基于數據挖掘的江門市蔬菜食品安全風險分析與預測

趙杰斌，黃穗東，孫遠明，徐振林,

（1.廣東省食品質量安全重點實驗室，華南農業大學食品學院，廣東廣州 510642；2.廣東省臺山市市場監督管理局，廣東江門 529000；3.廣州市食品檢驗所，廣東廣州 510410）

蔬菜作為人民群眾生活必需品，保障“菜籃子”產品的安全供應，事關民生福祉和社會穩定。近年來，隨著生活質量的提升，人們更加注重營養均衡和膳食搭配，對于蔬菜的需求量在不斷提升，根據相關研究，2020 年全國人均全年蔬菜消費量為140 公斤，預計到達2023 年消費量可達166 公斤[1-2]。目前，威脅蔬菜質量安全的污染物主要以農藥殘留和重金屬為主[3]，國內外相關國家和組織均對農產品質量安全建立風險預警體系，包括由歐洲食品安全局（European Food Safety Authority，EFSA）建立的食品與飼料快速預警系統（Rapid Alert System for Food and Feed，RASFF），美國疾病預防和控制中心（Centers for Disease Control and Prevention，CDC）建立的食源性疾病主動監測網絡（Foodborne Disease Active Surveillance Network，FoodNet），國家食品安全風險評估中心（China National Center for Food Safety Risk Assessment，CFSA），均通過對農產品風險監測的相關數據進行分析，實現農產品安全隱患的提前預測與介入[4]。

目前，對于農產品安全風險預警分析主要是基于具體抽檢數據，對不合格樣本、食品種類、涉及場所等環節進行數據統計分析，并對存在的主要問題進行剖析的傳統方法[5]。而利用數據挖掘技術，對現有數據間內在聯系進行挖掘，可構建出對問題分析和預測的模型，人工神經網絡（Artificial Neural Network，ANN）作為數據挖掘工具，在食品領域中國外已有相關的應用研究，如Chen 等[6]利用高光譜成像測定牡蠣中總揮發性堿性氮含量，以總揮發性堿性氮含量對牡蠣新鮮度進行評價，利用BP 人工神經網絡預測牡蠣在貯藏期間的新鮮度；Tarafdar 等[7]以含水率、干燥效率和干燥速率為輸出干燥參數，利用人工神經網絡構建了蘑菇冷凍干燥應用模型預測生物材料的干燥過程，并與半經驗模型進行比較發現，人工神經網絡具有更優秀的預測效率；Mercie 等[8]利用物理傳熱模型來計算貨柜中的溫度分布情況，并以此作為訓練數據構建出可預測易腐食品在運輸過程中溫度變化的神經網絡框架。國內在食品領域的應用研究中，范維等[9]基于實時聚合酶鏈式反應法（Real-time PCR）對牛、羊肉串成分檢測，并運用BP 神經網絡算法構建牛、羊肉串摻假的風險預測模型；陳鋰等[10]參照國家食品檢驗標準結合專家打分，對肉制品中鉛含量分成6 個風險等級，利用神經網絡建立三層的時間序列風險預警模型；魏泉增等[11]基于頂空固相微萃取結合氣質聯用（GC-MS）測定花生油的揮發性成分，采用人工神經網絡對數據進行建模和預測，建立可用于鑒別不同工藝花生油的模型。相比較下，目前鮮見基于抽檢數據利用人工神經網絡構建農產品質量安全分析和預測模型的研究，有關江門市乃至廣東省抽檢數據的模型研究尚處于空白。

因此，本研究根據2016～2020 年江門市全域范圍內蔬菜抽檢數據，運用SPSS 軟件對其質量安全狀況進行分析，并運用IBM SPSS Modeler 軟件基于抽檢數據的各項指標，利用BP（Back-Propagation，BP）神經網絡進行數據挖掘，構建出江門市蔬菜食品安全風險分析與預測模型，為監管部門進一步做好農產品監管提供技術參考。

1 材料與方法

1.1 樣本來源

蔬菜樣本 2016～2020 年，本研究從江門市四市三區的農貿市場、批發市場、商場超市、餐飲服務單位等單位對10 個種類的蔬菜進行采樣，每年各類蔬菜抽樣情況如表1 所示，共抽取蔬菜樣本1945份，其中豆類蔬菜148 份、葉菜類蔬菜469 份、根莖類和薯類蔬菜297 份、鱗莖類蔬菜116 份、瓜類蔬菜194 份、蕓薹類蔬菜196 份、茄果類蔬菜277 份、芽菜類蔬菜142 份、水生蔬菜19 份、食用菌87 份。

表1 2016～2020 年各類蔬菜采樣情況Table 1 Samples of various vegetables from 2016 to 2020

1.2 檢測和判定方法

依據GB23200.113-2018《食品安全國家標準 植物源性食品中208 種農藥及其代謝物殘留量的測定氣相色譜-質譜聯用法》、GB 23200.121-2021《食品安全國家標準 植物源性食品中331 種農藥及其代謝物殘留量的測定 液相色譜—質譜聯用法》、BJS 201703《豆芽中植物生長調節劑的測定》、GB 5009.12-2017《食品安全國家標準 食品中鉛的測定》、GB 5009.15-2014《食品安全國家標準 食品中鎘的測定》等標準，對蔬菜中的氧樂果、毒死蜱、甲基異柳磷、克百威、水胺硫磷、氟蟲腈、腐霉利、阿維菌素、噻蟲嗪、滅蠅胺、4-氯苯氧乙酸鈉11 種農藥殘留，鎘和鉛2 種重金屬元素進行測定。根據GB 2762-2017《食品安全國家標準 食品中污染物限量》、GB 2763-2021《食品安全國家標準 食品中農藥殘留最大殘留量》和《國家食品藥品監督管理總局、農業部、國家衛生和計劃生育委員會關于豆芽生產過程中禁止使用6-芐基腺嘌呤等物質的公告》（2015 年第11 號）對檢測結果進行判定。

1.2.1 蔬菜食品安全預測模型構建

1.2.1.1 BP 神經網絡模型的構建 人工神經網絡（ANN）是一種模仿人腦功能，基于生物神經系統結構的數據處理系統，通過人工神經元之間相互連接構建出一個非線性的自適應系統，可應用于數據分析為核心的數據挖掘領域，實現對數據的預測、分類等功能，為決策制定和問題分析提供技術參考[6,12]。BP 神經網絡，又稱反向傳播（back-propagation,BP）神經網絡，作為一種前饋、多層式網絡，在反復向輸入的樣本學習的訓練過程中，通過不斷調整網絡的權值來獲得最小的誤差，以實現網絡輸出無限逼近期望值的目標[13-14]。本研究將利用2016 年至2020 年江門市蔬菜食品安全監督抽檢數據為樣本，將多維度的不同抽檢數據輸入BP 神經網絡，通過反復的訓練從而獲得預測目標變量結果。

1.2.1.2 數據樣本的預處理 數據自身的數量，格式和結構等特點是構建BP 神經模型的關鍵基礎，除了要保證有足夠數據量作為支撐外，還需要選擇數據的特征屬性，以保證模型的準確度和實用性。原始的抽檢數據中包括了受檢地址、聯系人、聯系電話、型號規格、文字商標、檢驗機構等多個屬性，這些僅能代表單一樣本的屬性，無法適用于以多個樣本為基礎的模型構建中[15]。由于本研究通過基于采樣時間、采樣地點和樣本自身屬性等多個維度，構建蔬菜食品安全預測模型，因此選取了年份、月份、行政區域、所屬鎮街、監測場所、蔬菜種類、蔬菜品種7 個具有代表性屬性作為輸入變量，將結論作為輸出變量（目標變量）。

此外，蔬菜樣本在采集工作中，采樣信息時受個人理解、地方方言等影響，造成同品種蔬菜會登記成不同名字，如結球甘藍會登記為包菜、卷心菜、包心菜等，為保證數據的統一性，本研究將參考GB 2763-2021《食品安全國家標準 食品中農藥最大殘留限量》中附錄A 來規范蔬菜品種名稱。為了方便數據的導入，對輸入數據按照屬性進行整理，數據框類型見表2。

表2 BP 神經網絡模型數據框類型Table 2 Data frame type for BP neural network model

1.2.1.3 建模流程 模型構建的流程見圖1，通過源節點對整理好的excel 電子表格數據進行導入；通過字段選項節點的類型選項對數據值進行讀取并進行角色調整；利用分區選項將輸入的數據集分為訓練集和驗證集；由于食品安全抽檢的結論為合格和不合格的樣本量之間是不平衡的，為提高模型對于合格和不合格樣本的預測準確性，需要通過記錄節點的平衡選項對數據集進行平衡；最后通過神經網絡節點對建模后，再利用分析節點和圖形評估節點來對模型的準確度進行分析。

圖1 模型構建流程圖Fig.1 Flow chart of model establishment

1.2.1.4 建模參數設置 a.類型節點的設置：將數據導入后，類型節點將讀取數據集的值，將各項屬性設為名義屬性，除將檢測結果設為輸出角色，其他變量均設為輸入角色。由于神經網絡只能處理數值型輸入變量，自動數據處理會將分類變量轉化為取值為0 或1 的數值變量，對各變量進行二進制編碼，符合神經網絡輸入的要求[16-17]。

b.分區節點的設置：將數據集分成訓練集和驗證集，以提高模型的穩定性和延續性。本研究的分區節點的設置為：訓練分區大小70%，測試分區大小30%。

c.平衡節點的設置：本研究中共采集的蔬菜樣本1945 份，其中不合格樣本62 份，占比3.2%，合格樣本和不合格樣本的分布比例過于懸殊，如果直接用于模型構建，會因小概率樣本的預測結果較差，影響模型的準確率。參考Linoff 的研究[18]，采用過抽樣（Oversampling）或欠抽樣（Undersampling）技術來調整兩者樣本的分布比例，Linoff 認為小概率樣本的比率維持在10%～50%之間，會獲得較好的效果。對于平衡節點的設定，將以模型的總體準確率為判定指標，選出最佳的小概率樣本事件的比率。

d.神經網絡建模節點的設置：神經網絡模型選擇多層感知器（MLP），一種通過“誤差反向傳播算法”多層前向網絡；模型停止規則為“無法進一步降低誤差”，在模型訓練環節中，模型在向樣本學習的同時，通過權值進行不斷修正，使得獲得預測誤差最低的期待模型；在模型中間隱藏層的神經元數量設定上，根據田興國等人的研究[19]，每一個BP 神經網絡都有一個最優的中間神經元數量，通過經驗計算公式確定隱藏層中神經元的數量合理范圍。

式中：n1 為隱藏層節點數，n 為輸入節點數，m為輸出節點數，a介于1～10 的常數。

1.3 數據處理

采用Excel 2007 軟件進行數據統計和建模數據樣本預處理；SPSS 19.0 軟件進行相關性分析和顯著性差異分析；IBM SPSS Modeler 14.1 軟件構建BP神經網絡模型；采用Origin 2019 軟件進行繪圖。

2 結果與分析

2.1 蔬菜食品安全風險分析

2.1.1 各年間總體合格率的分析 本研究抽檢的1945 份蔬菜樣本，共有65 份樣本不合格，總體合格率為96.6%，各年檢測情況見圖2。采用Excel 2007和SPSS 19.0 軟件，對各年間整體合格率進行顯著性差異分析，通過卡方檢驗顯示χ2=10.8，P<0.05，表明各年檢整體合格率之間的差異顯著，具有統計學意義。除2017 年以外，均保持在95.5%以上，且維持在穩定水平。

圖2 2016～2020 年各年間總體合格率情況Fig.2 Overall qualified rate of each year from 2016 to 2020

2.1.2 不合格樣本種類的分析 由圖3 可知，10 個種類蔬菜中，除瓜類蔬菜、水生蔬菜、食用菌以外，其余7 個種類的蔬菜均檢出不合格樣本，其中合格率最低三個蔬菜種類分別是芽菜類蔬菜81.7%、豆類蔬菜95.9%、根莖類和薯類蔬菜96.3%，均低于總體水平。

圖3 2017～2020 年抽檢不合格蔬菜種類情況Fig.3 Distribution of unqualified samples on different vegetables from 2016 to 2020

在不合格樣本中芽菜類蔬菜最多，占不合格樣本總數的40%，其次是葉菜類蔬菜，根莖類和薯類蔬菜，分別占比16.9%和21.5%。利用SPSS 19.0 軟件對上述3 個種類蔬菜的歷年采樣總數和不合格總數進行皮爾遜（Person）相關性分析，顯示Person 相關系數ρ=0.95，P<0.05,表明采樣總數和不合格總數之間存在極強的相關，通過增加高風險品種蔬菜的采樣量能有效地發現不合格樣本。

2.1.3 不合格項目的分析 根據農業農村部公布的《禁限用農藥名錄》（2019 版）要求，毒死蜱、氟蟲腈、甲基異柳磷、克百威4 種農藥被禁止用于蔬菜的種植種；根據原國家食藥總局在2015 年發布的《關于豆芽生產中禁止使用6-芐基腺嘌呤等物質的公告》，將4-氯苯氧乙酸鈉列作農藥登記管理，并禁止用于芽菜類蔬菜的種植種。由圖4 可知，2016 年至2020年間，江門市蔬菜食品安全問題可分為農藥殘留超標、重金屬超標和植物生長激素超標三類問題，其中4-氯苯氧乙酸鈉、鉛元素、毒死蜱不合格批次最多，分別占不合格項次比例39.4%、21.2%、10.6%。可見，江門市蔬菜中禁限用農藥殘留超標、鉛元素蓄積和違規使用植物生長激素的問題較為突出，結論與李培武等[3]和周輝等[20]的研究相一致。

圖4 2016～2020 年抽檢不合格項目情況Fig.4 Distribution of unqualified sampling items from 2016 to 2020

造成上述問題的原因：a.在豆芽生長過程中加入4-氯苯氧乙酸鈉能促進生產，提高產率，使其芽軸變長，根部變短[21]，加之4-氯苯氧乙酸鈉的無需指定銷售或購買登記，造成部分種植戶為提高豆芽產量違規使用；b.除《禁限用農藥名錄》（2019 版）中41 種禁止生產銷售和使用的農藥以外，其他農藥均可登記銷售，但對于購買后的施藥范圍和施藥量缺乏監管，加之農戶安全用藥知識和意識缺乏，導致超范圍和超限量使用農藥問題的出現；c.重金屬元素在植物代謝旺盛的器官中蓄積量最大，同時根部作為最先接觸土壤重金屬的器官，造成植物根部相對于其他部位而言蓄積量更多，根莖類和薯類蔬菜可食用部分主要是其根部，導致此類蔬菜在抽檢時較其他種類的蔬菜更容易出現鉛元素超標的問題[22-23]。根據胡霓紅等[24]，陳志良等[25]對江門周邊城市蔬菜重金屬蓄積情況的研究結果顯示，葉菜類蔬菜的重金屬蓄積能力較其他種類蔬菜更強，但江門市實際情況與其研究結果不一致。

2.2 蔬菜食品安全數據挖掘與預測模型

2.2.1 不同平衡節點下模型準確度對比 參考Linoff等[18]的研究，將平衡節點中的合格：不合格分別設置為3.4:1、7.6:1、13.0:1、20.2:1、30.4:1，其他節點按軟件默認設置，所形成的模型概況如表3 所示。

表3 不同平衡節點設置下模型準確度對比Table 3 Accuracy comparison of different balance node settings

在模型的整體準確度方面，通過過抽樣的方式增加不合格樣本的比率，對于模型的總體合格率有明顯的提升，但當合格：不合格達到13:1 時，再次提升不合格樣本的比率對于整體合格率提升并不明顯。在合格樣本和不合格樣本的準確度上，隨著不合格樣本的比率增加，對不合格樣本的預測準確度也隨著增加，并在合格:不合格=13:1 時達到100%，與此同時對合格樣本的預測準確度也在下降。因此，對于本研究模型的平衡節點設置采用合格:不合格=13:1。

2.2.2 不同隱藏層神經元模型下準確度對比 模型共有7 個輸入節點和1 個輸出節點，根據公式（1）計算，隱藏層節點數取值在4 至13，按照訓練集:驗證集=7:3，平衡節點合格:不合格=13:1 設置，根據不同隱藏層節點數所構成的10 個模型準確度在92.7%至96.1%區間，合格樣本的預測準確度在89.4%至94.5%區間，不合格樣本的預測準確度在91.3%至100%區間，如圖5 所示。通過比較發現，當隱藏層節點設置為5 個時，在模型總體準確度、合格樣本和不合格樣本預測準確度上均為最優，因此將其作為模型最優設置參數。

圖5 不同隱藏層神經元模型下準確度對比Fig.5 Accuracy comparison of different hidden layer neuron models

2.2.3 模型優化和評價 為進一步提升模型的準確性，采用推進方法（Boosting）對模型進行優化。Boosting 是由Schapire 在1990 年提出的多項式級的算法[26]，其原理是通過產生一系列“成分模型”，每個會在整理數據上進行構建，在構建每個后續成分模型之前，會根據前一個模型的殘差對記錄進行加權。具有較大殘差的會被給予較高的分析權重，下一個成分模型將更側重于這些記錄。這些成分模型共同構建一個整體模型，同時采用組合規則對新紀錄進行評分，可用的規則將取決于目標的測量級別[27-28]。使用Boosting 構建模型相對于標準模型而言，需要花費更長的構建和評分時間，但是模型的結果預測精確度會更高。結合“2.2.1”和“2.2.2”的最優設置參數，使用Boosting 方法構建模型后，添加分析節點和評估節點，并與標準模型連接，以對比兩個模型的準確性和性能。另外，還將通過交叉驗證方法來對比兩個模型的穩定性。

在模型的準確性上，本研究將采用靈敏度（sensitivity，sen）、特異度（specificity，spe）、精度（accurary，acc）三個參數，分析模型的準確性。

靈敏度，代表實際為正例被判斷為正例的概率，當靈敏度越高時，反映模型對合格樣本的預測不容易出現誤判。

式中：TP 代表模型正確預測為合格的樣本數（true positive，TP），FN 代表錯誤預測為合格的樣本數（false negative，FN）。

特異度，代表實際為負例被判斷為負例的概率，當特異度越高時，反映模型對不合格樣本的預測不容易出現漏判。

式中：TN 代表模型正確預測為不合格的樣本數（true negative，TN），FP 代表錯誤預測為不合格的樣本數（false positive，FP）。

精度，代表預測正確的樣本占總樣本的比例，反映出模型總體分類的能力。

從表4 可知，使用Boosting 構建的模型相比標準模型在精度上提升了2.32%；在不合格樣本預測的特異度方面，Boosting 模型被錯判的樣本比標準模型增加4 個，不合格樣本總量較少，即便被錯判的樣本數量相差較小，造成兩者特異性差異較大，但Boosting模型特異度為83.87%仍可接受；在合格樣本預測的靈敏度方面，Boosting 模型被錯判的樣本比標準模型減少了74 個，靈敏度提升了4.37%。綜合分析，運用Boosting 構建的模型比標準模型精確度有明顯的提升。

表4 標準模型與優化模型的準確性比較Table 4 Accuracy comparison between normal model and optimized model

在模型性能評估上，分別選擇增益和提升兩種類型的圖，結合基線與最佳線綜合分析，在累積收益圖中，一個良好的模型，收益線會向100%徒增，然后趨于平穩狀態；在累積提升圖中，累積線始于大于1.0 的值，并向1.0 靠近，良好模型的響應圖，圖表左側會保持較高水平，在圖表右側曲線將迅速下降。從圖6 可知，增益和提升圖表均顯示Boosting 模型和標準模型與最優模型想接近，對于不合格樣本預測的總體性能較好，但兩個模型之間對比，Boosting 模型明顯優于標準模型，在提升圖表中，前1 個百分位不合格預測的性能前者比后者提升15.4%。

圖6 標準模型與優化模型性能評估圖Fig.6 Performance evaluation diagram of normal model and optimized model

在模型的穩定性評估上，采用十折交叉驗證（ten-fold cross validation）對標準模型和boosting 模型進行分析，利用excel 將1945 個樣本數據隨機分為10 份，其中任意9 份作為訓練數據集訓練模型，剩余1 份作為測試數據集測試模型，重復10 次試驗。

如圖7 所示，在十折交叉驗證中，boosting 模型訓練集正確率保持在97.8%～98.6%，方差為0.1，測試集正確率保持在91.5%～95.5%之間，方差為1.8；標準模型模型訓練集正確率保持在91.4%～97.1%，方差為3.0，測試集正確率保持在87.5%～95.5%之間，預測正確率之間方差為6.5。由此可見，運用boosting 構建模型的穩定性優于標準模型。因此，本研究所構建模型的最優參數設置如表5 所示。

圖7 標準模型與優化模型十折交叉驗證情況Fig.7 Ten-fold cross validation of normal model and optimized model

表5 模型最優參數設置Table 5 Optimal parameter settings for the model

3 討論與結論

3.1 討論

本研究所構建的模型，是通過輸入樣本的屬性來預測樣本的結果，在實際食品安全抽檢工作前作為參考，將樣本的屬性輸入到已訓練好的BP 神經網絡模型后，可根據模型預測的結果指定抽檢方案并進行針對性檢測，提升食品安全抽檢的靶向命中率，同時對于降低部分合格率高品種的抽樣量，節省人力、物力的投入，提升抽檢工作的效率，具有較高的實用價值。另外，除了在法定檢測中運用外，也可用結合日?？焖贆z測工作使用。相對比法定檢測而言，快速檢測利用快速、簡便、廉價等優勢實現大面積篩查，可為模型構建提供大量的數據量，進而對優化模型。

但是模型構建過程中，樣本屬性信息登記不規范、不合格樣本占比極低、樣本輸入屬性選擇等因素也會對模型的準確性和實用性造成較大的影響，因此在建模過程中對數據準確尤為重要，建議監管部門豐富抽檢信息公示的內容，并按照規范性文件規范產品信息填寫。此外，使用BP 神經網絡構建的模型雖然具備較高的分類精度，能自適應和自主學習，但其作為“黑箱模型”（Black box）弊端也得模型的解釋性和穩定性較差，根據Liu 等[29]、向暉[30]、王強等[31]研究，將不同算法構建的模型進行組合，利用不同種類模型的優勢互補，避免單體模型的弊端，同時又共同解決同一個問題。因此，在模型進一步優化中，可以此為方向，基于多種算法組合的農產品質量安全分析和預測模型。

3.2 結論

本研究對江門市1945 份蔬菜樣本的農藥殘留和重金屬含量情況分析發現，芽菜類蔬菜、葉菜類蔬菜，根莖類和薯類蔬菜三類蔬菜總體合格率低于總體水平，其中以4-氯苯氧乙酸鈉、鉛元素、毒死蜱問題較為突出。通過對上述檢測數據進行深層挖掘，利用IBM SPSS Modeler 14.1 軟件構建蔬菜食品安全的BP 神經網絡預測模型。經過對平衡節點、隱藏層神經元、訓練方法的優化，構建出3 層神經模型的精度為96.3%，對合格樣本的靈敏度為96.8%，對不合格樣本的特異性為83.9%，結合增益和提升兩種評估圖分析，該模型的預測效果良好，可為蔬菜食品安全抽檢工作提供參考。建議在利用法定抽檢數據的進行模型構建的基礎上，結合快速檢測的優勢獲得更大的數據量，同時通過不同算法構建的模型組合，利用各自的優勢來構建準確度更高，應用面更廣的預測模型。