大數據環境下基于神經網絡技術的食品安全監管

孟慶杰 堯海昌

(1.南京工業職業技術大學，江蘇 南京 210046；2.南京郵電大學，江蘇 南京 210023)

近年來中國的食品行業運行狀況得到了空前發展。2019年上半年，全國規模以上食品企業工業增加值保持穩定增長，其中農副食品加工業累計同比增長4.7%，食品制造業累計同比增長5.5%；全國規模以上食品工業企業營業收入39 311.4億元，同比增長5.0%；利潤總額2 710.1億元，同比增長10.0%。在經濟效益增長的同時，存在的食品安全問題也逐漸凸顯，受到了公眾的廣泛關注，國家對于食品安全的監管也愈發深入[1]。

中國對于食品安全問題的監管一直處于不斷發展階段，近幾十年來從監管模式上也有了一定的革新和突破。但是在如今大數據時代背景下，食品信息數據越來越龐大，也越來越復雜，有必要順應時代、結合新型技術對傳統的食品安全監管模式進行優化[2]。對于由不同地區、機構采集到的食品信息數據，如何進行系統化的匯總和整理，并從數據中發現潛在的安全隱患問題，及時向公眾預警已非常迫切。目前，在中國乳制品質量安全評價中已應用了BP神經網絡評價模型，通過訓練設置相應的參數，更客觀地反映中國乳制品質量的實際情況[3]。而通過數據挖掘和神經網絡對數據進行整理和分析，進一步實現信息共享，發揮計算機的高速運算能力和信息處理能力，對于食品安全的監管來說是一個新的突破。因此，文章擬對大數據環境下的食品安全監管問題進行分析，旨在為推進中國大數據食品安全監管模式的理論完善及實踐應用提供依據。

1 食品安全監管

1.1 傳統食品安全監管模式

目前對食品安全監管最確切的定義是一項國家政府等職能部門對食品生產、加工、流通企業的食品安全進行監督和管理的干預控制活動，包括對食品生產加工及流通環節的日常監管、食品質量安全市場準入制度的規范管理，以及對食品生產質量不達標等違法行為的查處[4]。隨著時代的變遷，食品安全問題也在不斷更新和演變，中國在食品安全的監管方面也經歷了幾個典型時期。由圖1 可知，中國的食品安全監管經歷了從無到有、從單一部門到多部門再到單一部門的演變。20世紀90年代，中國進入了多部門同時監管食品安全的“九龍治水”時期，此時的監管模式較為混亂；2009—2013年，新增了國務院食品安全委員會，被稱為“九加一”時期；2013—2018年，食品安全監管的主要機構確定為國家食品藥品監督管理總局，與之前相比監管力度更強；2018年3月之后，市場監督管理局正式成立并由其負責食品安全的監管，消除了以往監管模式中各個環節存在壁壘的問題。

圖1 中國食品安全監管的歷程Figure 1 The course of food safety supervision in China

雖然中國食品安全監管模式經過不斷的完善，在一定程度上控制了中國食品安全事故的發生狀況，但并未從根本上有效解決食品安全問題。尤其是在信息化的大數據時代，食品安全相關的社會主體數量大、分布廣，食品安全信息碎片化，這也給傳統的監管模式帶來了巨大的困難。目前中國食品安全的監管主要依靠政府部門來完成，存在監管手段傳統單一的問題，通常是采取人工監管和以罰代管的手段，并且人工監管成本高、監管效率低。

1.2 大數據下的食品安全監管

當今社會的信息化水平越來越發達，隨之而來的是各個領域的數據也呈指數式增長，各個社會個體也都有機會接觸到海量的信息。但是信息不對稱，導致大眾對食品安全的相關信息越加關注。運用大數據實現對食品安全監管的優化是目前提高監管質量、解決民生問題的重要方向。其中最基本的是要從海量數據中篩選有效信息并進行整合，從而根據整體趨勢預測問題，做到食品安全事故的“未發先預”[5]。

美國政府作為全球范圍內對食品安全監管力度最大的機構，在各個時期制定的食品監管政策也較為靈活，處于領域發展的引領地位。早在2009年，美國開發了商品召回查詢系統，消費者可以通過網站查詢到食品召回的實時信息，監管部門在檢查過程中如果發現存在食品安全隱患，也會強制召回[6]。2014年，美國發布了基于美國食品藥品監督管理局(FDA)數據共享平臺的Open FDA，該項目是使用以用戶為中心的設計流程所創建的，實現了食品數據的公開和交換，并且能夠根據數據發掘深層次的信息，有效遏制食品安全事故的發生[7]。

由表1可知，與中國的傳統監管模式相比，運用大數據進行食品安全監管存在非常明顯的優勢?？偟膩碚f，運用大數據進行監管，不僅能夠確保每一個問題食品的追根溯源；同時也有利于監管部門通過大數據進行提前預警和精準監管。

2 數據挖掘：食品安全風險的預警

2.1 食品數據的采集與信息共享

在食品安全監管領域運用大數據相關技術，最核心的是通過數據挖掘的方法消除數據與知識之間的鴻溝，使數據以知識的形式體現。基于數據挖掘所得信息的有效性和前瞻性特點，可以根據以往的信息對未來可能的食品安全隱患時間進行預測，開展有效的預防管理措施。歐美一些發達國家在數據挖掘的運用方面較中國更加成熟，尤其是在食品數據的采集、整合與共享環節都非常規范和成熟。美國在2011年已構建了食品安全監管的網絡體系，其下屬的5個機構協同進行監管(見圖2)。

在食品安全數據方面，歐美以及日本等發達國家的開放程度較高，能夠保證相關數據對成員單位及社會大眾等持續開放。尤其是美國基于搜索的應用程序Open FDA開發后，食品生產企業、公眾、專家、媒體等社會各界都可以進行食品數據、檢測報告的檢索和使用。據統計[8]，截止到2017年，在Open FDA上注冊的用戶已高達13 000多個。許多軟件在開發時也盡可能與Open FDA相鏈接，為用戶提供全面、便捷的食品相關報告與檢索服務。Open FDA數據庫的開放使公眾更直接地參與食品監管活動中，在調動社會各界參與食品監管積極性的同時，也提升了全面監管的效率和質量。Open FDA項目由開放的數據(原始數據下載)、開放的源代碼(可檢索的、開放的應用程序編程接口)和開放的社區(技術文檔和應用實例的交流平臺)3部分組成，最終的產品是形成第三方開發的手機軟件。Open FDA項目基于云平臺技術，可自動實時數據更新；數據獲取方式分為網頁和應用程序編程接口2種。在建立數據共享平臺的基礎上，一方面FDA開發手機軟件加強信息交流，進行有效的數據交換并探索公共網絡數據的開發；另一方面，企業與研究機構利用FDA的開放數據，創造性地開發了數據的商業價值和研究價值。

表1 傳統監管模式與大數據監管模式的對比Table 1 Comparison between traditional supervision mode and big data supervision mode

圖2 美國食品安全監管的網絡體系Figure 2 The network system of food safety supervision in the United States

2.2 基于神經網絡的數據挖掘方式

各食品監管部門的職能不同，因此建設了很多業務系統，使食品監管部門的監管效率大幅提升。但對于積累的大量類型多樣的食品監管數據，只有很少一部分被開發利用。構建基于BP神經網絡的食品安全預警模型，能夠有效識別、記憶、預測食品安全監測得到的日常數據中的危險特征，這對于食品安全監管來說能夠從源頭規避危險因素。數據挖掘作為一種新型的技術，所挖掘到的信息具有前瞻性。傳統的數據分析會忽視一些潛在信息，而通過數據挖掘技術能夠透過事件的表象發現隱藏在背后的細節，從而找到潛藏的規律，以及看似無關事物之間背后的聯系，用此來對未來的事件進行預測。數據挖掘作為一個發展平臺，后續對機器學習的研究也為數據挖掘的發展提供了工具，二者之間的關系如圖3所示。

人工神經網絡(ANN)是數據挖掘領域的一種重要工具，在一定程度上受到了生物神經網絡的啟發，是由一系列簡單單元相互密集連接構成，網絡中的每一個單元有一定數量的實值輸入，并產生單一的實數值輸出。神經網絡能夠有效地學習數據中的錯誤，通過大批次地訓練尋找隱藏的潛在規律[9]。隨著研究的不斷深入和應用領域的不斷擴大，人工神經網絡已經發展至近10種[10]。ANN不需要有非常確切的輸入與輸出間的假設關系，并且網絡內各單元的權值通過自身的訓練即可得到。

對于食品安全檢測數據而言，檢測指標較多，而人工神經網絡在面對這樣數據量大的情況時，隨著訓練集的增加，分類器也越準確。尤其是BP神經網絡本身具有較高的容錯性，自動修正誤差的能力強，通過將食品信息數據輸入BP神經網絡中，進行數據運行、調整等一系列過程，實現對食品質量安全的評價。即便是面對食品信息采集過程中存在的數據不完整情況，BP神經網絡也可以從現有的部分數據中學習潛在規律，并通過自身的權值調整進行規律學習，從而構造出健壯的模型。

圖3 數據挖掘與機器學習之間的關系Figure 3 The relationship between data mining and machine learning

BP神經網絡的學習過程包括向前計算和誤差反向傳播兩個過程。向前計算時，從輸入層開始對輸入逐級計算，最終傳向輸出層；當輸出層未得到預期輸出時，則開始進行誤差反向傳播，逆向逐級對網絡中各層的權值進行調整，到達輸入層后再開始向前計算過程[11]。BP神經網絡的兩個過程反復進行，直至網絡誤差最小時完成整個學習過程。BP神經網絡的經典結構如圖4所示。

在BP神經網絡中，輸入層的節點數由影響因素決定，文中討論的是食品安全監管，因此輸入的節點即為食品安全檢測的所有指標，采用評價等級數值作為輸出。隱含層節點數的確定依據“滿足精度條件的同時使網絡結構盡量緊湊，減小誤差”。文中建立的3層BP神經網絡，根據輸入變量，選擇雙曲對數函數tansig為輸入層與隱層間的傳輸函數，線性函數purelin為隱層與輸出層間的傳輸函數，使用批量訓練方法進行權值調整。

實際應用中，將已有的食品檢測數據作為輸入，將其對應的食品安全風險系數作為輸出，進一步訓練BP神經網絡完成函數的最優擬合，最終實現預測某類食品在之后多個監管周期內的風險系數，提前發出預警。

2.3 中國食品安全監管的對策建議

在大數據監管的新體系下，中國傳統的食品監管模式已無法適應日益復雜的食品鏈路環境，對于食品安全的監管也應與時俱進，結合大數據不斷進行優化。借鑒國外的經驗，中國在食品監管方面應充分利用新一代信息技術，實現智能化的監管流程。作為智能技術的研發者，首先應將數據挖掘技術的應用流程在相關部門進行說明，通過前期應用數據證實其在食品安全風險監管中的有效性。其次，對于實際應用效果進行實時統計分析，了解監管部門的政策及需求，不斷對神經網絡結構進行優化，以應對數據類型不斷豐富的食品安全數據信息。

(1) 政府應當完善綜合數據庫的建設，將碎片化信息整合起來，實現各部門之間數據的整合與共享，最終形成一個大型數據庫。在此過程中，政府可以發揮激勵企業、流通方主動提交食品數據的職能，進而整合各個監管主體的信息。

圖4 BP神經網結構經典結構Figure 4 Classic structure of BP neural network

(2) 監管部門應做到主動公開食品數據庫的信息，為社會大眾提供便捷的數據檢索服務，促進食品安全監管的全民參與。也只有政府真正做到數據公開共享，才能推進數據的有效應用。此外，借鑒歐洲食品安全局(EFSA)利用數據制定了行業風險識別的經驗，中國也需要充分運用大數據技術構建一套系統的食品安全事故風險識別系統，并及時通報相關安全隱患。

總的來說，食品安全監管涉及生產、加工、流通、銷售等一系列復雜的過程，利用大數據對海量的食品安全相關數據進行挖掘和分析，探究其中的規律，為科學有效地監管提供依據。通過與數據共享、云平臺等信息技術相結合，對食品大數據進行創新化的規范整合，打造數據標準化。

3 結論

大數據時代的來臨為各個行業的發展提供了更多的可能性。對于食品安全問題來說，關乎到最基礎的民生問題，在這一領域應用大數據技術，能夠形成多中心共同治理的食品安全監管模式。以大數據為基礎的食品安全監管模式結合互聯網技術，使食品安全信息能夠在數據中心整合，進而再通過更深入的數據挖掘對潛在規律進行探究，強化了食品監管的針對性，提高了對食品安全事故的預警能力。