摘要：為明確傳統(tǒng)餐飲業(yè)食品安全問題的風(fēng)險因素，從源頭上找到治理問題的有效措施，首先通過構(gòu)建故障樹模型進(jìn)行風(fēng)險因素識別，利用故障樹的最小割集和結(jié)構(gòu)重要度對風(fēng)險因素進(jìn)行定性分析；其次將故障樹模型轉(zhuǎn)化成貝葉斯網(wǎng)絡(luò)，利用實例數(shù)據(jù)進(jìn)行結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)；利用BN的雙向推理能力進(jìn)行定量分析，最終從餐飲經(jīng)營者的角度給出各類型問題的敏感因素。結(jié)果表明：人員管理發(fā)生問題的概率最大；培訓(xùn)不足是發(fā)生食品安全事件的重要原因。

關(guān)鍵詞：食品安全；貝葉斯網(wǎng)絡(luò)；故障樹；風(fēng)險分析

中圖分類號： F280;TS201.6文獻(xiàn)標(biāo)識碼： A

收稿日期：2023-07-03；修回日期：2023-09-10

基金項目：教育部人文社會科學(xué)研究規(guī)劃基金（20YJA630018）

第一作者：劉文燕（1997-），女，河北張家口人，碩士，主要研究方向為應(yīng)用統(tǒng)計。

通信作者：高齊圣（1966-），男，山東濰坊人，博士，教授，主要研究方向為系統(tǒng)理論與數(shù)量經(jīng)濟(jì)。

Food Safety Risk Analysis of Traditional Catering Business Based on Bayesian Network

LIU Wenyan， GAO Qisheng

（School of Economics， Qingdao University， Qingdao 266061，China）

Abstract：In order to clarify the risk factors of food safety issues in the traditional catering business and find effective measures to address issues from the source. The fault tree is constructed to identify risk factors， and qualitative analysis of risk factors is done by using the minimum cut set and structural importance. Moreover， the fault tree model is transformed into a Bayesian network， and final BN model is finished by structure learning and parameter learning based on case data. The two-way reasoning ability of BN is used to conduct quantitative analysis， and sensitive factors of various types of problems from the perspective of catering operators are finally obtained. The results indicate that personnel management is most likely to cause problems. Insufficient training is an important reason for food safety issues.

Keywords： food safety； Bayesian network（BN）； fault tree analysis（FTA）； risk analysis

0 引言

近年來，餐飲行業(yè)頻繁爆出食品安全問題，315晚會上食品安全問題成為重災(zāi)區(qū)，“胖哥倆”肉蟹煲被曝用死蟹冒充活蟹，“半天妖”烤魚被曝食材解凍過期后仍被端上餐桌。有學(xué)者指出食品經(jīng)營者的\"明知故犯\"是食品安全問題的關(guān)鍵成因^[1]，因此急需從餐飲企業(yè)內(nèi)部探究食品安全風(fēng)險因素，進(jìn)行重要環(huán)節(jié)把關(guān)，加強(qiáng)過程控制，找到關(guān)鍵控制點(diǎn)，從問題發(fā)生的源頭進(jìn)行治理。

目前食品安全風(fēng)險分析的研究主要包括風(fēng)險識別、風(fēng)險評估及控制。在風(fēng)險識別方面，利用大數(shù)據(jù)技術(shù)進(jìn)行風(fēng)險的識別并對風(fēng)險特征進(jìn)行分析是主要趨勢^[2]。在風(fēng)險評估及控制領(lǐng)域，大多數(shù)學(xué)者致力于構(gòu)建風(fēng)險的指標(biāo)評價體系，如張星聯(lián)等^[3]將風(fēng)險交流引入農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險評估，構(gòu)建出了三級風(fēng)險分級模型。還有部分學(xué)者將在傳統(tǒng)工業(yè)中應(yīng)用較多的失效模式與影響分析^[4]、故障樹（Fault Tree Analysis，F(xiàn)TA）^[5]等方法應(yīng)用到食品領(lǐng)域，這些方法可以對事故發(fā)生的層級關(guān)系進(jìn)行有效梳理，但無法根據(jù)實際場景進(jìn)行動態(tài)建模分析。傳統(tǒng)的定量評估方法貝葉斯網(wǎng)絡(luò)（Bayesian Network，BN）不僅能反映當(dāng)前的信息，而且綜合先驗知識^[6]，可以對結(jié)果進(jìn)行動態(tài)更新，但在構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)時很大程度上依賴于專家經(jīng)驗，因此本文將FTA引入BN進(jìn)行食品安全風(fēng)險分析。從結(jié)構(gòu)上看，F(xiàn)TA和BN具有構(gòu)造的相似性，可將FTA映射成BN模型^[7]，F(xiàn)TA從系統(tǒng)故障出發(fā)自上而下逐級細(xì)化找到故障發(fā)生的最原始因素，易于識別風(fēng)險，從而構(gòu)建風(fēng)險事件致因結(jié)構(gòu)模型；BN是對不確定性知識進(jìn)行表示和推理的概率圖模型，可以定量分析單個影響因素對整個事件發(fā)生概率的影響，但BN模型的構(gòu)造有一定的難度，需要依靠專家知識或結(jié)構(gòu)學(xué)習(xí)^[8]，直接進(jìn)行致因分析容易造成節(jié)點(diǎn)因果關(guān)系混亂。因此本文借助FTA易于構(gòu)建模型的特點(diǎn)，使用FTA識別出導(dǎo)致食品安全問題發(fā)生的各個層級的原因，為BN模型結(jié)構(gòu)提供參考，并利用BN自身優(yōu)勢進(jìn)行推理，根據(jù)現(xiàn)實數(shù)據(jù)進(jìn)行結(jié)果更新，將FTA和BN綜合集成。

兩者的集成方法在復(fù)雜系統(tǒng)的故障風(fēng)險預(yù)測與評價研究方面有良好的表現(xiàn)。許保光^[9]基于FTA-BN分析航空不安全信息，并借助歷史數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的學(xué)習(xí)和參數(shù)學(xué)習(xí)，為風(fēng)險統(tǒng)計數(shù)據(jù)有限的安全事故風(fēng)險分析提供參考；李玉龍等^[10]利用BN與專家知識綜合集成的方法評估重大工程棄渣場風(fēng)險，基于FTA確定BN的網(wǎng)絡(luò)結(jié)構(gòu)，引入專家評判確定節(jié)點(diǎn)的條件概率，驗證了兩者集成的方法在重大工程系統(tǒng)風(fēng)險分析的可行性。AYELEY等^[11]將FTA-BN集成的方法用于分析與管理復(fù)雜系統(tǒng)失效風(fēng)險，首先利用FTA獲得系統(tǒng)結(jié)構(gòu)層級關(guān)系，其次將FTA同構(gòu)成BN模型來表達(dá)系統(tǒng)內(nèi)部的相互作用。

目前進(jìn)行食品安全風(fēng)險評估主要從監(jiān)管的角度出發(fā)，如李柯等^[12]構(gòu)建FTA模型識別出食品供應(yīng)鏈各環(huán)節(jié)的管理風(fēng)險和非管理風(fēng)險，結(jié)合BN的最大后驗概率方法尋找管理失效路徑。本文將分析的視角轉(zhuǎn)向企業(yè)內(nèi)部，利用傳統(tǒng)餐飲行業(yè)的市場監(jiān)督檢查數(shù)據(jù)，聚焦餐飲經(jīng)營者相關(guān)行為，建立FTA模型識別相關(guān)風(fēng)險，將檢查的關(guān)口前移，并將FTA轉(zhuǎn)化成BN模型，利用算法對模型的結(jié)構(gòu)及參數(shù)進(jìn)行優(yōu)化學(xué)習(xí)從而精煉模型，識別出敏感風(fēng)險因素，以期在源頭上保證餐飲行業(yè)的食品安全。

1 餐飲業(yè)食品安全風(fēng)險分析的基本模型構(gòu)建原理

1.1 餐飲業(yè)食品安全風(fēng)險故障樹模型構(gòu)建

故障樹法由美國貝爾實驗室的維森所發(fā)展，廣泛用于大規(guī)模復(fù)雜系統(tǒng)安全評估和可靠性分析。由系統(tǒng)故障自上而下進(jìn)行演繹進(jìn)而推理出初始故障，最終形成倒立的樹狀圖形。一個故障樹包括頂事件、中間事件和基本事件，事件之間由邏輯門連接。邏輯門關(guān)系即事件的發(fā)生是由一種還是多種事件導(dǎo)致的。

本文將系統(tǒng)故障看作是餐飲經(jīng)營者購買原材料、倉儲、制作整個過程中所發(fā)生的食品安全問題，歸納出相關(guān)影響因素，參考已有研究，從人為失誤機(jī)理出發(fā)^[13]，將初始故障原因分類為主觀、客觀，主觀原因包括個體原因和管理行為不當(dāng)，客觀原因為系統(tǒng)內(nèi)物理組件的失效如設(shè)備設(shè)施因素。

根據(jù)故障樹原理，按照風(fēng)險事件的情況描述，首先將食品安全問題的發(fā)生作為頂事件，對食品安全問題按“5M1E”法即人、設(shè)備、材料、方法、測量、環(huán)境等進(jìn)行分類，在此基礎(chǔ)上按照問題具體描述再進(jìn)行細(xì)分，作為中間事件，最后將初始故障原因作為基本事件。1.2 餐飲業(yè)食品安全風(fēng)險貝葉斯網(wǎng)絡(luò)構(gòu)建

BN通常由節(jié)點(diǎn)和帶箭頭的線組成，節(jié)點(diǎn)表示系統(tǒng)中的變量，節(jié)點(diǎn)之間的線表示變量之間的邏輯關(guān)系。如果從變量A到變量B之間有一條線，并且有一個指向B的箭頭，則稱A為B的父節(jié)點(diǎn)，B為A的子節(jié)點(diǎn)。BN假設(shè)每個節(jié)點(diǎn)的條件概率分布只與它的父節(jié)點(diǎn)有關(guān)，而與非后裔節(jié)點(diǎn)無關(guān)。于是節(jié)點(diǎn)X₁，X₂，…，X_n的聯(lián)合概率表示為公式（1），其中F_a（X_i）表示X_i的所有父節(jié)點(diǎn)

PX=PX₁，X₂，…，X_n=∏n/i=1PX_i|F_aX_i（1）

當(dāng)計算一個特定事件發(fā)生的概率時，需要考慮其對應(yīng)的父節(jié)點(diǎn)個數(shù)。特定事件對應(yīng)的節(jié)點(diǎn)X_i發(fā)生的概率用P（X_i）表示，P（X_i-），P（F_aX_i）表示相應(yīng)事件的對立事件發(fā)生的概率，當(dāng)只有一個父節(jié)點(diǎn)時，根據(jù)全概率公式，P（X_i）計算公式表示為式（2）：

PX_i=PX_i|F_aX_iPF_aX_i+PX_i|F_aX_iPF_aX_i（2）

當(dāng)X_i有兩個父節(jié)點(diǎn)時，依全概率公式進(jìn)行概率展開，P（X_i）計算公式表示為公式（3）：

PX_i=PX_i|F_a1X_i，F(xiàn)_a2X_i·PF_a1X_i·PF_a2X_i

+PX_i|F_a1X_i，F(xiàn)_a2X_i·PF_a1X_i·PF_a2X_i

+PX_i|F_a1X_i，F(xiàn)_a2X_i·PF_a1X_i·PF_a2X_i

+PX_i|F_a1X_i，F(xiàn)_a2X_i·PF_a1X_i·PF_a2X_i（3）

以此類推^[14]，可以得到節(jié)點(diǎn)有多個父節(jié)點(diǎn)時的概率表示。

1.3 應(yīng)用貝葉斯網(wǎng)絡(luò)進(jìn)行推理分析

貝葉斯網(wǎng)絡(luò)進(jìn)行前向和后向推理。前向推理進(jìn)行預(yù)測，風(fēng)險從根節(jié)點(diǎn)傳遞到葉子節(jié)點(diǎn)，研究基本事件對最終問題產(chǎn)生的影響，通過將各個根節(jié)點(diǎn)發(fā)生概率設(shè)定為１，預(yù)測得到餐飲業(yè)食品安全問題在該節(jié)點(diǎn)發(fā)生條件下產(chǎn)生風(fēng)險的概率。BN前向推理按照式（1）計算；后向推理即診斷推理，后向推理是在葉子節(jié)點(diǎn)代表的最終問題已經(jīng)發(fā)生的情況下，根節(jié)點(diǎn)概率變化所傳遞出的信息。當(dāng)給定新的證據(jù)E時，可以使用后向推理將BN各個節(jié)點(diǎn)的先驗概率轉(zhuǎn)換為后驗概率，計算方法為

PX|E=PX，E/PE=PX，E/∑XPX，E（4）

2 餐飲業(yè)食品安全風(fēng)險的實例分析

2.1 餐飲業(yè)食品安全風(fēng)險故障樹的構(gòu)建與應(yīng)用

2.1.1 餐飲業(yè)食品安全風(fēng)險故障樹的構(gòu)建

本文以北京市市場監(jiān)督管理局網(wǎng)站公布的2022年朝陽區(qū)餐飲檢查通報作為食品安全事件的獲取途徑，共計817條，每條記錄包含時間、涉事主體、行為、違反的法律法規(guī)以及處罰措施等信息，該地區(qū)數(shù)據(jù)記錄全面，餐飲服務(wù)業(yè)發(fā)達(dá)，作為案例數(shù)據(jù)具有代表性。本例將問題通報的發(fā)生作為頂事件，將問題類型按5M1E法進(jìn)行分類，包括人員管理A₁、設(shè)備管理A₂、物料管理A₃、方法因素A₄、測量因素A₅和環(huán)境管理A₆ 6類，在此基礎(chǔ)上進(jìn)行細(xì)分，得到A₇～A₁₆ 10個細(xì)分事件，直至找到問題發(fā)生的初始故障原因。經(jīng)專家討論，最終歸類出9個主、客觀基本原因事件，具體節(jié)點(diǎn)表示及描述如表1所示。

為了在頂事件和基本事件間建立更好的邏輯映射，經(jīng)專家咨詢，建立3級故障樹結(jié)構(gòu)，其中問題通報的發(fā)生作為頂事件為第1級，X₁～X₉作為基本事件為第3級，六大類型及各個類型的細(xì)分事件作為中間事件為第2級，具體事件名稱及解釋如表2。形成的故障樹如圖1所示，其中部分節(jié)點(diǎn)未作標(biāo)識，原因為節(jié)點(diǎn)名稱僅作解釋說明用，若再標(biāo)識與構(gòu)建的貝葉斯網(wǎng)絡(luò)模型第3級有所重復(fù)。

2.1.2 餐飲業(yè)食品安全風(fēng)險故障樹的應(yīng)用

根據(jù)圖1構(gòu)建的故障樹計算結(jié)構(gòu)重要度。結(jié)構(gòu)重要度不考慮基本事件發(fā)生的概率，從故障樹風(fēng)險傳遞角度考慮基本事件對頂事件的影響程度。依照式（5）計算最小割集中基本事件的結(jié)構(gòu)重要度：

Sn=1/c∑m/i=11/N_i（5）

其中，S（n）為某個基本事件的結(jié)構(gòu)重要度；c為故障樹中包含的最小割集數(shù)；m為包含第n個基本事件的最小割集數(shù)；N_i為包含第n個基本事件的第i個最小割集的基本事件數(shù)。計算結(jié)構(gòu)重要度需要確定最小割集，最小割集用于保證系統(tǒng)安全的最小狀態(tài)分割。任何一個最小割集的發(fā)生都會導(dǎo)致頂事件的發(fā)生。最小割集中各基本事件之間是邏輯與的關(guān)系，由布爾代數(shù)法得到圖1故障樹的最小割集，計算結(jié)果為

T=A₁+A₂+A₃+A₄+A₅+A₆=A₇+A₈+A₉+A₁₀+A₁₁+A₁₂+A₁₃+A₁₄+A₁₅+A₁₆=

X₁X₂X₈+X₄X₉+X₁X₂+X₅X₇+X₄X₅+X₁X₂X₅+X₁X₂+X₁X₂+X₁X₂X₃+X₁X₅+X₁X₂X₄+X₁X₂X₆

=X₁X₂+X₄X₉+X₅X₇+X₄X₅+X₁X₅（6）

由此可知，該故障樹的最小割集共有5個，分別為{X₁，X₂、{X₄，X₉、{X₅，X₇、{X₄，X₅和{X₁，X₅，對頂事件發(fā)生有直接影響?？蛇M(jìn)一步計算和比較最小割集中基本事件結(jié)構(gòu)重要度：

SX₅=3/10gt;SX₁=SX₄=1/5gt;SX₂=SX₇=SX₉=1/10（7）

通過對比最小割集中基本事件結(jié)構(gòu)重要度的數(shù)值，可以得到缺少監(jiān)督最容易導(dǎo)致食品安全事件發(fā)生，其次是個體原因、培訓(xùn)不足和管理流程問題。當(dāng)餐飲行業(yè)發(fā)生食品安全事件時，可以參考結(jié)構(gòu)重要度的大小，有順序地采取管理措施加以應(yīng)對。

2.2 建立餐飲業(yè)食品安全風(fēng)險因素貝葉斯網(wǎng)絡(luò)模型

2.2.1 餐飲業(yè)食品安全風(fēng)險因素貝葉斯網(wǎng)絡(luò)的搭建

將故障樹引入貝葉斯網(wǎng)絡(luò)，進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的搭建。KHAZAD等^[15]將傳統(tǒng)故障樹與BN進(jìn)行比較提出如下轉(zhuǎn)化方法：1）事件與節(jié)點(diǎn)對應(yīng)：將故障樹中的基本事件對應(yīng)BN中無任何箭頭指向的節(jié)點(diǎn)，中間事件對應(yīng)中間節(jié)點(diǎn)，頂事件對應(yīng)BN中箭頭最終指向的節(jié)點(diǎn)，相同事件使用一個節(jié)點(diǎn)。2）邏輯門與有向弧對應(yīng)：邏輯門的關(guān)系對應(yīng)BN結(jié)構(gòu)中有向弧的指向。3）發(fā)生概率對應(yīng)先驗概率：故障樹基本事件的發(fā)生概率與BN中根節(jié)點(diǎn)的先驗概率相同，其他節(jié)點(diǎn)概率需要依據(jù)邏輯門關(guān)系確定。仿效KHAZAD所提方法將圖1構(gòu)建的故障樹模型轉(zhuǎn)化成貝葉斯網(wǎng)絡(luò)，如圖2所示。

2.2.2 貝葉斯網(wǎng)絡(luò)條件概率的確定

FTA為BN的網(wǎng)絡(luò)結(jié)構(gòu)提供了原型參考，明確節(jié)點(diǎn)間的邏輯關(guān)系。當(dāng)擁有統(tǒng)計數(shù)據(jù)時，BN可借助歷史數(shù)據(jù)進(jìn)行結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)，使得模型更加精確。NPC（Necessary Path Condition）算法是結(jié)構(gòu)學(xué)習(xí)的常用方法，通過借助條件獨(dú)立性檢驗，引入用戶經(jīng)驗來獲得網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，本文使用HUGIN軟件包中的NPC算法。參數(shù)學(xué)習(xí)算法主要有期望最大值法（EM）、最大似然估計法（MLE）和梯度下降法（GD）等^[6]。本文收集到的問題記錄將其歸類到A₁～A₆的事件類型中，并根據(jù)問題具體描述劃分到A₇～A₁₆細(xì)分事件層次中，最后根據(jù)專家咨詢結(jié)果將初始故障歸至X₁～X₉的3級層次中，將發(fā)生的節(jié)點(diǎn)賦值為1，其它節(jié)點(diǎn)為0，將記錄處理為0-1變量，結(jié)構(gòu)學(xué)習(xí)結(jié)果如圖3所示。

針對結(jié)構(gòu)學(xué)習(xí)的結(jié)果，對不符合因果聯(lián)系的有向弧用故障樹轉(zhuǎn)化的貝葉斯網(wǎng)絡(luò)進(jìn)行修正。接著利用HUGIN軟件上的EM算法重新進(jìn)行參數(shù)學(xué)習(xí)，在參數(shù)學(xué)習(xí)時需要為各節(jié)點(diǎn)輸入初始條件概率表和經(jīng)驗表。對于沒有箭頭指向的根節(jié)點(diǎn)，初始概率取節(jié)點(diǎn)狀態(tài)為1的頻率值，經(jīng)驗值取頻數(shù)，非根節(jié)點(diǎn)初始條件概率采用軟件隨機(jī)賦值，經(jīng)驗值取0，臨界值為1.0×10^-10，最終參數(shù)學(xué)習(xí)的結(jié)果如圖4所示，可以觀察到在中間事件中A₁人員管理的發(fā)生問題的概率最大，為35.14%，在基本事件中X₂培訓(xùn)不足發(fā)生的概率最大，為76.58%。

2.3 基于貝葉斯網(wǎng)絡(luò)的推理分析

根據(jù)1.3節(jié)闡述的原理，對上文構(gòu)建的貝葉斯網(wǎng)絡(luò)進(jìn)行預(yù)測推理，依次將X₁～X₉賦值為1，預(yù)測A₁～A₆變化后的概率，具體預(yù)測結(jié)果見表3。由表3數(shù)據(jù)可知，在基本事件中，食品安全氛圍缺乏X₈和資質(zhì)證明X₉在人員管理方面出錯概率較高，超過70%；設(shè)備故障X₇在設(shè)備管理方面出錯概率較高，超過90%；缺少監(jiān)督X₅在物料問題方面出錯概率較高，超過60%；X₃設(shè)施不完善在方法問題方面出錯概率較高，超過80%，其次為缺少監(jiān)督X₅；管理流程X₄和人員調(diào)配X₆在測量問題方面出錯概率較高，超過60%；食品安全氛圍缺乏X₈在環(huán)境問題方面出錯概率較高，概率為49.55%。

在診斷推理時，本文研究影響程度最大的影響因素時采用REN等^[17]的方法，將根節(jié)點(diǎn)事件的先驗概率與后驗概率變化進(jìn)行對比，診斷推理哪些節(jié)點(diǎn)對問題通報的發(fā)生更加敏感。下面通過在人員管理方面發(fā)現(xiàn)問題進(jìn)行展示，將A₁設(shè)定為1，基本事件節(jié)點(diǎn)的先驗概率、后驗概率、先驗概率與后驗概率變化率和變化率的排序情況用表4表示，變化率大的節(jié)點(diǎn)敏感性較強(qiáng)，沒有發(fā)生變化的基本事件在表中未顯示。

表4顯示當(dāng)人員管理方面出現(xiàn)問題時，資質(zhì)證明X₉敏感性最高，培訓(xùn)不足X₂后驗概率最高，達(dá)到82.05%。按照上述人員管理出現(xiàn)問題類似處理，得出：當(dāng)設(shè)備管理方面發(fā)生問題時，敏感性最高的是設(shè)備故障X₇，培訓(xùn)不足X₂后驗概率最高，達(dá)到83.18%。當(dāng)物料方面發(fā)生問題時，敏感性最高的是缺少監(jiān)督X₅，個體原因X₁后驗概率最高，達(dá)到90.86%。當(dāng)方法因素發(fā)生問題時，敏感性最高的是設(shè)施不完善X₃，后驗概率為14.87%，后驗概率最大的為個體原因X₁，達(dá)到93.59%。當(dāng)測量方面發(fā)生問題時，敏感性最高的是人員調(diào)配X₆，其中培訓(xùn)不足X₂后驗概率最高，為89.01%。當(dāng)環(huán)境方面發(fā)生問題時，敏感性最高的是氛圍不足X₈。

將FTA定性分析與BN定量分析所得結(jié)論相互補(bǔ)充，得到結(jié)論：培訓(xùn)不足在人員、設(shè)備、測量方面都有較大影響，培訓(xùn)可以使得員工了解相關(guān)知識、提升員工素質(zhì)。食品安全氛圍的缺乏容易導(dǎo)致人員、環(huán)境管理方面出現(xiàn)問題，氛圍的缺乏會使員工產(chǎn)生不積極的工作態(tài)度，從而減少對行為準(zhǔn)則的遵從。設(shè)備故障是設(shè)備出現(xiàn)問題的主要原因，應(yīng)培訓(xùn)普及設(shè)備使用規(guī)范問題。個人原因容易導(dǎo)致在物料管理方面發(fā)生問題，可引入監(jiān)督機(jī)制加強(qiáng)把關(guān)。個人原因還易導(dǎo)致方法方面發(fā)生問題，對設(shè)施進(jìn)一步完善管理可大大減少這一類問題發(fā)生。人員調(diào)配和管理流程容易導(dǎo)致測量方面發(fā)生問題，這類因素會造成過程控制環(huán)節(jié)的人員失職，應(yīng)按照章程規(guī)定的人數(shù)和角色對崗位進(jìn)行設(shè)置。

3 結(jié)語

本文利用餐飲業(yè)安全檢查通報數(shù)據(jù)，以通報發(fā)生為頂事件，5M1E法將問題分類為中間事件，主客觀因素為基本事件，建立了反映中國餐飲業(yè)食品安全的故障樹模型，并將FTA轉(zhuǎn)化成BN，進(jìn)行預(yù)測及診斷推理。基于故障樹風(fēng)險識別和貝葉斯網(wǎng)絡(luò)分析得出，當(dāng)前安全風(fēng)險類型中人員管理發(fā)生問題的概率最大，培訓(xùn)不足是發(fā)生食品安全事件的重要原因。餐飲行業(yè)管理者應(yīng)針對問題類型采取治理措施。

綜合上述分析給出相關(guān)建議：在人員管理方面，應(yīng)加強(qiáng)人員健康證準(zhǔn)入制度以及風(fēng)險交流培訓(xùn)以提高中國餐飲從業(yè)人員素質(zhì)水平；在設(shè)備管理方面，應(yīng)提升食品生產(chǎn)設(shè)備自動化水平，減少人員交叉污染，安排專人監(jiān)控設(shè)備的安全及衛(wèi)生狀況；在物料管理方面，應(yīng)建立物料、倉儲環(huán)節(jié)的互查和追溯機(jī)制，減少生物性污染和化學(xué)性污染，減少物料的交叉污染；在方法規(guī)范方面，餐飲門店應(yīng)嚴(yán)格貫徹《食品衛(wèi)生法》，強(qiáng)化人員對規(guī)章制度的遵從，加強(qiáng)對食品添加劑的管理和使用標(biāo)準(zhǔn)控制；在測量機(jī)制方面，與監(jiān)管部門共同完善從“農(nóng)田到餐桌”供應(yīng)鏈全過程制度，加強(qiáng)餐飲食品生產(chǎn)環(huán)節(jié)透明公開制度，定期檢測公示原材料農(nóng)藥殘留和質(zhì)量狀況，綜合發(fā)揮檢測儀器和感官質(zhì)量評價作用。在環(huán)境問題方面，鑒于食品安全氛圍缺乏出錯概率較高，應(yīng)通過加強(qiáng)政府、加工企業(yè)和消費(fèi)者之間的風(fēng)險交流機(jī)制，構(gòu)筑社會共治的食品安全氛圍。

本文還存在局限性，僅考慮了傳統(tǒng)餐飲業(yè)中存在的食品安全問題，對于現(xiàn)在外賣及堂食餐飲中普遍存在的料理包、轉(zhuǎn)基因食品所引發(fā)的技術(shù)風(fēng)險未納入考慮，后續(xù)研究可對這一類問題進(jìn)一步討論。

參考文獻(xiàn)：

[1]文曉巍， 劉妙玲. 食品安全的誘因、窘境與監(jiān)管： 2002～2011年[J]. 改革， 2012（9）： 37-42.

WEN X W， LIU M L. Cause， dilemma and supervision of food safety from the year 2012 to 2011[J]. Reform， 2012（9）： 37-42.

[2]余惠琴，呂偉，王東波.基于文本挖掘的我國食品安全事件特征分析[J].武漢理工大學(xué)學(xué)報（信息與管理工程版）， 2022， 44（5）： 839-844.

YU H Q， LYU W， WANG D B. Characteristic analysis of food safety incidents in China based on text mining[J]. Journal of Wuhan University of Technology（Information amp; Management Engineering）， 2022， 44（5）： 839-844.

[3]張星聯(lián)，張冰妍.基于風(fēng)險交流視角的水產(chǎn)品質(zhì)量安全風(fēng)險分級研究[J].中國食物與營養(yǎng)， 2017， 23（11）： 29-32.

ZHANG X L， ZHANG B Y. Risk ranking for quality and safety of aquatic products-based on perspective of risk commumcation [J].Food and Nutrition in China， 2017， 23（11）： 29-32.

[4]高齊圣， 路蘭， 王偉. 基于QFD和FMEA的農(nóng)產(chǎn)品質(zhì)量安全監(jiān)管分析[J].農(nóng)業(yè)經(jīng)濟(jì)與管理， 2017（2）： 88-96.

GAO Q S， LU L， WANG W. Analysis on agri-product quality and safety supervision based on QFD and FMEA[J]. Agricultural Economics and Management， 2017（2）： 88-96.

[5]陳洪根.基于故障樹分析的食品安全風(fēng)險評價及監(jiān)管優(yōu)化模型[J]. 食品科學(xué)， 2015， 36（7）： 177-182.

CHEN H G. Modeling for food safety risk evaluation and supervision optimization based on fault tree analysis[J]. Food Science， 2015， 36（7）： 177-182.

[6]BOBBIO A， PORTINALE L， MINICHINO M， et al. Improving the analysis of dependable systems by mapping fault trees into Bayesian networks[J]. Reliability Engineering amp; System Safety， 2001， 71（3）： 249-260.

[7]王廣彥， 馬志軍， 胡起偉. 基于貝葉斯網(wǎng)絡(luò)的故障樹分析[J]. 系統(tǒng)工程理論與實踐， 2004，24（6）： 78-83.

WANG G Y， MA Z J， HU Q W. The fault tree analysis based on Bayesian network[J]. Systems Engineering Theoryamp; Practice， 2004，24（6）： 78-83.

[8]陳雪龍， 姜坤. 基于貝葉斯網(wǎng)絡(luò)的并發(fā)型突發(fā)事件鏈建模方法[J]. 中國管理科學(xué)， 2021， 29（10）： 165-177.

CHEN X L， JIANG K. Modeling method of concurrent emergence chain based on Bayesian network[J]. Chinese Journey of Management Science， 2021， 29（10）： 165-177.

[9]許保光， 王蓓蓓， 池宏， 等. 基于貝葉斯網(wǎng)絡(luò)的航空安全中不安全信息分析[J]. 中國管理科學(xué)， 2020， 28（12）： 118-129.

XU B G， WANG B B， CHI H， et al. Insecurity information analysis in civil aviation safety based on Bayesian Network[J]. Chinese Journey of Management Science， 2020， 28（12）： 118-129.

[10] 李玉龍， 侯相宇. 基于故障樹和貝葉斯網(wǎng)絡(luò)集成的重大工程棄渣場風(fēng)險診斷與預(yù)測[J]. 系統(tǒng)管理學(xué)報， 2022， 31（5）： 861-874.

LI Y L， HOU X Y. Risk diagnosis and prediction of mega-projection waste dump based on fault tree and Bayesian network integration[J]. Journey of Systems amp; Management， 2022， 31（5）： 861-874.

[11] TCHANGANI A，PéRéS F. Modeling interactions for inoperability management： from fault tree analysis to dynamic bayesian network[J]. IFAC-PapersOnLine， 2020， 53（3）： 342-347.

[12] 李柯， 唐小艷. 基于FTA-BN的食品安全風(fēng)險評估與控制模型[J]. 武漢理工大學(xué)學(xué)報（信息與管理工版）， 2017， 39（3）： 243-249.

LI K， TANG X Y. Modeling for food safety risk assessment and control based on FTA-BN[J]. Journal of Wuhan University of Technology（Information amp; Management Engineering）， 2017， 39（3）： 243-249.

[13] 張冰鑒， 蘇秦， 劉海龍. FTA-BN的云ERP不安全事件的人因失誤分析[J]. 中國安全科學(xué)學(xué)報， 2023， 33（2）： 38-47.

ZHANG B J， SU Q， LIU H L. Human error analysis for unsafe events of cloud ERP based on FTA-BN[J]. China Safety Science Journal， 2023， 33（2）： 38-47.

[14] 丁斅， 徐峰. 基于貝葉斯網(wǎng)絡(luò)的工程風(fēng)險管理研究——以港珠澳大橋主體工程設(shè)計風(fēng)險為例[J]. 系統(tǒng)管理學(xué)報， 2018， 27（1）： 176-185，191.

DING X， XU F. Bayesian network modeling for project risk management： a case study of Hong Kong-Zhuhai-Macao bridge[J]. Journey of Systems amp; Management， 2018， 27（1）： 176-185，191.

[15] KHAKZAD N， KHAN F I， AMYOTTE P. Safety analysis in process facilities： comparison of fault tree and Bayesian network approaches [J]. Reliability Engineering and System Safety， 2011， 96（8）： 925-932．

[16] REN J， JENKINSON I， WANG J， et al. A methodology to model causal relationships on offshore safety assessment focusing on human and organizational factors[J]. Journal of Safety Research， 2008， 39（1）： 87.

（責(zé)任編輯 耿金花）