張維蔚，陳坤才＊，張玉華，陳燕珊，黃德演

（1.廣州市疾病預防控制中心，廣東廣州 510440）（2.廣州大學經(jīng)濟與統(tǒng)計學院，廣東廣州 510006）（3.廣東毓秀科技有限公司，廣東廣州 510623）

食品安全問題是影響國家發(fā)展的全球性的重要健康問題[1]。隨著生產(chǎn)水平的提高，市場上的食品種類也越來越多，食品安全監(jiān)管難度也隨之增大。食品安全事件仍時有發(fā)生，例如2018 年桂林學術交流會上500 余人餐后出現(xiàn)嘔吐、腹瀉、發(fā)燒等癥狀[3]和2021 年中央電視臺曝光“養(yǎng)羊大縣”青縣“瘦肉精”羊肉事件，該縣每年羊出欄量高達70 萬只[4]等。由此可見，食品安全問題依舊是國家治理的一個重要方向。

在所有食品種類中，肉及肉制品是國民日常所需的重要食品種類之一，是食品安全的重要監(jiān)管方向。相關數(shù)據(jù)顯示，我國2015 至2020 年間食品日常監(jiān)督管理抽檢數(shù)據(jù)中，肉及肉制品不合格占比高達8.00%[5]。劉明等[6]還指出肉及肉制品在大型活動中，風險級別為中度風險。此外，肉及肉制品在我們?nèi)粘ｏ嬍骋约按笮突顒又斜粡V泛食用，出現(xiàn)頻次超高，是需要重點研究的食品種類。

在食品安全的風險評估方向上，研究者提出了多種研究方法。除了常規(guī)的描述性統(tǒng)計分析[7]外，比較經(jīng)典的方法有蒙特卡羅法[8]、貝葉斯網(wǎng)絡[9]和層次分析法[10]，其中蒙特卡羅法和貝葉斯網(wǎng)絡分別為定量和定性評估，而層次分析法可以綜合定性和定量評估。除此之外，Lin 等[10]嘗試使用灰色關聯(lián)分析（GRA）綜合解釋結構模型（ISM）來構建風險指數(shù)，該方法剖析了檢測指標間的相關性并繪制了結構圖，使得構建的風險指數(shù)更具客觀性。上面方法實際上都是通過生成指標權重，繼而得到風險指數(shù)，對食品安全進行評估，但這不能對風險趨勢進行預測。因此結合數(shù)據(jù)時間特征及馬爾可夫鏈假設，研究者們[11]嘗試引入隱馬爾可夫模型（HMM）對食品安全進行評估和預測，結果表明HMM 具有高準確性和強時效性。在隱馬爾可夫模型研究中，估計隱狀態(tài)數(shù)目一直是一個難點。在這方面，劉鶴飛等[14]利用可逆跳躍蒙特卡羅算法給了HMM 的隱狀態(tài)數(shù)目的估計。Rousseeuw 等[15]使用譜聚類算法估計了離散狀態(tài)HMM 的參數(shù)。在此背景下，Zheng等[16]綜合了之前研究者的方法，根據(jù)觀測狀態(tài)首中時期望構建特征矩陣，再由奇異值分解以及K 均值聚類確定隱狀態(tài)數(shù)目。

上述所闡述的方法已被應用到許多種類食品的研究，但鮮有應用到對于肉及肉制品的風險評估研究。鑒于此，本文針對廣州食品安全監(jiān)測數(shù)據(jù)關于肉及肉制品的檢測數(shù)據(jù)，綜合已有方法（即GRAISM-HMM），利用GRA 和ISM 構建風險指數(shù)，運用首中時期望特征矩陣對HMM 隱狀態(tài)進行估計，從而對廣州市肉及肉制品安全進行風險評估。

1 數(shù)據(jù)與方法

1.1 實驗數(shù)據(jù)

本文數(shù)據(jù)來自廣州食品安全監(jiān)測2015 年至2021 年抽檢的肉及肉制品數(shù)據(jù)，樣品共806 份，檢測目的是檢測肉及肉制品中的化學污染物，檢測方法按照原國標方法測定。檢測項目受每年食品安全政策及民生食品安全關注焦點影響，每年都有所變動，每年具體抽檢指標見表1 所示。

表1 2015年至2021年各年份檢測指標表Table 1 Chemical detecting indicators from 2015 to 2021

在這些數(shù)據(jù)中，一些肉及肉制品種類具有不同的檢測方案，需要分類處理，去除未超出檢出限的指標，各年份肉及肉制品分別的檢測指標見表2 所示。

表2 2015至2021年不同肉及肉制品種類的有效檢測指標Table 2 Effective detection indicators for different meat and meat product types from 2015 to 2021

1.2 實驗環(huán)境

本研究基于Python 3.7.6 環(huán)境構建模型，實驗設備為Windows 11 筆記本電腦，Intel(R) Core? i5-11400H 處理器，NVIDIA GeForce RTX 3050 顯示適配器，16 G（3 200 MHz）內(nèi)存。

1.3 實驗方法

1.3.1 灰色關聯(lián)模型

灰色關聯(lián)模型（GRA 模型）是一種多元分析方法，其原理是根據(jù)不同序列的曲線幾何形狀的相似程度來判斷其聯(lián)系是否緊密，曲線越接近，相應序列之間的關聯(lián)度就越大，反之則越小。

首先設定待確定關聯(lián)度的兩個序列分別為比較序列X=（x1，x2，…xp）’和參考序列Y=（y1，y2，…yp）’，其中x1，x2，…xp，y1，y2，…yp分別為各因子，其樣本量均為n。由于各因子量綱不同，通常先進行初值化處理。

式中：

xi（j）′——第i 個比較序列因子xi的第j 個樣本初值化結果；

xi（j）——第i 個比較序列因子xi的第j 個樣本；

yk（j）′——第k 個比較序列因子yk的第j 個樣本初值化結果；

yk（j）——第k 個比較序列因子yk的第j 個樣本。

接下來求解序列差異矩陣δ以及矩陣最大值δikmax和最小值δikmin，具體公式如下：

最后，對第j 個樣本，求解xi與yk的關聯(lián)系數(shù)Yik以及X 和Y 的關聯(lián)度矩陣C=(Cik)p×q，公式如下：

式中：

Cik——xi與yk的關聯(lián)度，關聯(lián)度值越大，則xi對yk的影響程度越大。

1.3.2 解釋結構模型

解釋結構模型（ISM）是一種用于分析復雜系統(tǒng)層級結構的模型方法，該方法常用于將影響目標變量的各因素進行分層處理。方法步驟如下：

（1）構建影響因素的影響矩陣A，即鄰接矩陣。鄰接矩陣元素為“0”或“1”，其中“1”表示兩因素之間有直接連接關系。如果由相關性構建，“1”通常表示為強相關，否則為“0”。

（2）構建可達矩陣M。首先將鄰接矩陣A與單位矩陣E相加，然后進行n 次布爾運算，即當滿足(A+E)n-1≠(A+E)n=(A+E)n+1停止運算，由此得到可達矩陣M=(A+E)n。其中可達矩陣第i 行第j 列元素Mij為“1”表示影響因素i 與影響因素j 之間存在路徑，否則表示不存在路徑。

（3）構建可達集R、先行集Q 與它們的交集B?？蛇_集表示為M 中某影響因素對應行中，元素為1的因素集合。先行集表示為M 中某影響因素對應列中，元素為1 的因素集合。

（4）構建相關層次。首先確定第一層因素，即可達集只有本身的影響因素，然后刪除該列，再次搜索可達集只有本身的影響因素放入第二層，直至最后一個因素被剔除。

ISM 用分層結構顯式地展現(xiàn)了各影響因素的關系，為對各因素賦予權重提供了有效的依據(jù)。

1.3.3 隱馬爾可夫模型

隱馬爾可夫模型（HMM）是經(jīng)典的概率統(tǒng)計模型，包含馬爾可夫鏈和一般隨機過程。它描述的是由隱藏的馬爾可夫鏈以一定概率生成狀態(tài)序列，再由狀態(tài)序列以一定概率隨機生成觀測序列的過程，圖像表示如下：

圖1 隱馬爾可夫模型圖Fig.1 Hidden Markov model

其中｛O1,O2,…,OT｝表示不同時刻的觀測序列，｛q1,q2,…,qT｝表示不同時刻的隱藏狀態(tài)序列。隱狀態(tài)之間能夠相互轉(zhuǎn)換，但其不能被觀測，隱狀態(tài)以一定概率生成觀測序列使得我們能觀測到，因此HMM 的一個重要任務就是去求解這些轉(zhuǎn)換概率。若觀測也是離散狀態(tài)，先假設共有N個隱藏狀態(tài)｛R1,R2,…,RN｝，共有M 類離散觀測｛u1,u2,…uM｝，則模型參數(shù)可以由λ=(π,Λ,B)表示，其中π=(π1,π2,…πN)表示初始時刻的狀態(tài)分布概率矩陣，Λ=(αij)N×N表示隱狀態(tài)之間的轉(zhuǎn)移概率矩陣，其中aij=P(qt+1=Rj|qt=Ri),1≤i≤N,1≤j≤N,表示任意t時刻隱藏狀態(tài)為Ri時，下一時刻轉(zhuǎn)換成Rj的概率。B 表示隱狀態(tài)對于觀測的發(fā)射矩陣，bij=P(ot+1=uj|qt=Ri),1≤j≤M,1≤i≤N表示任意t時刻隱狀態(tài)為Ri時，觀測狀態(tài)為uj的概率。

在估計相關概率前，需要先確定隱狀態(tài)的數(shù)目N。如果兩個觀測狀態(tài)ui和uj是來自同一個隱狀態(tài)，那么ui到某個固定點的首中時（即首次命中時間）與uj到這個固定點的首中時分布相同?；谝陨鲜聦崳羞@樣一個定理：假設HMM 的轉(zhuǎn)移概率矩陣是遍歷的，若首中時期望矩陣有s個非零特征值，則該HMM 模型有s個隱狀態(tài)。這是由于若有兩個觀測狀態(tài)屬于同一個隱狀態(tài)，那它們所在的首中時期望矩陣行之間存在相關性，因此會存在0 特征值，所以非零特征值對應隱狀態(tài)個數(shù)。參照Zheng等[16]所提出的估計算法，得到隱狀態(tài)數(shù)估計算法如表3 所示。Zheng 等[16]還對首中時期望均值進行聚類分析來獲得隱狀態(tài)數(shù)目，但本文觀測狀態(tài)并不多，無需進行聚類分析，所以運用表3 的算法。

表3 HMM隱狀態(tài)數(shù)估計算法Table 3 Estimation algorithm of hidden states’ number of HMM

估計隱狀態(tài)數(shù)后，便可以HMM 建模。HMM主要解決三類問題：

（1）評估問題：當給定觀測序列O=｛O1,O2,…,OT｝和已知模型參數(shù)λ時，計算P(O|λ)，即計算參數(shù)λ下，該觀測序列O被觀測到的概率。

（2）解碼問題：當觀測序列和模型參數(shù)已知情況，計算最大可能出現(xiàn)的隱藏狀態(tài)序列。

（3）學習問題：已知觀測序列，求解模型參數(shù)λ使得P(O|λ)最大。

1.3.4 GRA-ISM-HMM聯(lián)合模型

該節(jié)闡述對以上三種模型的連接操作。首先通過灰色關聯(lián)分析可以得到各影響因素的相互影響程度，在本文指代各檢測指標相互之間的關聯(lián)度。設定閾值為0.9[17]，當關聯(lián)度超過閾值，判定這兩個檢測指標之間有連接關系，進而可以得到ISM 的鄰接矩陣。但在實驗中發(fā)現(xiàn)大多數(shù)檢測指標關聯(lián)度都非常大，這導致根據(jù)原ISM 的分層困難，因此在參考經(jīng)典ISM 的同時，增加一個條件即隨著分層結構箭頭指向，關聯(lián)度應逐級遞減。增加該條件后，便可以得到分層結果，由此我們可以逐級賦予權重，權重逐級遞減，從而得到各年份的風險指數(shù)。采用分位數(shù)四分法對風險指數(shù)進行分級，可以得到離散觀測狀態(tài)，接著再使用HMM 便可以得到觀測下各年份隱藏的風險等級情況，具體流程圖如圖2 所示。

圖2 GAR-ISM-HMM 流程圖Fig.2 GAR-ISM-HMM flow chart

2 結果與分析

由于數(shù)據(jù)量綱不同，對數(shù)據(jù)進行歸一化處理后進行灰色關聯(lián)分析。若某指標所有檢測結果都低于檢出限，歸一化后便都為0，應不進行灰色關聯(lián)分析。以2015 年為例，有效檢測指標為鉛、鎘、鉻、喹乙醇及其代謝物、呋喃唑酮、呋喃妥因六個，得到的灰色關聯(lián)矩陣結果如圖3 所示。

圖3 2015 年灰色關聯(lián)分析結果圖Fig.3 Results of grey correlation analysis in 2015

根據(jù)灰色關聯(lián)度矩陣，可以利用ISM 構建分層結果，得到分層結構圖如圖4 所示，以2015 年為例。

圖4 2015 年分層結構圖Fig.4 Hierarchical structurein 2015

表4 2015年各指標權重表Table 4 Weights of each indicator in 2015

根據(jù)賦予的權重便可得到各年份加權綜合風險指數(shù)。各年份風險指數(shù)結果如圖5 所示。

圖5 2015-2020 年份綜合風險指數(shù)圖Fig.5 Composite risk index from 2015 to 2020

圖5 中“all”是所有年份風險指數(shù)數(shù)據(jù)的匯總，用來觀察所有樣本的數(shù)據(jù)分布情況。由于使用歸一化處理，且每年各指標權重和為1，因此如果一個樣本各指標數(shù)值都很大的情況下，加權綜合風險指數(shù)會越接近1。也就是說，數(shù)值“1”可作為風險指數(shù)結果參考頂點。首先從圖5 可以看出，所有樣本的風險指數(shù)都未超過0.5，且大多數(shù)樣本風險指數(shù)不超過0.2，由此可得廣州每年的肉及肉制品安全處于較低的風險水平，但依舊有極少樣本風險較高，關乎健康安全，這些樣本也需要重點關注。其次，從圖5 可以明顯看出，2019 年加權綜合風險指數(shù)相對明顯較高。但由于廣州肉及肉制品生化檢測還在逐步完善的過程，每年檢測指標變動較大，且檢測樣本種類也有改變。所以，2019 年風險指數(shù)高的原因需要進一步探討。探討前我們可以先根據(jù)HMM模型探索該觀測下各年份的隱藏狀態(tài)，觀察隱藏風險狀態(tài)與觀測是否一致。

在進行離散HMM 建模前，需要先將得到的風險指數(shù)劃分風險等級，根據(jù)樣本特點，在這里采用分位數(shù)劃分法。因為存在相對異常高的風險指數(shù)樣本，所以傳統(tǒng)的5-標度法（5 等分）并不能很好的劃分風險等級，而且分位數(shù)劃分法能夠使得各樣本落入各等級的概率相對均等。對5-分位數(shù)劃分、4-分位數(shù)劃分和3-分位數(shù)劃分結果進行比較，最終選擇4-分位數(shù)劃分，即劃分為四個等級。最終劃分結果如表5 所示。

表5 風險等級劃分表Table 5 Risk classification

由于HMM 的離散觀測從“0”開始，表5 將第1 個等級劃分為“0”。根據(jù)表5 的風險等級以及各年份平均風險指數(shù)，2015 年至2020 年六年的觀測狀態(tài)序列為 [122231]。

得到觀測序列后，開始估計HMM 隱狀態(tài)數(shù)目。計算各個觀測狀態(tài)的之間的首中時，得到矩陣如下：

矩陣（8）中“∞”表示兩種狀態(tài)相互轉(zhuǎn)換概率為0。顯然矩陣（8）含非0 特征值3 個，因此隱狀態(tài)個數(shù)應取3 個為宜。

對HMM 模型進行多次訓練，取得分最高的參數(shù)估計結果，結果如下所示：

π、Λ、B的概率都為四舍五入后的概率，如矩陣中的“0”實際結果均＜0.000 1，“1”實際結果均＞0.999 9，為了方便記錄，矩陣里記為“0”和“1”，從矩陣B 可以得到觀測狀態(tài)與隱狀態(tài)的明顯對應關系，即隱狀態(tài)“0”對應觀測狀態(tài)“2”，隱狀態(tài)“1”對應觀測狀態(tài)“1”，隱狀態(tài)“2”對應觀測狀態(tài)“3”。對得到的最高概率隱狀態(tài)序列 [1 0 0 0 2 1]進行重新排級，可以得到隱藏的風險等級為 [0 1 1 1 2 0]。從中可以看出2019 年的風險確實相對較高，但2020 隱藏風險等級為“0”，且結果顯示2021 的風險等級較大的概率往風險等級“1”轉(zhuǎn)換，風險等級“1”為中等風險，對應觀測狀態(tài)“2”，即預測2021 年的風險指數(shù)均值大概率落在 [0.047 8,0.118 3]之間。因此可以認為廣州肉及肉制品風險預測趨勢良好。

利用網(wǎng)絡爬蟲采集外籍人才的網(wǎng)絡招聘信息，進行探索性調(diào)查。對大量招聘信息進行文本挖掘，整理出有用的信息，為企業(yè)問卷設計和抽樣提供依據(jù)。

為了驗證這一結果，我們同樣利用GRA-ISM 模型求解2021 年的綜合風險指數(shù)，得到2021 年綜合肉及肉制品綜合風險指數(shù)的箱線圖結果如圖6 所示。

圖6 2021 年綜合風險指數(shù)圖Fig.6 Composite risk index in 2021

從圖6 中可以2021 年肉及肉制品的所有樣本的綜合風險指數(shù)大多分布在 [0,0.1]之間，總體風險較低。另一方面，對于各年份觀測到的風險等級，我們以平均風險指數(shù)劃分，因此求解2021 年平均風險指數(shù)，得到結果約為0.090 0，在 [0.047 8,0.118 3)內(nèi)。根據(jù)表5 可得，2021 年風險等級為“2”即觀測狀態(tài)“2”，與HMM 預測結果一致。

上文也說到各年份檢測指標變動較大，檢測種類也有所變化，所以我們也應該重點探討2019 年為何風險提升，是否當前檢測策略需要提升。下面對2019 年風險指數(shù)較高進行逐一分析。首先，2019 檢測指標較多，較多的危害指標可能導致風險指數(shù)增加，因此考慮采取相同檢測指標對各年份進行分析。根據(jù)分析數(shù)據(jù)可得，各年份都檢測的指標有金屬污染物指標，即鉛、鎘、鉻三個指標。根據(jù)前面分析的ISM 結構模型，設定三個指標權重分別為 [0.36,0.31,0.33]。最終各年份的風險指數(shù)圖如圖7 所示。

圖7 2015～2020 年份重金屬污染風險指數(shù)圖Fig.7 Heavy metal pollution risk index from 2015 to 2020

從圖7 中可以看出，2019 年金屬污染物風險指數(shù)依舊較高，但相對綜合風險指數(shù)，各年份風險相對有所變化，2019 年與各年份風險指數(shù)差異變小，即可以認為風險指數(shù)變動與檢測指標變動有一定因果關系，但還有其他因素影響。然而，從另一方面講，這也說明這幾年對風險檢測指標的探索是正確的，適當增加檢測指標能更好挖掘安全風險。此外，2018 年重金屬化學污染風險較小，但綜合風險較大。

前文也說到各年份的檢測種類也有所變化?，F(xiàn)對數(shù)據(jù)中的包裝形式、采樣地點、產(chǎn)地、肉及肉制品分類等進行分析，發(fā)現(xiàn)2019 年肉及肉制品檢測分類與其他年份相比有較明顯的差異，2019 年檢測的肉及肉制品分類增加了臘肉、臘腸兩個分類。因此，我們有理由懷疑肉及肉制品種類是影響肉制品風險變動的原因之一，對各分類的風險指數(shù)進行均值和方差計算，得到結果如表6 所示。

表6 各肉制品分類風險指數(shù)均值與方差表Table 6 Sample mean and sample variance of risk index for each meat product classification

從表6 可以看出各肉及肉制品分類的風險指數(shù)之間確實存在差異，其中臘肉、臘腸確實風險指數(shù)較高，這說明了2019 年增加臘肉、臘腸兩個分類確實是風險指數(shù)增加的原因之一。而除了臘肉、臘腸，其中雞肉的風險指數(shù)也較高，但雞肉每年都是重點檢測項目，不是年度差異的原因。

在現(xiàn)有對肉及肉制品的風險研究當中，國內(nèi)外大多數(shù)研究都主要集中在對菌落類的研究[18]，對肉及肉制品中的化學風險物質(zhì)研究較少，且多具體為對某一種類（例如雞肉[20]）或某一類化學物質(zhì)（例如亞硝胺[21]）的研究，并沒有與本文類似的研究包括重金屬、農(nóng)藥殘留等綜合化學風險物質(zhì)的報道，但依舊有一些對比價值，具體對比研究如下。以2011 至2014 年全國肉及肉制品數(shù)據(jù)為例，Xin等[22]使用矩陣風險模型對全國肉及肉制品進行風險評估，最終得出：燉肉和肉干是風險較高的肉制品種類，而細菌數(shù)目（菌落總數(shù)、大腸桿菌組）和防腐劑（包括山梨酸、苯甲酸等）是主要風險項目。對比發(fā)現(xiàn)，本文研究得到臘肉、臘腸是主要風險較高的種類，與該文結果相對一致；而在風險檢測項目上，從表1 可以看出，廣州肉及肉制品監(jiān)測在2018 到2019 年增加了防腐劑（包括山梨酸、苯甲酸等）的檢測，但在2020 剔除了這類指標，這是由于我們的數(shù)據(jù)中，2018 年有鹵肉、叉燒等種類，2019 年有臘肉、臘腸等種類，對這些腌制品種類，山梨酸、苯甲酸等為主要風險項目，而2020 年所收集數(shù)據(jù)為在雞鴨肉生肉種類，因此剔除這類指標。這也說明了我們的數(shù)據(jù)盡管包含多種種類，但對這些種類的檢測指標是具有針對性的。對于雞肉類，劉峰等[23]通過高效液相色譜-串聯(lián)質(zhì)譜法和食品安全指數(shù)法，分析了2016～2020 年寧夏市售雞肉和雞蛋中獸藥殘留狀況，結果發(fā)現(xiàn)寧夏雞肉中獸藥殘留主要風險物質(zhì)為強力霉素，總體來說，寧夏雞肉和雞蛋的風險較低，但存在一定的風險隱患，但該文未考慮雞肉中獸藥殘留狀況在不同年份的變動情況。而在本文中，我們主要研究不同年份肉及肉制品的綜合風險情況。此外，廣州每年檢測指標有所變動，以強力霉素為例，見表1 可知廣州監(jiān)測數(shù)據(jù)只在2019 年雞肉種類對其檢測，樣本少且只在一個時間段，難以分析，且2020 年剔除了強力霉素這個指標。究其原因，細化到具體數(shù)據(jù)可以發(fā)現(xiàn)2019 年只有一個樣本的強力霉素檢測結果異常，其數(shù)值為9.28，其他都為1，即廣州從2019 年抽檢樣本分析認為強力霉素該指標不是影響風險的重要指標，這與寧夏數(shù)據(jù)分析結果有所差異，可能是地域差異導致。在臘肉分類上，通過收集我國某縣城集貿(mào)市場和其周邊5 個鄉(xiāng)鎮(zhèn)集市的臘肉樣本數(shù)據(jù)，朱聯(lián)旭等[24]分析了臘肉中鉻（Cr）、鉛（Pb）、汞（Hg）、砷（As）和鎘（Cd）5 種重金屬和苯并 [a]芘的含量在不同臘肉斷面的分布規(guī)律，并對其進行風險評估，得出結論：食用臘肉不會因為重金屬和苯并 [a]芘導致嚴重健康風險。本文對各年份肉及肉制品數(shù)據(jù)進行重金屬風險評估，發(fā)現(xiàn)2019 年較其他年份的重金屬風險差異小于綜合風險差異，而2019 年增加了臘肉、臘腸種類，這也側面驗證了臘肉、臘腸的重金屬風險較小，與朱聯(lián)旭等[7]的結果不沖突。綜上，本文研究結果與現(xiàn)有研究沒有沖突。

3 結論

從2015 至2020 年，廣州肉及肉制品化學污染物綜合風險指數(shù)總體較低，得到的風險指數(shù)都在 [0,0.45]之間。其中，2019 年風險最高，但這與2019 年檢測指標變化以及增加臘肉、臘腸兩類肉制品有關。

HMM 結果顯示廣州2015～2020 年觀測到的風險等級為與隱藏風險等級一致，同時也顯示2019年風險異常。此外，HMM 預測顯示廣州肉及肉制品化學污染風險在往良好的態(tài)勢發(fā)展。

從2015 至2020 年，與綜合風險指數(shù)相比，肉及肉制品重金屬化學污染物風險各年份間差異較小，且較綜合風險指數(shù)有一定變化，特別是2018 年，重金屬化學污染風險較小，但綜合風險較大。這說明在2018 年，除重金屬外其他檢測指標對綜合風險指數(shù)有較高影響。

不同肉及肉制品種類綜合風險指數(shù)有一定差異，其中雞肉、臘肉、臘腸風險相對較高，是需要重點關注的品類。

數(shù)據(jù)上，檢測數(shù)據(jù)中含有較多未超過檢出限的數(shù)據(jù)，這也顯示了廣州市場上肉及肉制品某些檢測指標控制得不錯。

廣州肉及肉制品化學污染檢測依舊有需要改進，例如，每年檢測指標變動給風險評估帶來難度，因而需要盡快從數(shù)據(jù)中獲取信息，確立好良好的檢測方案。再如每年檢測種類也有所變動，則需要確定重點風險種類，利用有限的資源有策略地開展檢測。另外，有些文獻顯示一些食品在不同季度有不同風險等級的情況[25]，因此在有能力的情況下可以對肉及肉制品也采集不同季度的樣本進行比較。

文章結論雖然基于廣州市的檢測數(shù)據(jù)，但同樣可以給其他省市肉及肉制品監(jiān)管和風險評估提供借鑒。人民日益增長的美好生活需要對食品安全也提出了更高的要求，需要更有力地監(jiān)管和更精準的風險評估方法。