BP神經(jīng)網(wǎng)絡(luò)在乳制品質(zhì)量安全風(fēng)險預(yù)警中的應(yīng)用

白寶光，朱洪磊，范清秀

（內(nèi)蒙古工業(yè)大學(xué)經(jīng)濟管理學(xué)院，呼和浩特010051）

0 引言

隨著我國乳品消費需求的不斷提高，乳制品質(zhì)量安全事件如南山毒奶粉[1]、上海1.7萬罐假奶粉[2]等不斷發(fā)生，揭露了我國乳制品安全風(fēng)險管理體系的不完善。目前，部分學(xué)者從乳品供應(yīng)鏈環(huán)節(jié)[3-5]和主要檢測項目[6-7]研究了乳制品質(zhì)量風(fēng)險預(yù)警指標(biāo)體系；還有一部分學(xué)者重點研究了預(yù)警方法，主要包括控制圖法[8]、時間序列法[9]、支持向量機[10]和風(fēng)險矩陣模型[11]等。但這些方法很難適應(yīng)乳制品安全風(fēng)險的復(fù)雜因素的非線性特點，BP神經(jīng)網(wǎng)絡(luò)因其具備強大的非線性映射能力，能夠彌補傳統(tǒng)預(yù)警方法的不足。本文將BP網(wǎng)絡(luò)應(yīng)用到乳制品質(zhì)量安全風(fēng)險預(yù)警中，能夠提高乳制品安全風(fēng)險預(yù)警的準(zhǔn)確性，為防范乳品安全問題和完善政府食品安全風(fēng)險管理體系提供科學(xué)的依據(jù)。

1 預(yù)警指標(biāo)體系的構(gòu)建

乳制品安全狀況可以通過一定的預(yù)警指標(biāo)來反映，因此預(yù)警指標(biāo)的選取是有效實現(xiàn)乳制品質(zhì)量安全風(fēng)險預(yù)警預(yù)報的關(guān)鍵所在。在相關(guān)數(shù)據(jù)資料可得性的前提下，本研究結(jié)合現(xiàn)有研究成果和實踐經(jīng)驗，從乳制品生產(chǎn)加工環(huán)節(jié)遴選出1個警情指標(biāo)和8個警兆指標(biāo)構(gòu)建了乳制品質(zhì)量安全風(fēng)險預(yù)警指標(biāo)體系（見表1）。

1.1 警情指標(biāo)——乳制品質(zhì)量抽檢合格率

食品質(zhì)量國家抽檢合格率是對食品生產(chǎn)加工環(huán)節(jié)質(zhì)量控制水平的綜合評價，也是驗證生產(chǎn)過程控制有效性的方法之一。因此，本文選擇乳制品質(zhì)量抽檢合格率指標(biāo)來概括性地說明乳制品質(zhì)量安全水平的變化情況。同時，基于X-Rs（單值—移動極差）控制圖思想原理，將乳制品抽檢合格率的歷史數(shù)據(jù)依次劃分為不安全（90.5%以下）、較不安全（90.5%,93.5%）、基本安全（93.5%,96.5%)和安全（96.5%以上）等四個警區(qū)區(qū)間。相對應(yīng)的警級設(shè)定分別為重警、中警、輕警和無警，如圖1所示。

表1 乳制品質(zhì)量安全風(fēng)險預(yù)警指標(biāo)體系

圖1 2002年-2017年乳制品質(zhì)量國家抽檢合格率

1.2 警兆指標(biāo)

警兆，即警情先兆，是基于警源而選擇的具有預(yù)見性因素。乳制品安全風(fēng)險的發(fā)生一般是一種或多種影響因素經(jīng)過日積月累而成，并非瞬間改變的結(jié)果。從警源發(fā)展到警情的過程中，能夠預(yù)示乳制品安全狀態(tài)的因素就是警兆。因此，只有找準(zhǔn)警兆指標(biāo)，才能做到及早預(yù)警。

1.2.1 規(guī)模化養(yǎng)殖水平

規(guī)模化養(yǎng)殖水平是指年存欄量在100頭以上的養(yǎng)殖場個數(shù)占全國養(yǎng)殖場總數(shù)之比。奶牛規(guī)模化養(yǎng)殖，不是簡單的奶牛集中飼養(yǎng)，而是養(yǎng)殖結(jié)構(gòu)的調(diào)整、機械化的推廣、科學(xué)管理理念的普及[12]。研究經(jīng)驗表明，規(guī)模化、集約化、標(biāo)準(zhǔn)化程度越高，乳制品質(zhì)量就越高。相較于小規(guī)模及散戶飼養(yǎng)模式，規(guī)模化養(yǎng)殖的優(yōu)勢在于規(guī)模效應(yīng)，養(yǎng)殖成本的降低助于養(yǎng)殖場配套設(shè)施的完善、飼養(yǎng)管理水平的提高和疾病防控能力加強，從根源上切實保障了乳制品質(zhì)量安全。

1.2.2 飼料質(zhì)量合格率

乳制品的質(zhì)量安全與飼料質(zhì)量安全水平有著直接的關(guān)系，而飼料質(zhì)量合格率是飼料安全水平的直接客觀的衡量尺度。實踐經(jīng)驗表明，飼料本身含有的有害物質(zhì)如農(nóng)藥殘留、重金屬超標(biāo)、違規(guī)使用添加劑和飼料霉變或受其他微生物的污染等都會影響飼料的品質(zhì)，進而可能會對乳品質(zhì)量安全構(gòu)成威脅。

1.2.3 獸藥質(zhì)量合格率

獸藥是奶牛養(yǎng)殖環(huán)節(jié)治療或預(yù)防奶牛疾病的重要手段。獸藥質(zhì)量水平是控制乳制品質(zhì)量安全風(fēng)險的關(guān)鍵點，質(zhì)量不合格的獸藥或者獸藥不合理使用，將會直接導(dǎo)致乳制品原料中獸藥的藥物殘留，嚴(yán)重威脅到乳制品質(zhì)量安全。因此，本文選擇獸藥質(zhì)量合格率來反映獸藥質(zhì)量水平。

1.2.4 機械化擠奶率水平

擠奶方式是擠奶過程中直接影響乳制品質(zhì)量安全的關(guān)鍵技術(shù)環(huán)節(jié)。由于在人工擠奶過程中，擠奶人員可能因個人衛(wèi)生、疾病或操作不規(guī)范等問題，極易將致病菌和雜質(zhì)進入乳制品中，使乳品的質(zhì)量安全受到影響。相比之下，機械化擠奶方式所帶來的污染較少。機械化擠奶方式能夠避免人工擠奶過程中諸多不衛(wèi)生因素，減少細菌傳播路徑，有效降低乳制品污染的可能性。因此，本文選擇機械化擠奶率指標(biāo)來衡量擠奶過程中乳制品的質(zhì)量安全水平。

1.2.5 生產(chǎn)加工用水衛(wèi)生合格率

生產(chǎn)加工用水是乳制品生產(chǎn)加工環(huán)節(jié)中不可缺少的原料用水和清潔用水，其安全狀況會直接影響乳制品的質(zhì)量安全。加工用水衛(wèi)生合格率是指在生產(chǎn)加工過程所使用的水符合國家有關(guān)衛(wèi)生標(biāo)準(zhǔn)的比例。因此，本研究以國家衛(wèi)生部門對生活飲用水的抽檢合格率來近似地衡量乳制品加工用水安全水平。

1.2.6 生產(chǎn)加工設(shè)備消毒合格率

生產(chǎn)加工設(shè)備消毒合格率是指加工企業(yè)的生產(chǎn)設(shè)備符合衛(wèi)生操作規(guī)范的比例。依據(jù)《食品衛(wèi)生法》相關(guān)規(guī)定，食品生產(chǎn)加工過程中所使用的設(shè)備、器具等在使用前后都必須進行清洗和消毒。鑒于數(shù)據(jù)資料獲取難度大，本文選擇國家衛(wèi)生部關(guān)于消毒產(chǎn)品經(jīng)常性衛(wèi)生監(jiān)督抽檢合格率作為本研究的生產(chǎn)加工設(shè)備消毒合格率。

1.2.7 食品添加劑合格率

食品添加劑是為改善乳制品品質(zhì)、外觀及貯存性質(zhì)的必需物質(zhì)，食品添加劑自身的質(zhì)量安全問題會直接影響到乳制品的質(zhì)量安全。三聚氰胺事件之后，食品添加劑便成為食品監(jiān)管部門重點監(jiān)控的對象。因此，本研究選取食品添加劑產(chǎn)品質(zhì)量抽檢合格率作為評價乳制品質(zhì)量安全性的關(guān)鍵指標(biāo)之一。

1.2.8 乳制品生產(chǎn)加工行業(yè)集中度

乳制品生產(chǎn)加工行業(yè)集中度是指市場上前N家主要企業(yè)所占市場份額的總和。研究表明，乳制品行業(yè)集中度會影響企業(yè)利潤空間，進而會影響乳制品質(zhì)量保障能力[13]。同時，行業(yè)集中度的高低決定食品監(jiān)管模式的選擇，高的行業(yè)集中度適合單一政府監(jiān)管部門的統(tǒng)一監(jiān)管，提高管制效率，降低食品質(zhì)量安全風(fēng)險[14]。鑒于此，本研究以乳制品銷售額作為基數(shù)，運用上市的前十家乳品企業(yè)的銷售收入之和占規(guī)模以上乳品企業(yè)的銷售收入總額之比（即行業(yè)集中度CR10）對乳制品生產(chǎn)加工行業(yè)的集中度進行測算。

2 乳制品質(zhì)量安全風(fēng)險預(yù)警模型的建立及實證分析

2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型的建立

BP神經(jīng)網(wǎng)絡(luò)是一種誤差逆向傳遞的多層前饋網(wǎng)絡(luò)，具有強大的非線性映射能力，在解決非線性、不確定性問題方面凸顯了優(yōu)越性。典型的BP神經(jīng)網(wǎng)絡(luò)一般是由輸入層、輸出層和一個及以上的隱含層構(gòu)成，相鄰兩層采用全互連方式，而同層之間無任何連接[15]。根據(jù)Kolmogorov的理論，任何存在閉區(qū)間的連續(xù)函數(shù)都能用單隱層BP網(wǎng)絡(luò)逼近，一個三層的BP網(wǎng)絡(luò)就可以完成任意的N維到M維的非線性映射[16]。因此，本文選擇BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為3層。將上文所建立的預(yù)警指標(biāo)體系中的8個警兆指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入，輸入神經(jīng)元個數(shù)為8。把反映警情指標(biāo)的乳制品抽檢合格率作為網(wǎng)絡(luò)的輸出，神經(jīng)元個數(shù)為1。隱含層的神經(jīng)元數(shù)量選擇對模型運算結(jié)果影響重大，但目前還沒有理想的解析式來表達。一般是先根據(jù)經(jīng)驗公式計算神經(jīng)元個數(shù)的可能選擇，然后再用試錯法進行一定程度的微調(diào)從而確定最佳隱含層神經(jīng)元數(shù)目。經(jīng)驗公式如下所示：

式中：p為隱含神經(jīng)元個數(shù)；m為輸出神經(jīng)元個數(shù)；n為輸入神經(jīng)元個數(shù)；q為常數(shù)（1≤q≤10）。

根據(jù)上述公式計算出的隱含層神經(jīng)元個數(shù)的取值范圍為[4，13]，并通過多次試錯，最終確定最優(yōu)的隱含神經(jīng)元數(shù)量為13。因此，BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為8-13-1。

2.2 實證分析

2.2.1 數(shù)據(jù)來源及預(yù)處理

基于數(shù)據(jù)資料的可得性，本研究以年作為預(yù)警時刻，選取了2002-2017年有關(guān)乳制品質(zhì)量安全的預(yù)警指標(biāo)數(shù)據(jù)作為原始數(shù)據(jù)（見表2）。其中大部分?jǐn)?shù)據(jù)是來源于公開透明的官方統(tǒng)計年鑒、報告和官方網(wǎng)站等，并經(jīng)過筆者計算整理。需要說明是，因個別指標(biāo)數(shù)據(jù)（如加工設(shè)備消毒合格率）的統(tǒng)計不完全的客觀原因，本文引用了楊艷濤[14]已有研究中的數(shù)據(jù)。

數(shù)據(jù)歸一化預(yù)處理是指把數(shù)據(jù)映射到[0，1]或[-1，1]的過程。由于收集到的指標(biāo)數(shù)據(jù)存在較大的數(shù)量級差別可能會影響網(wǎng)絡(luò)收斂速度和學(xué)習(xí)效率，因此在訓(xùn)練網(wǎng)絡(luò)前需要對輸入數(shù)據(jù)進行歸一化。本文采用式（3）使指標(biāo)數(shù)據(jù)落入[0，1]區(qū)間，并利用MatlabR 2017a中的函數(shù)實現(xiàn)。處理后的數(shù)據(jù)結(jié)果如表3所示。

式中：Yi為預(yù)處理后的數(shù)據(jù)；Xi為輸入數(shù)據(jù)；Xmax和Xmin分別為輸入數(shù)據(jù)中的最大值和最小值。

2.2.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

根據(jù)表2的數(shù)據(jù)樣本，選擇2002-2014年的13組數(shù)據(jù)樣本作為訓(xùn)練樣本，2015-2017年的3組數(shù)據(jù)樣本作為測試樣本以驗證模型的性能。由于激活函數(shù)（又稱傳遞函數(shù)）是BP神經(jīng)網(wǎng)絡(luò)的核心與紐帶，對網(wǎng)絡(luò)的性能和結(jié)果有重要影響，因此，在網(wǎng)絡(luò)訓(xùn)練之前，需要對BP網(wǎng)絡(luò)模型的激活函數(shù)和訓(xùn)練函數(shù)進行設(shè)定。本文選取連續(xù)可微的S型對數(shù)函數(shù)Logsig作為連結(jié)輸入層和隱含層的傳遞函數(shù)，隱含層與輸出層則為Tansig函數(shù)。鑒于本文的樣本數(shù)量有限以及BP神經(jīng)網(wǎng)絡(luò)的不足，訓(xùn)練函數(shù)采用改進的訓(xùn)練函數(shù)Traingdx，相較于其他訓(xùn)練函數(shù)，該函數(shù)能夠根據(jù)實際需要動態(tài)自適應(yīng)改變學(xué)習(xí)率，使其更好地訓(xùn)練小樣本的網(wǎng)絡(luò)[17]。同時，設(shè)定網(wǎng)絡(luò)的最大訓(xùn)練步數(shù)為1000，誤差精度為0.001，學(xué)習(xí)率為0.01，其他BP神經(jīng)網(wǎng)絡(luò)參數(shù)均為默認(rèn)值。利用Matlab2017a仿真程序軟件，將13組訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)模型進行學(xué)習(xí)訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖2和圖3所示。由圖2可知，網(wǎng)絡(luò)模型迭代了155次，訓(xùn)練函數(shù)的均方誤差達到了10-3，訓(xùn)練結(jié)果滿足誤差精度要求，模型訓(xùn)練結(jié)束。根據(jù)圖3可知，網(wǎng)絡(luò)模型的實際輸出與期望輸出線性回歸系數(shù)R為0.99282，說明該模型的擬合程度較好。

2.2.3 BP神經(jīng)網(wǎng)絡(luò)的測試結(jié)果分析

利用訓(xùn)練好的網(wǎng)絡(luò)對2015，2016和2017年等乳制品合格率進行預(yù)警預(yù)測，仿真結(jié)果通過反歸一化re-verse函數(shù)得到最終預(yù)測值，其所屬警區(qū)并未發(fā)生變化，如表4所示。為了科學(xué)地評判BP網(wǎng)絡(luò)模型預(yù)測結(jié)果的優(yōu)劣，利用平均絕對百分誤差MAPE和擬合系數(shù)R2等標(biāo)準(zhǔn)進行衡量[18]。表4中的網(wǎng)絡(luò)實際輸出值的最大相對誤差絕對值為0.33%，最小相對誤差絕對值為0.05%，計算得平均絕對誤差百分比為0.23%。而一般計量經(jīng)濟學(xué)認(rèn)為評價結(jié)果的誤差范圍在20%左右就說明評價效果較好，由此可見，該網(wǎng)絡(luò)模型具有一定的有效性和可靠性。同時，擬合系數(shù)R2為0.9409，趨近于1，說明該網(wǎng)絡(luò)模型的擬合能力較強，具有更好的泛化性質(zhì)。因此，本文所構(gòu)建的BP網(wǎng)絡(luò)可以用作乳制品質(zhì)量安全風(fēng)險預(yù)警模型。

表2 2002年-2017年乳制品安全預(yù)警指標(biāo)原始數(shù)據(jù) %

表3 歸一化數(shù)據(jù)

圖2 BP網(wǎng)絡(luò)訓(xùn)練誤差曲線

圖3 線性回歸

表4 測試樣本仿真結(jié)果輸出

3 結(jié)果

乳制品質(zhì)量安全風(fēng)險預(yù)警是食品安全領(lǐng)域的重要研究課題。本文以影響乳制品質(zhì)量安全風(fēng)險相關(guān)指標(biāo)的歷史數(shù)據(jù)為研究對象，嘗試將BP網(wǎng)絡(luò)算法引入乳制品質(zhì)量安全風(fēng)險預(yù)警中，構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)乳制品質(zhì)量安全風(fēng)險預(yù)警模型。驗證結(jié)果表明BP網(wǎng)絡(luò)預(yù)警模型的預(yù)測精度達到了99.77%，說明將該模型能夠?qū)θ橹破焚|(zhì)量安全風(fēng)險進行很好的預(yù)警預(yù)測。同時能夠為其他食品安全領(lǐng)域的預(yù)警研究提供理論支撐和借鑒意義。但是，BP網(wǎng)絡(luò)仍然存在一些自身無法突破的“瓶頸”，如網(wǎng)絡(luò)結(jié)構(gòu)的不確定性、初始權(quán)值和閾值的隨機性等導(dǎo)致預(yù)測結(jié)果的穩(wěn)定性差。因此，在后續(xù)的研究中將考慮用遺傳算子、粒子群算子等優(yōu)化方法與BP網(wǎng)絡(luò)結(jié)合，以彌補其缺陷，增強網(wǎng)絡(luò)模型的魯棒性以及預(yù)測結(jié)果的精確性。另外，現(xiàn)實生活中引發(fā)乳制品質(zhì)量安全風(fēng)險的因素有很多，如政策法規(guī)、標(biāo)準(zhǔn)以及技術(shù)等因素。由于考慮數(shù)據(jù)資料的可獲得性，所構(gòu)建的預(yù)警指標(biāo)體系并不全面。而且，收集的數(shù)據(jù)樣本量有限，可能致使網(wǎng)絡(luò)未能充分訓(xùn)練，影響網(wǎng)絡(luò)預(yù)測的精度。因此，在后續(xù)研究中還要考慮與政府相關(guān)部門的監(jiān)測檢測指標(biāo)項目相結(jié)合，既能獲取大量的原始數(shù)據(jù)樣本，又提高了該模型的實際應(yīng)用價值。