基于数据挖掘的江门市蔬菜食品安全风险分析与预测

• Published in: 食品工业科技 Vol. 44; no. 20; pp. 281 - 288
• Main Authors: 赵杰斌, 黄穗东, 孙远明, 徐振林
• Format: Journal Article
• Language: Chinese
• Published: 广东省台山市市场监督管理局,广东江门 529000%广州市食品检验所,广东广州 510410%广东省食品质量安全重点实验室,华南农业大学食品学院,广东广州 510642 01.10.2023; 广东省食品质量安全重点实验室,华南农业大学食品学院,广东广州 510642
• Subjects: 蔬菜; food safety; predictive model; 食品安全; data mining; 预测模型; vegetables; 数据挖掘; 反向传播(BP)神经网络; back-propagation(BP)neural network
• ISSN: 1002-0306
• DOI: 10.13386/j.issn1002-0306.2022120006

TS201.6; 目的:对江门市 2016～2020年蔬菜食品安全抽检数据进行分析,建立基于数据挖掘的食品风险预测模型.方法:以江门市辖区内农贸市场、批发市场、商场超市、餐饮服务单位等单位 10个种类的蔬菜样本共 1928份,分析其不合格样本和不合格项目的分布情况,并基于监测指标和样本信息,选取蔬菜种类、蔬菜品种、监测场所等 7个属性为输入,结论属性为输出,利用反向传播(back-propagation,BP)神经网络构建蔬菜食品安全风险分析与预测模型.结果:风险分析显示,江门市芽菜类蔬菜、叶菜类蔬菜、根茎类和薯类蔬菜合格率分别为81.7%、95.9%、96.3%,均低于总体合格率 96.6%;4-氯苯氧乙酸钠、毒死蜱和铅元素超标问题突出,不合格批次占比达 71.2%.经数据处理、最优参数筛选、数据训练和验证、模型优化等步骤构建出 3层的BP神经网络模型,该模型总体精度为 96.3%,灵敏度为 96.8%,特异性为 83.9%.结论:该模型具有良好的预测准确度和性能,可为食品安全监管工作提供技术参考.建议可利用快检技术的大数据量优势与BP神经网络相结合,构建多算法组合模型,并加强样品信息登记的规范性,以构建出准确度更高,应用更广的风险分析与预测模型.