風險預警模型在調味品安全研究中的應用

◎ 黃先亮，吳彥蕾，辜世偉，馮桂蓉，胡袁家，何海洋，張昌宏，雷 迅

（1.重慶市食品藥品檢驗檢測研究院，重慶 401121；2.國家市場監管重點實驗室（調味品監管技術），重慶 401121；3.重慶醫科大學 公共衛生學院，重慶 401331）

調味品是人們日常飲食中必不可少的一大類食品，我國調味品的研制及食用歷史悠久。近年來，隨著人們生活水平的提高，飲食結構逐漸改變，調味品的種類也日益豐富[1]，包括咸味劑、酸味劑、甜味劑、鮮味劑和辛香劑等。隨著消費者生活節奏的加快，餐飲店對于出餐效率越來越重視，調味品產業處于快速增長階段。目前，調味品產品品種較多（包括醬油、食醋、復合調味料、香辛料等）、加工方式多樣（提取發酵型、分解反應型和原料混配型等），已逐漸向規模化、自動化方向發展。此外，調味品產業鏈條長、原料復雜、種類繁多，加上生產門檻較低，且大多數生產規模小而散，致使食品安全問題較多，監管難度大，存在輿情和安全事件隱患。

1 調味品安全問題現狀

調味品產業發展迅速，總體安全質量較好，但仍然存在諸多質量安全問題[2]，如質量指標不合格、食品添加劑超標和微生物指標不合格等。與調味品相關的事件時有發生，如“天津獨流調味品造假”事件引發全國關注。調味品行業存在的主要食品衛生問題在于原料的選擇問題、食品添加劑的使用問題以及工廠設備及衛生管理問題[3]。此外，復合調味料在餐飲行業中的使用也存在一些問題，如超劑量、超范圍使用食品添加劑，個別餐飲企業為降低成本使用過期、劣質或假冒的復合調味料，自制復合調味料難以保證標準化，因此監管難度大[4]。為了解決這些問題，除了生產廠家自身需要有效控制原材料的使用安全以及做好衛生管理之外，政府部門加大監管力度也十分重要。為了更好地應對調味品所面臨的安全問題，開展調味品安全風險評估與預警十分必要。

2 食品安全風險預警模型研究

當前，我國食品安全治理的理念和體系正在逐步由政府監管為主導的模式向社會共治的模式轉變。2015 年修訂的《中華人民共和國食品安全法》第三條明確指出“食品安全工作實行預防為主、風險管理、全程控制、社會共治，建立科學、嚴格的監督管理制度”，并提出建立食品安全風險監測制度[5]。

食品安全預警是一種預先警示，事先對食品安全狀況進行“告警”，針對食品可能產生安全隱患時預先警示，并能夠實時有效控制[6]。一個快速且有效的食品安全預警系統不僅有利于食品的質量安全[7-8]，還有利于食品安全風險監管。目前，歐盟建立了食品和飼料快速預警體系（Rapid Alert System for Food and Feed，RASFF），該體系為系統內成員提供了有效的交流途徑，促進彼此交換信息，并采取措施確保食品安全。美國食品藥品監督管理局（Food and Drug Administration，FDA）的預警工作包括安全提示和建議、召回信息、警告信和提示信[9-10]。

對于食品安全風險監測預警，已有較多探索性研究，主要圍繞基于大數據的食品安全數據挖掘算法和預處理技術，建立風險監測和預警模型。例如，高亞男等[11]利用集成模糊層級劃分的LightGBM 食品安全風險預警模型對肉制品進行了風險預測，并驗證了模型的優越性。LIANG[12]在研究中建立了一個新的系統動力學（System Dynamics，SD）模型，開發了具有不同目標函數的9 個優化SD 模型，結果表明，所提出的SD 模型對于食品安全風險溝通系統進行的風險評估、管理和決策是有效的。作為數據挖掘中的一種重要工具，機器學習也應用于風險評估。蔡強等[13]使用BP 神經網絡結合層次分析方法構建食品安全評價模型；洪雪婷[14]運用貓群算法優化支持向量機參數的模型，建立了支持向量機（Support Vector Machines，SVM）為代表的核方法對乳制品食品安全進行風險評估；劉宇姍[15]研究了食品供應鏈的特點，并確定其構成和關鍵控制點，運用隱馬爾可夫（Hidden Markov Model，HMM）模型評估乳制品安全風險，計算供應鏈的風險水平，同時建立了一個多層次、多指標的食品安全風險評估指標體系。

3 調味品安全風險預警研究現狀及存在問題

風險預警模型的研究主要集中在肉制品、乳制品等類別，而針對調味品的研究較少。孫勝枚等[16]對調味品生產企業預警體系構建的必要性和緊迫性進行了分析，并在企業自身建立的危害分析及關鍵控制點（Hazard Analysis and Critical Control Point，HACCP）體系基礎上，提出了食品安全預警體系的基本框架和調味品企業實施預警體系的操作流程，但該預警體系是在HACCP 的基礎上，針對生產過程進行的食品安全控制。馬紅迪[17]依據食品安全抽檢數據的檢測值和標準值，構建取值在0 ～1 的食品安全風險指數，利用決策樹和隨機森林模型預測了食品安全風險指數，但是該研究僅僅針對調味品中的食品添加劑進行了分析，對調味品的其他指標沒有進行分析。GENG 等[18]提出了一種新的自適應粒子群算法，優化了長短期記憶神經網絡（IAPSO-LSTM），建立了以中國某省份的復合調味品檢測數據為例的食品安全風險預警模型，實驗結果表明，IAPSO-LSTM 的總體性能好，該模型可以有效地幫助相關部門預警食品中的潛在風險因素，確保食品安全，該研究僅針對調味品大類下的復合調味品。

目前，針對調味品安全風險的研究不多，尤其是調味品安全風險預警相關的文獻報道較少，有的僅針對調味品大類下的某一小類，有的僅針對眾多指標中的某一類指標，對調味品系統性、整體性的風險預警還有待進一步研究。且目前還存在以下困境：針對調味品安全的風險識別與預警尚無一套成熟的理論與技術；單中心、小而分散的監測數據集不足以支撐系統、準確的風險預警技術的開發。

4 調味品安全風險預警研究方向

早期風險識別與及時監測預警是解決調味品安全監管問題的關鍵。隨著信息化和大數據時代的到來，如何從有用信息中提取數據是亟待解決的問題[19]。機器學習作為非常實用的數據挖掘方法，以外環境提供的大量數據信息為對象，通過計算機模擬人類學習過程，對數據信息進行收集、整理、分析、儲存、統計，推斷出其中規律而建立某種模型，再對未知數據進行推測[20-21]。近年來，大部分食品安全風險預警模型的研究都選擇了機器學習作為研究方法，包括支持向量機、隱馬爾科夫模型、貝葉斯網絡、極限學習機、決策樹以及神經網絡等。因此，建立一套科學可行、符合調味品特點的評價指標體系和風險預警模式是當前及將來的研究方向。

5 結語

針對調味品安全監管的核心問題開展研究，探索建立量化分級的風險評估指標體系，利用機器學習、深度學習算法，構建優化的風險預警模型，可為調味品安全風險的精準識別、早期預警提供技術支持，準確、高效地識別和預警風險在調味品安全監管實踐中至關重要。