基于贝叶斯网络模型的食品抽检效率优化研究：提升不合格产品识别率的新策略

《Food Control》：Enhancing food collection inspection efficiency using a Bayesian network model

本文开发了一种基于树增强朴素贝叶斯（TAN）的贝叶斯网络模型，通过整合生产企业历史违规记录、规模指标和产品特性等变量，实现了对食品合规状态的概率预测。当决策阈值设定为0.021时，该模型仅需抽检21.7%的产品即可识别76.67%的不合格产品，使实际不合格检出率提升至基线水平的3.5倍（9.83% vs 2.75%），为优化食品安全监管资源分配提供了数据驱动的新范式。

　　

亮点

基于贝叶斯网络的食品抽检智能优先级排序模型

引言

在韩国，食品抽检作为核心监管手段，贯穿食品供应链全流程以防范卫生风险。该制度要求监管人员在生产企业现场抽取成品，送往认证实验室依据《食品法典》进行合规性验证。当前随机抽检模式存在资源利用率低的问题，亟需建立风险导向的精准抽检机制。

研究方法

IFSIN系统中的食品抽检数据

研究分析了2017-2019年间的3,604条抽检记录，这些数据来源于韩国食品安全信息网（IFSIN）的食品生产企业登记库。除抽检结果外，还整合了营业执照、产品制造报告和年度生产量等辅助信息。

加工食品合规性影响因素分析

表2展示了各离散化预测变量与合规状态的列联表分布，表3报告了卡方检验结果。按风险等级划分的食品类型中：A类（无违规记录）占比49.6%（1,789/3,604）；D类（违规率≥7%）虽仅52条记录，却贡献了总违规案例的52%。高风险品类包括芝麻油、调味酱料等易受微生物污染的产品。

模型构建与验证

通过2,523条训练数据构建以合规性为根节点的TAN贝叶斯网络，关键预测变量涵盖企业特征（历史违规、员工规模、年销售额/出口额）和产品属性（食品风险等级、年销量、HACCP认证状态）。在1,081个测试样本中，当概率阈值设为0.021时，召回率可达0.7667，且抽检产品的实际违规概率（9.83%）显著高于总体基线违规率（2.75%）。

结论

该模型通过计算单个产品的后验违规概率，实现了基于风险的抽检优先级排序。监管机构可根据预算和人力条件灵活调整阈值，例如设定0.021阈值时仅需抽查21.7%的产品即可捕获76.67%的违规产品，大幅提升监管效能。