 Risk rating table表3 風(fēng)險等級表

通過多輪匿名方式征詢質(zhì)量安全風(fēng)險評估專家意見，不斷反饋、調(diào)整并綜合多數(shù)專家的主觀經(jīng)驗和判斷，統(tǒng)計、處理、分析專家意見，對選取的300 家普洱茶企業(yè)的34 個普洱茶質(zhì)量安全風(fēng)險指標等級進行客觀、合理估算，最終得到300 份普洱茶質(zhì)量安全風(fēng)險指標體系調(diào)查數(shù)據(jù)。將收集得到的專家打分數(shù)據(jù)進行歸一化處理，得到最終影響云南普洱茶質(zhì)量安全風(fēng)險的指標體系數(shù)據(jù)。

3.2 基于RF的指標降維

將RF 模型導(dǎo)入影響云南普洱茶質(zhì)量安全風(fēng)險的指標體系數(shù)據(jù)，借助Python 軟件得到34個影響因素的重要性分布，如圖5所示。

Fig.5 Indicator importance distribution map圖5 指標重要性分布圖

為更直觀地觀察數(shù)據(jù)，將各個指標的重要性數(shù)據(jù)匯總成表格，如表4 所示。通過對表4 中的指標重要性進行分析，可得出：①重要性指數(shù)最高的指標。最重要的因素是倉庫存儲環(huán)境情況，重要性指數(shù)為0.11。茶葉需嚴格控制存儲的溫度、濕度以保證其口感、色澤等，因此物流期間的倉庫存儲環(huán)境對于保證茶葉質(zhì)量至關(guān)重要；②重要性指數(shù)達到0.09～0.1 區(qū)間的指標。在此區(qū)間的指標包括加工場所環(huán)境、物流階段成品質(zhì)量檢測設(shè)備和銷售階段商品質(zhì)量檢測設(shè)備情況。普洱茶的加工工序較為繁瑣，對加工環(huán)境要求較為嚴苛，因此對加工場所環(huán)境的嚴格把控會提高普洱茶加工質(zhì)量。物流過程中的頻繁裝卸會給茶葉帶來一定損傷，采用良好的茶葉質(zhì)檢設(shè)備可規(guī)避質(zhì)量風(fēng)險，而銷售階段作為供應(yīng)鏈的最后一環(huán)，采用良好的茶葉質(zhì)檢設(shè)備更顯得尤為重要；③重要性指數(shù)達到0.07～0.8 區(qū)間的指標。在此區(qū)間的指標包括銷售管理人員存儲經(jīng)驗和農(nóng)產(chǎn)品加工工藝。若銷售管理人員對茶葉的存儲經(jīng)驗不足，將會導(dǎo)致普洱茶變質(zhì)，不同的加工工藝也會大幅影響茶葉的風(fēng)味和口感，從而影響其質(zhì)量；④重要性指數(shù)在0.06～0.07區(qū)間的指標。在此區(qū)間的指標包括工作人員種植經(jīng)驗、運輸環(huán)境、生長環(huán)境及加工人員知識技能培訓(xùn)情況。種植階段工作人員的種植經(jīng)驗和茶葉生長環(huán)境將直接影響到茶葉原材料質(zhì)量，良好的運輸環(huán)境可減少因碰撞或溫濕度變化帶來的茶葉破碎或變質(zhì)。普洱茶的加工工藝特殊，因此需要對加工人員進行技能培訓(xùn)，才能保證生產(chǎn)出符合質(zhì)量的茶葉；⑤重要性指數(shù)在0.05～0.06 之間的指標。在此區(qū)間的指標為農(nóng)產(chǎn)品采摘方式、倉庫存儲環(huán)境及食品添加劑超標情況。茶葉采摘方式分為機器和人工兩種，人工采摘的茶葉質(zhì)量較高，而加工階段的倉庫存儲情況則確保從原葉、半成品到成品不會因存儲不當而變質(zhì)。若食品添加劑過量，將會對人體造成嚴重影響，也必須重視。

Table 4 Indicator importance table表4 指標重要性表

通過對表4 的進一步分析，可得出重要性指數(shù)超過0.05 的指標共有13 個，分別為：倉庫存儲環(huán)境情況（C6）、加工場所環(huán)境情況（B9）、成品質(zhì)量檢測設(shè)備（C2）、商品質(zhì)量檢測設(shè)備（D2）、銷售管理人員存儲經(jīng)驗（D1）、農(nóng)產(chǎn)品加工工藝（B7）、工作人員種植經(jīng)驗（A1）、運輸環(huán)境情況（C7）、生長環(huán)境情況（A9）、人員知識技能培訓(xùn)（B2）、農(nóng)產(chǎn)品采摘方式（A8）、倉庫存儲環(huán)境情況（B10）、食品添加劑超標情況（B6）。由于其余21 個指標的重要性指數(shù)不足0.01，與上述13 個指標相比重要性較低，因此選取這13 個指標對本文分類模型進行訓(xùn)練，探尋各影響因素與普洱茶質(zhì)量安全風(fēng)險等級之間的關(guān)系。降維后得到質(zhì)量安全風(fēng)險評估體系，如表5所示。

3.3 基于DBN的風(fēng)險評估分析

在以上運用RF 降維之后選取的樣本中，將其中80%的樣本數(shù)據(jù)用于訓(xùn)練，剩余20%用于測試，并匯總出相應(yīng)等級的訓(xùn)練集和測試集數(shù)量，如表6所示。

Table 5 Quality and safety risk assessment system after dimension re?duction表5 降維后的質(zhì)量安全風(fēng)險評估體系

Table 6 Sample distribution表6 樣本分布情況

根據(jù)3.2 中降維后的指標體系，可確定模型的輸入層有13 個神經(jīng)元，輸出層有5 個神經(jīng)元，即等級1、等級2、等級3、等級4和等級5。本文根據(jù)得到的樣本數(shù)據(jù)對DBN 模型參數(shù)不斷進行調(diào)整優(yōu)化，分別選用兩個RBM 模型進行堆疊，其隱含層中的神經(jīng)元個數(shù)依次為50、35 個，并設(shè)RBM 前向?qū)W習(xí)率為0.01。根據(jù)訓(xùn)練樣本測試不同迭代次數(shù)對DBN 模型精度的影響，不同迭代次數(shù)的DBN 精度如圖6所示。

Fig.6 DBN accuracy for different iterations圖6 不同迭代次數(shù)的DBN精度

由圖6 可以得出，在迭代次數(shù)小于170 次時，模型精度隨著迭代次數(shù)的增加而增加。當?shù)螖?shù)為170 次時，精度達到最高為96.67%；當?shù)螖?shù)為180 次時，模型處于過擬合狀態(tài)，所以精度略有下降，且增加了迭代時間。因此，本文選擇迭代次數(shù)為170次。

接下來將全部數(shù)據(jù)輸入上述調(diào)整好的DBN 模型中，DBN 模型預(yù)測結(jié)果如圖7 所示。由圖7 可知，在普洱茶的質(zhì)量安全風(fēng)險分類中，實際分類結(jié)果與模型分類預(yù)測結(jié)果相差不大。

Fig.7 DBN model prediction results圖7 DBN模型預(yù)測結(jié)果

分類預(yù)測匯總結(jié)果如表7 所示。由表7 可知，從等級1到等級3，分類精度高達100%，而分類錯誤主要出現(xiàn)在等級4 和等級5 中，有兩組等級4 的樣本被錯分為等級5。該結(jié)果說明DBN 風(fēng)險評估模型對普洱茶的質(zhì)量安全風(fēng)險有較強的分類預(yù)測能力。

Table 7 Categorical predictions summary results表7 分類預(yù)測匯總結(jié)果

3.4 模型對比分析

反向傳播神經(jīng)網(wǎng)絡(luò)（BP）具有很強的非線性映射能力，是應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)，而支持向量機（SVM）是一種被廣泛應(yīng)用于數(shù)據(jù)分類問題的監(jiān)督學(xué)習(xí)算法。因此，為進一步驗證DBN 模型的可靠性，本文選取傳統(tǒng)機器學(xué)習(xí)算法中的BP 神經(jīng)網(wǎng)絡(luò)和SVM 分類器分別對普洱茶質(zhì)量安全風(fēng)險等級進行分類測試，并對測試結(jié)果進行對比。BP 神經(jīng)網(wǎng)絡(luò)選取3 層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，分別為輸入層、隱含層和輸出層。其中，輸入層和輸出層的神經(jīng)元數(shù)量與DBN 模型一致，分別為13 和5，且迭代次數(shù)為4 000 次，激活函數(shù)為Sig?moid 函數(shù)。在SVM 分類器中，設(shè)置內(nèi)核函數(shù)為RBF，懲罰系數(shù)為1，分類策略選擇“ovr（one versus rest）”，即一對多分類。3種模型分類結(jié)果比較如表8所示。

Table 8 Comparison of classification results of three models表8 3種模型分類結(jié)果比較

由表8可知，在測試樣本相同的情況下，可以得出：

（1）DBN 模型在普洱茶質(zhì)量安全風(fēng)險分類的60 個測試樣本中，可正確分類出58 個樣本，評估精度較高，可達96.67%，明顯優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)和SVM 分類器。該結(jié)果表明，DBN 模型可有效實現(xiàn)對地理標志農(nóng)產(chǎn)品質(zhì)量安全的風(fēng)險評估，且相較于BP 神經(jīng)網(wǎng)絡(luò)和SVM 分類器，該模型在質(zhì)量安全風(fēng)險等級評估與分類中具有一定優(yōu)越性。

（2）BP 神經(jīng)網(wǎng)絡(luò)模型在60 個測試樣本中，可正確分類出54 個樣本，評估精度一般，僅為90%。BP 神經(jīng)網(wǎng)絡(luò)只有輸入層、隱含層和輸出層3 層網(wǎng)絡(luò)結(jié)構(gòu)，對于復(fù)雜函數(shù)關(guān)系的學(xué)習(xí)與訓(xùn)練能力明顯低于深度神經(jīng)網(wǎng)絡(luò)DBN，所以其對普洱茶質(zhì)量安全風(fēng)險等級的評估結(jié)果一般。

（3）SVM 分類器在60 個測試樣本中，僅正確分類出46個樣本，評估精度較低，僅為85%。原因在于其最初設(shè)計為解決二值分類問題，因此在處理多分類問題時，只能間接構(gòu)造合適的多分類器，無法直接解決多分類問題，所以評估結(jié)果不理想。

4 結(jié)論與建議

近年來頻頻爆出地理標志農(nóng)產(chǎn)品質(zhì)量安全事故，嚴重破壞了地理標志農(nóng)產(chǎn)品的品牌效益與市場信譽，阻礙了農(nóng)業(yè)規(guī)?；?、產(chǎn)業(yè)化發(fā)展。本文充分利用深度學(xué)習(xí)在海量、高維數(shù)據(jù)中優(yōu)秀的特征學(xué)習(xí)與提取能力，將RF 和DBN 模型引入地理標志農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險評估。通過實證分析，相對于傳統(tǒng)方式，該模型具有較高的評估準確率。該研究結(jié)果為我國地理標志農(nóng)產(chǎn)品質(zhì)量評估方法的應(yīng)用提供了參考。但本文研究中也存在一些不足：①由于數(shù)據(jù)獲取和標量化的限制，本文只選取了部分影響地理標志農(nóng)產(chǎn)品質(zhì)量安全的因素，實際上仍存在大量未被提及的因素有待繼續(xù)研究；②本文采用專家打分法獲取調(diào)查數(shù)據(jù)，具有一定程度上的主觀性。

后續(xù)可從以下兩方面進行深入研究：①基于深度學(xué)習(xí)的地理標志農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險評估方法優(yōu)化。RF 和DBN 只是眾多機器學(xué)習(xí)算法的一個，還可進一步探索概率神經(jīng)網(wǎng)絡(luò)、無監(jiān)督學(xué)習(xí)等方法；②多種風(fēng)險評估方法的有機融合。任何單一的風(fēng)險評估方法都有自身的優(yōu)勢和局限，可通過組合評價方法充分發(fā)揮各方法的優(yōu)點，取長補短，從而提高風(fēng)險評估的準確度。