CN116703158A - 一种关于进口食品风险预警的风险评估模型构建方法 - Google Patents
一种关于进口食品风险预警的风险评估模型构建方法 Download PDFInfo
- Publication number
- CN116703158A CN116703158A CN202310669481.4A CN202310669481A CN116703158A CN 116703158 A CN116703158 A CN 116703158A CN 202310669481 A CN202310669481 A CN 202310669481A CN 116703158 A CN116703158 A CN 116703158A
- Authority
- CN
- China
- Prior art keywords
- risk
- level
- index
- reject ratio
- weight
- 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.)
- Pending
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 48
- 238000012502 risk assessment Methods 0.000 title claims abstract description 30
- 238000010276 construction Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 230000008676 import Effects 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 79
- 238000001514 detection method Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 15
- 238000013210 evaluation model Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011895 specific detection Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013278 delphi method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000013077 scoring method Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 7
- 230000006378 damage Effects 0.000 description 2
- 235000021393 food security Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000607142 Salmonella Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- CYDMQBQPVICBEU-UHFFFAOYSA-N chlorotetracycline Natural products C1=CC(Cl)=C2C(O)(C)C3CC4C(N(C)C)C(O)=C(C(N)=O)C(=O)C4(O)C(O)=C3C(=O)C2=C1O CYDMQBQPVICBEU-UHFFFAOYSA-N 0.000 description 1
- CYDMQBQPVICBEU-XRNKAMNCSA-N chlortetracycline Chemical compound C1=CC(Cl)=C2[C@](O)(C)[C@H]3C[C@H]4[C@H](N(C)C)C(O)=C(C(N)=O)C(=O)[C@@]4(O)C(O)=C3C(=O)C2=C1O CYDMQBQPVICBEU-XRNKAMNCSA-N 0.000 description 1
- 229960004475 chlortetracycline Drugs 0.000 description 1
- 235000019365 chlortetracycline Nutrition 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 235000020191 long-life milk Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000005070 sampling Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的属于风险评估模型构建技术领域，具体为一种关于进口食品风险预警的风险评估模型构建方法，包括具体步骤如下：基于大数据技术与机器学习算法，通过分析进口食品申报数据、合格评定数据、实验室检验数据、相关机构/部门的风险警示通报信息以及社会舆情相关安全风险信息，采用Hadoop/Spark架构以及ETL工具，实现对多源、多类型数据的实时或准实时的采集，本发明所建立的进口食品风险评估模型，为进口食品质量安全信息共享融合和挖掘应用提供了新模式，可有效识别出高风险的食品品类、生产企业、出口国家/地区等相关信息，使得针对进口食品安全风险控制措施更有针对性、科学性和合理性。
Description
技术领域
本发明涉及风险评估模型构建技术领域，具体为一种关于进口食品风险预警的风险评估模型构建方法。
背景技术
美国基于风险预警理论已建立比较完善的产品质量安全风险监测体系和运行机制。美国消费品安全委员会(CPSC)负责整个消费品领域的质量监管，通过制造商报告制度、抽样检测等途径采集产品安全信息，建立和维护可供公开查询和检索的数据库，并以丰富的数据为依据进行风险评估及处理，其管理手段主要有罚款、媒体曝光、问题产品召回、启动法律程序等。欧盟已建立非食品类消费品快速预警***(RAPEX)、食品和饲料预警***(RASFF)以及医疗器械和药品等专门***，欧盟成员国可借助这些***共享到相应的预警信息。以RAPEX为例，欧盟每周对非食品类产品危险情况进行通报，采取“权威机构发布警报、生产者召回、禁止销售、撤出市场、告知消费者、产品召回”等措施消除危害。此外，欧盟定期完善风险分析标准、方法和指南，以提高通报***的准确性和可信度。
目前我国在进口食品安全准入管理方面的风险预警研究和实践相对较少。主要的风险信息数据来源主要包括国外TBT/SPS信息，国外海关退货信息，国外区域或国家风险预警信息，社会反馈信息，缺陷产品召回信息、产品伤害监测信息，各行业组织、技术机构、行业性网络论坛等提供的第三方质量安全检测报告、质量安全风险信息等，信息掌握较为局限，且具有一定的滞后性，缺少贯通于条块、融通于各监管部门及社会民人的风险信息归集渠道。此外，***性安全风险问题发现机制仍需完善，目前来说我国进口食品安全风险问题的发现主要借助于监督抽查、社会举报、国外预警信息跟踪等，借助于大数据手段、通过对安全风险数据的智能分析，提前发现行业性质量问题的技术手段尚未得到深入应用。
目前，进口食品安全准入管理方面，安全风险信息主要有两种获取途径：一是通过获得国外或国际组织的一些风险警示通报，二是通过各地海关/市场监管部门在具体查验/执法环节大量发现问题后的上报，且大多数信息未采用人工智能化手段进行收集、整理、分析和研判，易造成信息处理的滞后。另外，许多信息工作关注的往往是全品类商品，未能充分考虑进口食品安全管理的特殊性。
因此，发明一种关于进口食品风险预警的风险评估模型构建方法。
发明内容
鉴于上述和/或现有一种关于进口食品风险预警的风险评估模型构建方法中存在的问题，提出了本发明。
因此，本发明的目的是提供一种关于进口食品风险预警的风险评估模型构建方法，能够解决上述提出现有的问题。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种关于进口食品风险预警的风险评估模型构建方法，其包括具体步骤如下：
步骤一：基于大数据技术与机器学习算法，通过分析进口食品申报数据、合格评定数据、实验室检验数据、相关机构/部门的风险警示通报信息以及社会舆情相关安全风险信息，采用Hadoop/Spark架构以及ETL工具，实现对多源、多类型数据的实时或准实时的采集，并采用HBase分布式数据库对海量多类型数据的存储检索；
步骤二：应用python作为大数据建模的基础工具，以scikit-learn/tensorflow机器学习/深度学习框架为基础，搭建科学有效的进口食品风险评估模型，其对进口食品采用了2种不同的模型进行评估风险，对有实验室数据的采用基于实验室检测数据的综合评价模型构建，对于没有实验室数据的采用基于AHP-风险矩阵的模糊综合评价模型构建。
作为本发明所述的一种关于进口食品风险预警的风险评估模型构建方法的一种优选方案，其中：所述基于实验室检测数据的综合评价模型构建的具体流程如下：
流程一：将实验室检测结果与标准规定限量值进行比较，分别计算得出第三级指标、第二级指标和第一级指标的不合格率和不合格度；
流程二：在计算得出三级指标的不合格率和不合格度后，采用加权求合法得到各级指标的风险值R，其风险值R越大，风险越高；
流程三：通过采用德尔菲-熵值法计算权重，其中，在德尔菲-熵值法中借助熵的概念，根据指标的离散程度，计算其权重，用德尔菲-熵值法计算出的不合格率和不合格度权重分别为WX2、WY2；
流程四：为避免德尔菲-熵值法权重失真，在此结合了Delphi专家打分法，Delphi法得到的不合格率和不合格度权重分别为WX1、WY1；
流程五：利用公式一计算出不合格率和不合格度的最终权重WX、WY；
流程六：在得到各级指标的不合格率、不合格度及其权重值后，利用加权求和方式得到各级指标的风险值，以此来确定风险等级和检测项目。
作为本发明所述的一种关于进口食品风险预警的风险评估模型构建方法的一种优选方案，其中：所述不合格率反映了不合格出现的次数，所述不合格度反映了检测值偏离标准限量值的程度。
作为本发明所述的一种关于进口食品风险预警的风险评估模型构建方法的一种优选方案，其中：所述流程三中德尔菲-熵值法的计算过程如下：
在计算指标熵时，要先分别计算第i类检测项目各具体检测参数不合格率和不合格度的比重；
不合格率比重的计算公式为：
不合格度比重的计算公式为：
第i类检测项目中不合格率的信息熵公式为：
第i类检测项目中不合格度的信息熵公式为：
某项指标的信息效用价值取决于该指标的信息熵ej与1之间的差值，它的值直接影响权重的大小，信息效用值越大，对评价的重要性就越大，权重也就越大；
其第i类检测项目中不合格率的权值为W1：
其第i类检测项目中不合格度的权值为W2：
作为本发明所述的一种关于进口食品风险预警的风险评估模型构建方法的一种优选方案，其中：所述流程五中公式一如下：
WY＝1-WX。
作为本发明所述的一种关于进口食品风险预警的风险评估模型构建方法的一种优选方案，其中：所述流程六中风险等级和检测项目比例由第一级指标的风险值R得到，检测项目根据第三级指标的Rij值由大到排序确定。
作为本发明所述的一种关于进口食品风险预警的风险评估模型构建方法的一种优选方案，其中：所述基于AHP-风险矩阵的模糊综合评价模型构建的具体过程如下：
过程一：设计调查问卷，邀请行业专家从风险发生的可能性和严重性两个角度对指标进行打分；
过程二：根据专家调查结果，将专家对第三级指标的严重性打分的结果取平均，然后采用改进的Saaty1-9标度法对第三级指标进行赋值评价，得到第三级指标的判断矩阵，能够避免一致性检验无法通过的情形；
过程三：由第三级指标的严重性得分结果与其权重进行加权平均得到第二级指标的严重性得分，同样，根据改进的Saaty1-9标度法对指标进行赋值评价，得到第二级指标的判断矩阵；
过程四：由AHP法获得权重向量后，与建立的模糊隶属度矩阵进行综合运算，得到模糊综合评价向量；
过程五：第三级指标的模糊综合评价向量组成第二级指标的模糊隶属度矩阵，第二级指标的模糊综合评价向量组成第一级指标的模糊隶属度矩阵；
过程六：第一级指标的模糊综合评价向量A和评价等级加权值M相乘得综合得分F，以此判断出该类食品所处的风险等级和需要检测的项目；
过程七：同时该模型结果与基于实验室检测数据评价结果进行对比，可对基于实验室检测数据评价模型参数进行修改与优化。
与现有技术相比：
本发明所建立的进口食品风险评估模型，为进口食品质量安全信息共享融合和挖掘应用提供了新模式，可有效识别出高风险的食品品类、生产企业、出口国家/地区等相关信息，使得针对进口食品安全风险控制措施更有针对性、科学性和合理性。
附图说明
图1为本发明传统的层次分析法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种关于进口食品风险预警的风险评估模型构建方法，请参阅图1，包括具体步骤如下：
步骤一：基于大数据技术与机器学习算法，通过分析进口食品申报数据、合格评定数据、实验室检验数据、相关机构/部门的风险警示通报信息以及社会舆情相关安全风险信息，采用Hadoop/Spark架构以及ETL工具，实现对多源、多类型数据的实时或准实时的采集，并采用HBase分布式数据库对海量多类型数据的存储检索；
步骤二：应用python作为大数据建模的基础工具，以scikit-learn/tensorflow机器学***，其对进口食品采用了2种不同的模型进行评估风险，对有实验室数据的采用基于实验室检测数据的综合评价模型构建，对于没有实验室数据的采用基于AHP-风险矩阵的模糊综合评价模型构建。
基于实验室检测数据的综合评价模型构建的具体流程如下：
流程一：将实验室检测结果与标准规定限量值进行比较，分别计算得出第三级指标、第二级指标和第一级指标的不合格率和不合格度，基于实验室检测数据的综合评价模型构建采用了不合格率和不合格度两个指标进行评价，将实验室检测结果与标准规定限量值进行比较；
其中，不合格率反映了不合格出现的次数，所述不合格度反映了检测值偏离标准限量值的程度；
流程二：在计算得出三级指标的不合格率和不合格度后，采用加权求合法得到各级指标的风险值R，其风险值R越大，风险越高；
流程三：通过采用德尔菲-熵值法计算权重，其中，在德尔菲-熵值法中借助熵的概念，根据指标的离散程度，计算其权重，用德尔菲-熵值法计算出的不合格率和不合格度权重分别为
其中，德尔菲-熵值法的计算过程如下：
在计算指标熵时，要先分别计算第i类检测项目各具体检测参数不合格率和不合格度的比重；
不合格率比重的计算公式为：
不合格度比重的计算公式为：
第i类检测项目中不合格率的信息熵公式为：
第i类检测项目中不合格度的信息熵公式为：
某项指标的信息效用价值取决于该指标的信息熵ej与1之间的差值，它的值直接影响权重的大小，信息效用值越大，对评价的重要性就越大，权重也就越大；
其第i类检测项目中不合格率的权值为W1：
其第i类检测项目中不合格度的权值为W2：
流程四：为避免德尔菲-熵值法权重失真，在此结合了Delphi专家打分法，Delphi法得到的不合格率和不合格度权重分别为采用Delphi-熵值法对不合格率和不合格度两个指标的权重进行计算，用熵值来判断某个指标的离散程度，如果指标的离散程度越大，说明该指标越不稳定，应该加大关注力度，此时用熵值法计算出的权重也越大；
流程五：利用公式一计算出不合格率和不合格度的最终权重WX、WY；
其中，公式一如下：
WY＝1-WX；
流程六：在得到各级指标的不合格率、不合格度及其权重值后，利用加权求和方式得到各级指标的风险值，以此来确定风险等级和检测项目；
其中，风险等级和检测项目比例由第一级指标的风险值R得到，检测项目根据第三级指标的Rij值由大到排序确定。
在传统的层次分析法中，判断矩阵需通过专家按照Saaty1-9标度法对指标重要度进行两两比较得出，在评价指标过多时，如乳制品第三级指标中涉及的检测项目达100余项，用到的矩阵超过100×100，规模过于庞大，如果要给出1/9到9的判断，工作量实在太大，而且容易出现一致性检验无法通过的情形。
基于AHP-风险矩阵的模糊综合评价模型构建的具体过程如下：
过程一：设计调查问卷，邀请行业专家从风险发生的可能性和严重性两个角度对指标进行打分；
过程二：根据专家调查结果，将专家对第三级指标的严重性打分的结果取平均，然后采用改进的Saaty1-9标度法对第三级指标进行赋值评价，得到第三级指标的判断矩阵，能够避免一致性检验无法通过的情形；
过程三：由第三级指标的严重性得分结果与其权重进行加权平均得到第二级指标的严重性得分，同样，根据改进的Saaty1-9标度法对指标进行赋值评价，得到第二级指标的判断矩阵；
过程四：由AHP法获得权重向量后，与建立的模糊隶属度矩阵进行综合运算，得到模糊综合评价向量；
过程五：第三级指标的模糊综合评价向量组成第二级指标的模糊隶属度矩阵，第二级指标的模糊综合评价向量组成第一级指标的模糊隶属度矩阵；
过程六：第一级指标的模糊综合评价向量A和评价等级加权值M相乘得综合得分F，以此判断出该类食品所处的风险等级和需要检测的项目，其中风险等级和检测项目比例由第一级指标的F值得到，检测项目根据第三级指标的值由大到排序确定，(与基于实验室检测数据评价模型类似，例如，灭菌乳F值范围在60-80时，风险等级判定为“中”风险，检测项目比例为70％，可检测第三级指标(即具体检测项目)/>排前70％的项目，如菌落总数、沙门氏菌、霉菌等风险值排前70％需要检测，铅、砷、金霉素等排后30％便不需要检测)；
过程七：同时该模型结果与基于实验室检测数据评价结果进行对比，可对基于实验室检测数据评价模型参数进行修改与优化。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。
Claims (7)
1.一种关于进口食品风险预警的风险评估模型构建方法，其特征在于，包括具体步骤如下：
步骤一：基于大数据技术与机器学习算法，通过分析进口食品申报数据、合格评定数据、实验室检验数据、相关机构/部门的风险警示通报信息以及社会舆情相关安全风险信息，采用Hadoop/Spark架构以及ETL工具，实现对多源、多类型数据的实时或准实时的采集，并采用HBase分布式数据库对海量多类型数据的存储检索；
步骤二：应用python作为大数据建模的基础工具，以scikit-learn/tensorflow机器学习/深度学习框架为基础，搭建科学有效的进口食品风险评估模型，其对进口食品采用了2种不同的模型进行评估风险，对有实验室数据的采用基于实验室检测数据的综合评价模型构建，对于没有实验室数据的采用基于AHP-风险矩阵的模糊综合评价模型构建。
2.根据权利要求1所述的一种关于进口食品风险预警的风险评估模型构建方法，其特征在于，所述基于实验室检测数据的综合评价模型构建的具体流程如下：
流程一：将实验室检测结果与标准规定限量值进行比较，分别计算得出第三级指标、第二级指标和第一级指标的不合格率和不合格度；
流程二：在计算得出三级指标的不合格率和不合格度后，采用加权求合法得到各级指标的风险值R，其风险值R越大，风险越高；
流程三：通过采用德尔菲-熵值法计算权重，其中，在德尔菲-熵值法中借助熵的概念，根据指标的离散程度，计算其权重，用德尔菲-熵值法计算出的不合格率和不合格度权重分别为
流程四：为避免德尔菲-熵值法权重失真，在此结合了Delphi专家打分法，Delphi法得到的不合格率和不合格度权重分别为
流程五：利用公式一计算出不合格率和不合格度的最终权重WX、WY；
流程六：在得到各级指标的不合格率、不合格度及其权重值后，利用加权求和方式得到各级指标的风险值，以此来确定风险等级和检测项目。
3.根据权利要求2所述的一种关于进口食品风险预警的风险评估模型构建方法，其特征在于，所述不合格率反映了不合格出现的次数，所述不合格度反映了检测值偏离标准限量值的程度。
4.根据权利要求2所述的一种关于进口食品风险预警的风险评估模型构建方法，其特征在于，所述流程三中德尔菲-熵值法的计算过程如下：
在计算指标熵时，要先分别计算第i类检测项目各具体检测参数不合格率和不合格度的比重；
不合格率比重的计算公式为：
不合格度比重的计算公式为：
第i类检测项目中不合格率的信息熵公式为：
第i类检测项目中不合格度的信息熵公式为：
某项指标的信息效用价值取决于该指标的信息熵ej与1之间的差值，它的值直接影响权重的大小，信息效用值越大，对评价的重要性就越大，权重也就越大；
其第i类检测项目中不合格率的权值为W1：
其第i类检测项目中不合格度的权值为W2：
5.根据权利要求2所述的一种关于进口食品风险预警的风险评估模型构建方法，其特征在于，所述流程五中公式一如下：
WY＝1-WX。
6.根据权利要求2所述的一种关于进口食品风险预警的风险评估模型构建方法，其特征在于，所述流程六中风险等级和检测项目比例由第一级指标的风险值R得到，检测项目根据第三级指标的Rij值由大到排序确定。
7.根据权利要求1所述的一种关于进口食品风险预警的风险评估模型构建方法，其特征在于，所述基于AHP-风险矩阵的模糊综合评价模型构建的具体过程如下：
过程一：设计调查问卷，邀请行业专家从风险发生的可能性和严重性两个角度对指标进行打分；
过程二：根据专家调查结果，将专家对第三级指标的严重性打分的结果取平均，然后采用改进的Saaty1-9标度法对第三级指标进行赋值评价，得到第三级指标的判断矩阵，能够避免一致性检验无法通过的情形；
过程三：由第三级指标的严重性得分结果与其权重进行加权平均得到第二级指标的严重性得分，同样，根据改进的Saaty1-9标度法对指标进行赋值评价，得到第二级指标的判断矩阵；
过程四：由AHP法获得权重向量后，与建立的模糊隶属度矩阵进行综合运算，得到模糊综合评价向量；
过程五：第三级指标的模糊综合评价向量组成第二级指标的模糊隶属度矩阵，第二级指标的模糊综合评价向量组成第一级指标的模糊隶属度矩阵；
过程六：第一级指标的模糊综合评价向量A和评价等级加权值M相乘得综合得分F，以此判断出该类食品所处的风险等级和需要检测的项目；
过程七：同时该模型结果与基于实验室检测数据评价结果进行对比，可对基于实验室检测数据评价模型参数进行修改与优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310669481.4A CN116703158A (zh) | 2023-06-06 | 2023-06-06 | 一种关于进口食品风险预警的风险评估模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310669481.4A CN116703158A (zh) | 2023-06-06 | 2023-06-06 | 一种关于进口食品风险预警的风险评估模型构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116703158A true CN116703158A (zh) | 2023-09-05 |
Family
ID=87838685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310669481.4A Pending CN116703158A (zh) | 2023-06-06 | 2023-06-06 | 一种关于进口食品风险预警的风险评估模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703158A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117035563A (zh) * | 2023-10-10 | 2023-11-10 | 河北省产品质量监督检验研究院 | 产品质量安全风险监测方法、设备、监测***及介质 |
-
2023
- 2023-06-06 CN CN202310669481.4A patent/CN116703158A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117035563A (zh) * | 2023-10-10 | 2023-11-10 | 河北省产品质量监督检验研究院 | 产品质量安全风险监测方法、设备、监测***及介质 |
| CN117035563B (zh) * | 2023-10-10 | 2023-12-26 | 河北省产品质量监督检验研究院 | 产品质量安全风险监测方法、设备、监测***及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461555B (zh) | 一种生产线质量监测方法、装置及*** | |
| CN112199367B (zh) | 一种长时间尺度功率平衡校验和大数据分析方法及*** | |
| CN111008193B (zh) | 一种数据清洗与质量评价方法及*** | |
| CN103337043B (zh) | 电力通信设备运行状态的预警方法和*** | |
| CN108898311A (zh) | 一种面向智能配电网抢修调度平台的数据质量检测方法 | |
| CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
| CN116703158A (zh) | 一种关于进口食品风险预警的风险评估模型构建方法 | |
| CN109146611A (zh) | 一种电商产品质量信用指数分析方法及*** | |
| CN108898285A (zh) | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 | |
| Zhang | Food safety risk intelligence early warning based on support vector machine | |
| CN111598165A (zh) | 一种基于极限学习机的密度聚类离群点检测方法 | |
| CN113762764A (zh) | 一种进口食品安全风险自动分级与预警***及方法 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| Li et al. | Dynamic failure mode analysis approach based on an improved Taguchi process capability index | |
| CN115619289A (zh) | 基于区块链的配电变压器质量检测结果判别方法及装置 | |
| CN111080466A (zh) | 一种基于大数据的压延机压延质量预警*** | |
| Pati et al. | Statistical quality study of the parts produced in an automobile industry: a daimler India case study | |
| CN101706898A (zh) | 用于检验检疫的输欧消费品安全风险评估预警***及方法 | |
| CN108122059B (zh) | 一种药品生产企业的生产风险识别的方法及自动预警*** | |
| Saeed et al. | Electricity theft detection in power utilities using bagged CHAID-based classification trees | |
| CN108109001A (zh) | 一种基于ahp的贸易摩擦指数人工智能评估的方法 | |
| CN116611745A (zh) | 一种基于智能制造的塑料薄膜质量评价方法及*** | |
| CN111882150A (zh) | 一种神经网络与层次分析法结合的食品安全风险预警方法 | |
| CN115187026A (zh) | 一种产业风险监控方法、***和可读存储介质 | |
| Xu et al. | Static Correlation Analysis with Industrial Electricity Consumption Volumes |
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 |