食品质量安全抽检数据分析模型建模论文.doc

《食品质量安全抽检数据分析模型建模论文.doc》由会员分享，可在线阅读，更多相关《食品质量安全抽检数据分析模型建模论文.doc（28页珍藏版）》请在三一文库上搜索。

1、食品质量安全抽检数据分析模型摘要：近些年来三聚氰胺、瘦肉精、苏丹红等一些名词吸引人们的眼球，食品安全问题越来越引起别人的关注。本文针对深圳市20102012年间对食品抽检的数据运用一些数学方法进行统计分析，数据进行统计分析，得出一些的变化规律，对影响食品质量主要因素的评价和预测，并且建立模型，根据模型提出合理可行的建议。 对于问题一，我们通过对一些数据的统计分析，并不难发现导致食品检测不合格，主要受微生物、重金属、添加剂的影响，虽然逐年得到了改善，但属占比例仍高居不下，尤其受添加剂的影响，甚至比例越来越高，因此要加大对添加剂含量的检测。本文运用模糊集对分析法对其进行进一步的检验。 对于问题二，

2、为探究食品安全情况与生产地、抽检地、季度等的关系，将各生产地（抽检地）地点量化为一个二维数组，并对应平面上的一个点，再找出各点对应的各理化指标添加到二维数组中，得到三维空间中的一系列点，并用软件拟合出符合这些点的曲面，并通过分析这些曲面图对应的等高线图来分析食品安全情况与生产地、抽检地的关系。对于季节因素，我们考虑到微生物一类随季节变化明显，故选取大肠杆菌与菌落总数两项理化指标来评定食品安全情况与季节的关系。并得到理化指标随季节变化的趋势图，分析图像可知，食品中的菌落总数含量超标主要集中于3,4月份；大肠杆菌含量超标主要集中于912月份对于问题三，是对模型的进一步改进，按题目的要求考虑了检测的

3、费用。通过对2011年检测的数据用进行数据拟合得出不合格率的变化与检测相隔的天数呈线性关系。并且检测的总费用与检测的次数呈一次关系（假设每期检测的费用一定），每年检测的次数与相隔的天数呈反比，由此得出两者的关系。再用这两个关系求出他们的最佳组合。并以此作为改进抽检方法的依据，对深圳市的食品抽检工作做出了几点建议。关键词：统计分析、模糊集对、等高线图、数据拟合、软件1.1 问题重述民以食为天，可见食品对人们是多么重要，食品安全更是我们关注的问题，保证食品安全就是保护我们自己，对食品的质量安全检测和控制是极其重要的。以人为本，建设文明和谐社会，改善食品质量保护人们身体健康，已成为当今人们谈论的主题

4、之一。城市食品的来源越来越广泛，人们消费加工好的食品的比例越来越高，而食材的生产、食品的运输、加工、包装、贮藏、销售以及餐饮，作为主要影响国家安全因素的食品安全问题，引起相关部门和国家的重视。食品质量与安全是个专业性很强的问题，其标准和抽样检测都需要科学有效的方法。深圳是食品抽检、监督最统一、最规范、最公开的城市之一。根据2010年、2011年和2012年深圳食品抽检数据资料（注意蔬菜、鱼类、鸡鸭等抽检数据的获取），并讨论以下问题：1. 如何评价深圳市这三年各主要食品领域、重金属、添加剂含量等安全情况的变化趋势；2. 从这些数据中能否找出某些规律性的东西：如食品产地与食品质量的关系；食品销售地

5、点（即抽检地点）与食品质量的关系；季节因素等等；3. 能否改进食品抽检的办法，使之更科学更有效地反映食品状况且不过分增加监管成本（食品抽检是需要费用的），例如对于抽检结果稳定且抽检频次过高的食品领域该怎么样的调整？1.2 问题分析问题要求我们通过数学模型预测和评价食品安全质量问题。通过2010年、2011年、2012年深圳市的食品抽检数据资料统计分析可得到大量的指标，对于大量的指标的数据的综合评价有许多成型的的算法，如：主成分分析法、归类分析法、层次分析法。这里利用的是主成分分析法和归类分析法得到比较正确的结果。 食品质量安全是由诸多因素影响的，食材的生产收获、食品的运输、加工、包装、贮存、销

6、售以及餐饮等每一个环节都有可能影响食品质量安全，而这些环都是具有许多不确定，在各个环节中导致食品不合格的因素有：大肠杆菌、菌落数、苯甲酸、柠檬酸、酸价、铝、铅、汞、亚硝酸残留等因素，有一定的随机变动性。我们通过数据资料所获得的数据都是随机抽检食品样本得到的，进行统计评价预测，我们应用一些简单的统计方法进行和简单的预测。问题一要求根据深圳市2010年、2011年、2012年的抽检数据评价食品领域微生物、重金属、添加剂含量等安全情况的变化趋势。对于问题一这里把导致食品不合格的因素进行归类分析分为四大类：微生物、重金属、添加剂含量、其他。分别统计这三年各类因素不同年份的不合格比率，并用图表表示出每一

7、类三年的变化趋势，得出较为准确的结果。对于问题二，我们将影响食品安全的这些因素归结为检测地点、食品产地、抽查季节。可以建立基于食品安全指数的食品安全风险预测模型，而食品卫生指数的分布可以由一个时间序列来表示，故可以考虑用时间序列分析的方法对食品卫生指数的值做出预测，并根据该预测值对未来是否可能发生食品卫生重大事件做出判断，提早预防，消除隐患。另外，可通过时间序列模型预测某种食品的食品安全指数，并提前发现该食品中的隐患。考虑到要将生产地、抽检地进行量化，我们在谷歌地球的卫星地图中找到所有地点的经纬度，并选取坐标原点，从而确定生产点、抽检点在平面坐标系下的坐标，将其作为生产地、抽检地地点的量化数据

8、。为了将生产地、抽检地地点的量化数据与食品质量的量化数据联系起来，我们将各点食品质量的量化数据作为其在空间坐标系中竖坐标。当考虑季节因素时，整理出由微生物引起的食品质量的量化数据随季节的变化趋势图。 针对于问题三就是为使食品的抽检方法更科学有效，是我们市场上的食品质量更高，要达到这一要求，就要对食品勤加检验，这必然增加检验的费用，两者产生矛盾。为解决这一矛盾，假定每期抽检的费用不变，当抽检的期数越多，费用就越多。我们先假设它会固定一定的期限去检测食品，则检测的总费用就跟相隔的天数有关。我们再根据 2011年不合格率的变化量与检测间相隔的天数，通过的数据拟合得出他们呈二次函数关系，再探究两个函数

9、之间的关系。得出一个合理的时期去检验。 1.2.1 基本假设（1）所有被抽检的食品都是随机的。（2）抽样样本能够完全反映总体食品的质量的特征。（3）抽检试验结果都是准确的，不考虑抽检时抽检人员的人为影响。（4）假设模型求解过程中所用的数据都是合理的。（5）假设抽检时所有环节、所有因素的成本和工时相同。（6）假设食品安全指数主要由我们所选的若干个指标确定，认为其他因素影响甚微，可以忽略。1.2.2 基本符号说明: 第个最优测点（）。：第个最劣测点（）。：最值测点集的第个同一度 ()。：最值测点集的第个对立隶属度（）。：第个同一隶属度 ()。：第个对立隶属度 （）。:第年不合格率 （）。:抽检周期

10、。:不合格率的变化量。1.3.1问题一模型的建立与求解1、模型建立 首先，我们根据深圳市市场监督管理局的数据（表1），分别得出微生物、重金属、添加剂导致食品不合格的比例，根据这个比例制作出折线统计图，从而反应出这几类下面因素对食品安全影响的变化趋势。表1 各种因素导致食品不合格的比例年份微生物重金属添加剂其他总的不合格率2010年2.21%0.69%2.31%0.55%5.76%2011年2.96%0.49%4.18%0.71%8.34%2012年0.813%0.3725%2.41%0.23%3.83% 根据表一可以做出如下折线图 图一 图二 图三 图四从上面的图一、图二、图三、图四中我们不难

11、发现这三年来导致食品质量不合格因素中的添加剂、微生物的比率变化趋势有所波动，重金属的比率变化比率趋势有所下降。图四反映这三年总的不合格率呈波动趋势，但是各年的不合格比率比重还是很高，食品安全情况没有改善，食品质量还有待提高。但这并不能分析出是那种因素对其影响更大。因此，我们计算各因素导致不合格比率占总的不合格率的比率得出表二，并且做出其柱状图五，如下： 图五表2 各种因素导致不合格占总的不合格率的比例年份201020112012微生物38.3%35.5%21.22%重金属11.98%5.86%9.73%添加剂40.1%50.12%62.92% 分析所画的圆锥图五，从左至右分别是2010年、20

12、11年、2012年各类影响食品质量不合格占各年总的不合格比率可以看出抽检结果很不稳定，随时间波动比较剧烈，但是呈现一定的趋势。微生物和重金属引起的食品不合格的比重有变小的趋势，说明微生物和重金属对食品安全的影响会变小。添加剂在食品不合格因素中所占比率有变大的趋势，需要加大监督力量，严格控制食品添加剂的使用。食品加工和保存的时候，消毒杀菌的工作做得比较好，使微生物对食品的危害有所减小，呈现比较乐观的态势。近年来一些排放不达标的企业被勒令改进，使得重金属对食品的危害也有所减小。但是人们也越来越注重生产效率，越来越多的使用食品添加剂，对食品安全有较大的威胁，仍需我们努力改善。2、 模型求解 下面，我

13、们用模糊集对分析法评价其变化趋势。先说明以下几个概念：集合运算和矩阵运算比较多设多属性决策问题=，其中：1、 因素集：参与评价食品安全的因子集合E=e1、e2、e3=微生物导致的平均不合格率、重金属导致的平均不合格率、添加剂导致的平均不合格率2、 测点集：每年食品的总的不合格率S=S1、S2、S3=2010年、2011年不合格率、2012年不合格率记最优测点集，最劣测点集，其中：分别为指标的最优值和最劣值。对于，比较区间为，定义集对同一隶属度对立隶属度如下： , 计算同一隶属度、对立隶属度： 由于、是相对确定的，分别表示对接近最优测点的肯定和否定程度，那么在相对确定条件下可定义和的相对贴近度为

14、： 可计算出这三年的决策矩阵 P=2.21%，2.96%、0.83%；0.69%、0.49%、0.3725%；2.31%，4.18%，2.41%。因此，可以得出=0.83%，0.3725%，2.31%，=2.96%，0.69%，4.18%根据以上各式计算食品各类影响因素的贴近度和食品质量各影响因素的平均同一隶属度、对立隶属度、相对贴近度及排序如下表三： 表三影响因素模糊集对法排序微生物0.36960.59790.3822重金属0.30120.49700.37733添加剂0.64160.29520.68491 表三的排序结果表明我们的预测与实际情况相符合，更深一步的验证我们统计得出的结果：添加剂

15、类对食品安全的影响是最为严重的，抽检食品时须注重食品添加剂的含量。1.3.2.问题二的模型建立与求解1、模型建立：问题二解决的是从抽检数据中找出其他因素（例如食品产地，抽检地点，季节等）与食品质量的关系。根据抽检数据，我们可以找到的关于食品的信息主要有三类：生产地点,抽检地点，生产日期。我们从这三类信息可分析每一类与食品质量的关系。要体现生产地点与食品质量的关系，需要将两者所给信息具体量化之后将所得到的数据相结合进行分析处理即可得出两者关系。对于生产地点，考虑到大部分数据分布在深圳市内，因此我们将生产地点范围缩小为数据分布均匀，密集的深圳市。对于食品质量，他的量化要通过食品质量指标来体现。由于

16、数据中部分质量指标出现次数极少，对应点分布不均匀，所能反映的产地与食品质量的关系不准确，误差大，不具有代表性。所以只在数据中选取出现频率较高，对应点分布比较均匀的部分食品质量指标代表总体。因此确定食品指标之后，我们将含已筛选的食品质量指标的生产地点在深圳市的数据全部筛选出来。而后在这些数据中，再筛选出一部分合格数据和一部分不合格数据作为我们分析关系的最终数据。对于生产地点的量化，即在地图上将最终筛选出来的数据中所包含的生产地点用谷歌地图软件在地图上标记出来之后，每个点都有唯一的经纬度，同时还有对应的食品质量指标的具体值。但是地球表面是曲面，无法直接用于分析，我们在地图上数据点分布区域的某处选取

17、一点作为原点，以水平方向左侧（即正西方向）为X轴，竖直向下（即正南方向）为Y轴建立平面坐标轴。地图上的每一个点则通过经纬度的转化(用每一点通过的经纬度减去所选定坐标原点的经纬度)使之成为平面坐标轴上的一点，由此我们得到了一张生产地点的平面图，又每一个生产地点都有一个对应的食品质量指标值，因此，为了将生产地点的量化数据（坐标值）与食品质量的量化值对应起来，我们在原先生产地点的平面图上建立三维坐标。X和Y表示每一个筛选出来的生产地点的坐标值，Z值则为每一个生产地点所对应的食品指标的具体值。而后我们通过运行软件模拟出三维曲面。由三维曲面不能够很好的观察到Z值随着X,Y值变化的趋势和不同地点的Z值，故

18、再将三维曲面图转化为等高图，可以直接通过观察等高图的颜色不同与变化趋势来分析生产地点与食品质量之间的关系。（颜色深的区域Z值高，颜色比较浅的地区Z值低。）对于抽检地点与食品质量的关系我们类比生产地来说明。探究季节因素（即生产日期）与食品质量的关系，依旧是将两者的信息进行筛选，将其量化后成为数据，然后将数据进行结合分析两者的关系。生产日期的量化直接按照筛选出来的食品质量指标值的月份进行分类。由于这次是探讨食品质量随生产日期的变化而变化情况，天气的变化导致温度的变化，因此像二氧化硫，重金属这些随时间变化不是很大的食品质量指标，无需参与分析关系，故只考虑微生物（随季度和温度变化的食品质量指标），这主

19、要选择大肠杆菌和菌落总数两类指标参与分析。我们使用软件建立二维平面坐标图，X轴为生产月份，Y轴为某食品指标在该年各个月的食品质量指标，便可得出了食品质量指标随时间变化的变化情况。2、模型的求解 首先我们考虑生产地与食品个理化指标间的关系。针对2010年我们选取了两个食品指标大肠杆菌和菌落总数作为食品质量的量化数据。得到产地点与这两个理化指标的等高线图如下： 2010年大肠杆菌生产地等高图2010年菌落总数生产地等高图首先分析大肠杆菌。整体来看，作为生产地点的深圳市大肠杆菌食品质量比较良好，食品质量随地域变化比较平缓。局部地区超标现象比较严重。从(47500,25000)到（50000，3000

20、0）区域大肠杆菌生产的东西超标最严重；（0，17500）到（0,30000）的附近三角区域超标相对严重；（42000,25000）到（47500,30000）区域超标最轻；剩余大部分区域超标情况属于良好。（47500,25000）点附近区域相对其他区域食品指标变化比较明显（该区域附近有较多数据点，有可能因此而产生变化情况比较明显的误差）；（点42000,25000）附近区域食品指标变化最平缓。（原点纬度：22.852224；原点经度：144.573643）对于菌落总数，整体来看，食品质量一般，食品质量随地域的变化很平缓。但有较大区域的超标现象比较严重。沿Y轴上从上到下的附近区域和以点（3450

21、0,10000）为圆心半径大约为5000的附近圆形区域，还有从（46000,40000）到（62500,25000）的椭圆形区域这三个区域超标现象最严重，其余区域超标现象都属于一般，比较良好。其中在点（25000,15000）附近区域超标比较严重，食品指标变化也很明显。 针对2011年我们选取菌落总数，大肠杆菌，添加剂（柠檬黄），重金属四个食品质量指标作为食品质量的量化数据。得到产地点与这三个理化指标的等高线图。2011年大肠杆菌（菌落总数）生产地等高图 2011年添加剂生产地等高图 2011年重金属生产地等高图首先是大肠杆菌，就整体而言，作为生产地的深圳市大肠杆菌的食品指标现象极其良好，仅有

22、一小部分区域有较明显的超标现象，其余大部分地区超标现象极其不明显，十分良好。从点（50000,0）到点（50000,10000）周围区域有严重的超标现象，并且在此区域的食品指标变化也最为明显。其余地域的食品指标变化极其平缓，十分良好。对于添加剂（柠檬黄），整体而言，食品指标现象非常良好，仅有一小部分有较明显的超标现象。即以点（55000,125000)为中心的周围扇形区域超标现象最为严重，并且在图中只有该点周围有明显的食品质量变化趋势。其余区域食品指标情况基本没有变化，很不显著。重金属，整体而言，食品质量非常良好。从点（60000,20000）到点（65000,25000）区域超标现象最为严重

23、，且食品质量随地域的变化相对总体来说在该区域最为明显；其他区域的超标现象超标现象极为良好，且变化很不显著。 针对 2012年筛选出大肠杆菌 菌落总数 铝残留量三个食品指标作为食品质量的量化数据。得到产地点与这三个理化指标的等高线图。2012年大肠杆菌生产地等高图 2012年菌落总数生产地等高图 2012年铝残留量生产地等高图首先是大肠杆菌。整体来看，食品质量一般。从点（70000,0）到点（78000,10000）附近区域超标现象最为严重，从点（45000,0）到点（65000,0）区域超标现象最为良好。图中没有明显的食品质量随地域变化而发生变化的现象。菌落总数，整体来看，食品质量比较良好。以

24、点（50000,27500）为圆心，半径大约为8000的圆形区域超标最为明显，而且在该区域食品质量随地域同心圆的向外扩展增大发生着均匀的变化。其余区域食品指标十分良好，且没有很显著的变化趋势。铝残留量。整体来看，食品质量一般。有较大区域超标现象比较明显。从点（0,30000）到点（75000,40000）区域超标现象最明显，且有明显的食品质量随地域变化而变化的现象。在点（52500,12500）点附近食品质量随地域变化也比较明显：其余地区的变化很平缓，不显著。下面我们将从每一个食品质量指标展开分析食品质量与抽检地点的关系。针对2010年抽取了大肠杆菌，菌落总数，稀土三个食品指标作为食品质量的量

25、化数据。得到产地点与这三个理化指标的等高线图。 2010年大肠杆菌抽检地等高图 2010年菌落总数抽检地等高图2010年稀土抽检地等高图对于大肠杆菌，整体而言，食品质量比较良好。但有部分地区有超标现象，点（0，18000）到点（0，35000）附近峰型区域超标情况最为严重，同时食品质量虽地域的变化比较明显和均匀；点（60000,24000）附近区域超标情况比较严重，食品质量随地域的变化比较快（可能是该区域点聚集比较多造成）；点（46000,18000）附近圆形区域一般严重，食品质量随地域变化比较平缓；其余地区食品质量情况良好，且食品质量没有明显的随地域变化而变化的情况。对于菌落总数，整体而言，

26、食品质量属于一般。点（97000，-12000)附近小片区域超标比较严重，且食品质量随地域的变化而变化比较明显。其余区域的超标现象一般严重，同时质量随地域的变化一般明显，均匀变化。对于稀土，整体而言，食品质量一般，随地域变化比较明显。点（54000,20000）附近的扇形区域超标现象最为严重，食品质量随地域变化也比较快。点（48000,20000）附近区域和点（30000,25000）区域的污染相对比较严重，也有相对比较明显的食品质量随地域变化的现象。针对2011年选取大肠杆菌，菌落总数，二氧化硫，苯甲酸，柠檬黄，山梨酸六个食品指标作为食品质量的量化数据。得到产地点与这六个理化指标的等高线图。

27、2011年大肠杆菌抽检地等高图2011年菌落总数抽检地等高图2011年苯甲酸抽检地等高图2011年柠檬黄抽检地等高图 2011年SO2抽检地等高图2011年山梨酸抽检地等高图对于大肠杆菌，整体而言，食品质量十分良好。点（48000,8000）附近区域和（28000，6000），区域超标现象最为严重，同时该区域食品质量随地域的变化而变化最为明显，剩余区域的食品指标情况相当良好，都属于同一水平，没有较大变化。对于苯甲酸，整体而言，食品质量十分良好。只有在图像的西北处有一定区域的超标现象，同时该区域食品质量随地域的变化有所变化。其余大部分区域的食品质量十分良好，均为同一水平，基本没有变化。对于菌落总

28、数，整体而言，食品质量十分良好。只有在图像的东北处有一定区域的超标现象，同时该区域食品质量随地域的变化有所变化。其余大部分区域的食品质量十分良好，均为同一水平，基本没有变化。对于柠檬黄，整体而言，食品质量一般，随地域变化比较明显。只有在图像的西北处和西南处有一定区域的超标现象，同时这两区域食品质量随地域的变化的变化比较显著。其余地域的食品质量都属于一般情况，之间的变化并不是很大。对于二氧化硫，整体而言，食品质量十分良好，点（0,10000），（35000，20000），（0，25000）三点所构成的峰型区域超标现象最为严重，同时该区域食品质量随地域的变化而变化最为明显，剩余区域的食品质量相当良

29、好，都属于同一水平，基本没有变化。对于山梨酸，整体而言，食品质量一般良好。在点（27500,20000）的附近区域超标情况比较严重，且食品质量随地域的变化比较显著。其余大部分区域的食品质量十分良好，均为同一水平，没有较大的变化。针对2012年选取了铝的残留量 大肠杆菌 菌落总数三个食品指标作为食品质量的量化数据。得到产地点与这三个理化指标的等高线图。 2012年大肠杆菌抽检地等高图 2012年铝残留量抽检地等高图 2012年菌落总数抽检地等高图 对于菌落总数，整体而言，食品质量良好。在点（27500,30000）附近区域超标现象比较严重，同时食品质量随地域变化比较显著。其余地域的食品质量都属于

30、一般情况，之间的质量变化并不是很大，受地域不是很大。对于大肠杆菌，整体而言，食品质量一般，随地域变化比较明显。在图像的南部地域有严重超标现象，同时该区域食品质量随地域的变化的变化比较显著。其余地域的食品质量都属于一般情况，之间的变化并不是很大，都比较良好。对于铝残留量，整体而言，食品质量一般，随地域变化并不是很明显。在图像的西南处有很良好的食品质量指标现象，该食品质量随地域的变化的变化十分显著。点（65000,25000）附近区域有很严重的超标现象，同时该区域食品质量随地域变化比较显著。其余大部分区域都属于同一食品指标情况，没有多大变化。对于季节模型的求解如下： 综合三年的大肠杆菌的X-Y平面

31、趋势图见附录一，我们得出大肠杆菌在各年的前半年基本无超标现象，超标现象主要集中在后半年，其中后半年的11,12月份超标现象最为严重。综合三年的菌落总数的X-Y平面趋势图见附录二，我们得出大肠杆菌在各年的后半年无严重超标现象，超标现象主要集中在前半年，其中前半年的3,4月份超标现象最为严重。 1.3.3 问题三的模型建立与求解为了使市场上食品质量得到改善，使食品的不合格率下降，我们必须加大对食品的检测力度，即增加检测食品的次数，但这一定会增加食品抽检的成本。本模型就是探究一个合理的食品抽检周期，食品抽检周期就是接两次抽查的时间间隔。本文所谓的食品抽检方法即为确定抽检周期。食品的不合格是随机的，假

32、设食品不合格直到被购买时才发现，这会造成相当大的损失。显然，抽查周期越长，损失越大。另一方面，抽检时需要费用周期越短，费用越多。于是需要建立一个随机性优化模型，根据对食品不合格率的变化规律确抽检周期使总的平均费用最小。在实际生活中，每一次的抽检周期是随机的，为方便我们研究，我们假设每次抽检是固定的，用来表示，则每年应检测的期数是 。假设每一期的费用为，则总的检测费用为 ，用表示。则 （1）由于每一期的不合格率跟检测的期数呈一定的关系。我们采集了2011年的两组数据，一组是抽检周期，另外一组是不合格率的变化量，数据如下表四： 表四抽检周期12345678910不合格率的变量4.1211.7286

33、.113.25.30.93.86.8抽检周期111213141516171819不合格率的变量2.20.74.91.7116.13.16.12.3根据表四数据，运用软件的拟合得出一个因变量为的式子如下： 发现这两组数据呈一定的线性关系见附录三，我们只需求t，使，得到最小值，也就是两条直线的交点，即为我们所求。对于抽验结果比较稳定的的食品领域，也就是抽检食品的不合格率很小，根据我们的模型可以减少对它的检测次数，减少检测的总成本。1.4.1模型的评价模型的优点： （1） 模型的应用综合考虑了各种因素，比较贴近实际，可以指导抽检部门更好制定抽检方案。（2） 本文的方法简单易懂适宜广泛使用。（3） 数

34、据来源广泛建立的模型求解结果更准确。（4） 论文多使用图表容易读懂。（5） 问题一用统计分析法和模糊集对分析法得出的结果准确。模型的缺点本文忽略了除了所给因素之外的因素对食品安全的影响，与实际问题存在偏差。同时是在假设各因素相互独立的情况下对食品质量的影响进行分析，可能会导致误差。虽然数据比较齐全，但部分月份数据缺省，无法让拟合的数据曲线更为准确；对非定量影响因素的定量过程带有一定的人为主观性1.4.2模型的推广文对于各种因素对于食品质量安全的影响建立了状态关系转移模型，综合考虑了各个方面的因素，避免了单一因素分析的不准确性，得出了合理的数学模型。并且通过各因素的显著性分析，找到了影响食品质量

35、安全的主要因素，较符合实际情况，模型可靠，并且模型相对简单，利于操作；另外模型建立的方法和思维在解决多种类别或指标方面是有一定的预测功能，适用于其他方面的数据预测，有实际背景，可运用于实践，具有广泛适用性。例如，地区的交通安全抽查、地区的人们健康情况抽查、资金流通等方面的问题。从问题一和问题二的模型，从2010年、2011年和2012年深圳市的抽查数据提取有用的信息，可以为食品抽查提供合理的方案以减少抽查费用且做到有效的监督，可以推广到检侧空气质量的检测。1.4.3参考文献1刘卫国MATLAB程序设计教程，中国水利水电出版社，2006年3月第三版2韩中庚数学建模方法及其应用，高等教育出版社，2

36、005年6月第一版3食品安全体系的抽样理论研究，李兵,陈国华,杨涤尘,朱宁，湖南人文科技学院数学与应用数学系,湖南娄底417000;2.桂林电子科技大学数学与计算科学学院,广西桂林5410043居民出行调查抽样率模型，石飞，陆建，王炜，葛宏伟（东南大学）5 马新民，王逸迅. 概率与数理统计M. 北京：机械工业出版社，2010.6 刘卫国. MATLAB程序设计与应用M. 北京：高等教育出版社，2009.7 茆诗松. 回归分析及其试验设计M. 上海：华东师范大学出版社，1986.8 姜启源，数学模型M, 北京，高等教育出纳版社，2006附录一：附录二：附录三:附录四： t=1:19; y=4.1 2 11.7 28 6.1 13.2 5.3 0.9 3.8 6.8 2.2 0.07 4.9 1.7 11 6.1 3.1 6.1 2.3; plot(t,y,o) p=polyfit(t,y,2) p = 0.0130 -0.6122 10.7168 xi=linspace(0,19,160); yi=polyval(p,xi); plot(t,y,o,xi,yi)28