数极客首页

大数据+食品安全 : 靶向抽检,高效使用监管资源

业务背景

“民者,国之根也,诚宜重其食,爱其命。”食品安全

既是严重
的民生问题,也是严重
的政治问题。在市场经济大潮和社会展开

转型期背景下,食品药品安全

问题依然

频发,安全

形势依然

严峻。食品药品监管频现行业监管对象愈加复杂,食药安全

面临多重风险考验,新技术、新业态考验监管聪明

,社会诚信环境有待进一步优化等诸多问题。

痛点需求

目前,我国市面上流通的食品种类

繁多,依据

食品消费
允许

分类目录,我国食品有三十二个大类,三百多个小类,使得食品安全

监管微风
险剖析

工作量庞大

,相关数据不易取得

;而在理论

食品安全

监 管工作中,常常
存在监管区域大而监管人员较少的状况

,对区、县、镇致使

是行政村级别的区域中止

监管时,监管任务繁重。监管人员有时会觉得
力不从心,在各区域风险水平

不明白
的前提下,依旧

只能仰仗

阅历

或其他随机条件选择部分

品类或区域中止

选择性监管,容易构成

风险失控和有限监管力气
的无效运用
。在有限的监管资源下,怎样
能够

经过
监视
性抽检,发现更多的不合格食品,是一个庞大

的应战
。不合格高风险食品在地域上、品类上散布

高度不平均

;在不同的时节
和不同的气候条件下,容易呈现
安全

问题的食品也不相同。除此之外,消费
商地址、包装方式、贮存

方式、保质期、历史上能否
呈现
过食品安全

或其他企业失信问题等等要素
,都可能影响待检品不合格的可能。

处置

计划

数之联食品安全

数据处置

计划

整合检验业务、工商信誉
、天气环境
等数据,取得

产品原始特征,再经过
非线性变换和粗粒度调整,以及特征与特征两两三三的组合取得

大量的衍生特征。在此基础

上,应用
支持向量机、神经网络、决策树、回归剖析

等伎俩

,树立
集成学习模型,能够

预测不合格品的品类散布

状况

和地域散布

状况

,为靶向抽检提供辅助决策依据

品类风险趋向
预警

品类风险趋向
预警,能够

定期(月、季度、半年、全年)整合各部门样品采集信息、日常监管信息,剖析

各部门或各单位抽检任务完成状况

、问题食品发现状况

和溯源状况

、食品安全

散布

特征、存在的主要问题等,在中止

定量描画

的基础

上辅以定性判别
,从宏观角度反映食品安全

动态变化趋向
,为布置
来年食品抽检任务提供重点抽查抽检种类

指南。品类风险趋向
预警完成
以下功用
大数据+食品安全 : 靶向抽检,高效运用监管资源

图1 品类安全

趋向
预警系统

区域风险趋向
预警

经过
区域风险趋向
系统,能够

融合

多源数据,如本地检测数据、各行政区域检测数据、日常监管数据、稽查办案数据等,完成
机器预警+专家阅历

分别

,进而完成
区域风险状况

指示,基于地图方式
展示

区域风险剖析

预警结果,划定可能的高危风险区域,为抽检区域的选择提供依据

大数据+食品安全 : 靶向抽检,高效运用监管资源

图2 区域风险趋向
预警

在抽检范畴
,基于时间序列的趋向
方程预测是食品安全

指数剖析

的主要技术伎俩

。食品安全

指数要落实到关于
抽检不合格率的预测与计算。抽检不合格率是一种介于0和1之间的连续数值型随机变量,当参与

时间要素
后,一系列在连续时间轴上的抽检不合格率即为一个时间序列。思索
到一个时间戳内不同品类的食品合格率排序并不能反响
他们的理论

风险次第
,所以经过
对各个品类中止

了横向对比

,得出当前时间戳内品类的拟合合格率在整个时间段中的表现状况

,再对它中止

评价得出安全

指数,这样做的益处

是安全

指数排序愈加
接近于理论

状况

。鉴于抽检不合格率的概率与统计性质,我们能够

依据

不同状况

选择采用基于时间序列的趋向
方程预测模型
在频率学派背景下,假定
Yt表示t时辰
的抽检不合格率,Xt表示t时辰
理论

抽检的不合格样本数,Nt表示t时辰
理论

抽检的总样本数则应用
历史抽检不合格率Yt-1, Yt-2, … 来预测Yt的趋向
方程模型能够

表示成如下方式
大数据+食品安全 : 靶向抽检,高效运用监管资源

应用价值

经过
引入机器学习的办法

,完成
了针对高风险品的靶向抽检,最终完成
监管人力(监管人员)、财力(抽检资金等)、物力(设备资源)等资源合理分配的合理调度。

发表评论

评论已关闭。

相关文章