我国家庭食物中毒事件的时间序列分析

时艳华

（德州学院 物理与电子信息学院，山东 德州 253023）

我国家庭食物中毒事件的时间序列分析

时艳华

（德州学院 物理与电子信息学院，山东 德州 253023）

近年来食品安全事件层出不穷，染色馒头、有毒奶粉、灌水猪肉等频繁发生的食品问题引发了人们对食品安全的反思，食品安全已成为全社会关注的热点话题。文章使用了文献综述法、案例法、ARIMA模型法等方法进行了分析，阐述了食品安全理论和时间序列相关理论，剖析了我国食品安全问题的现状。

食品安全；中毒事件；时间序列

民以食为天，食以安为先。食品是国民生存的物质基础，食品安全关乎国计民生。近年来，随着我国经济的飞速发展，人们在解决温饱问题的基础上，对食品安全的关注度也越来越高。同时，食品安全领域出现了令人心忧的现象，如“苏丹红咸鸭蛋”、“三聚氰胺超标奶粉”等严重威胁人们的身心健康。

正所谓“防患于未然”，如果对可能发生的问题作风险评估分析，能够在不安全事件将要发生给予及时准确的警示，则可将问题消灭在萌芽状态。在此背景下，建立ARIMA模型对未来的食品安全走势进行预测 ，可以为我国食品安全事件的预警与处理提供参考。

1 研究思路与研究方法

（1）研究思路。文章首先简要概述我国2004～2013年十年间的家庭食物中毒事件，在此基础上建立了ARIMA序列模型，通过对建立的模型进行检验，预测食品安全事件的未来走势，最后得出结论。

（2）研究方法。本论文的写作主要运用以下方法：①文献研究法。通过图书馆查阅相关书籍、网络检索等渠道收集了详实的文献资料,较为广泛的了解了时间序列分析方面的资料。②ARIMA模型法。通过2004～2013年全国食物中毒数据，建立ARIMA模型，总结问题所在，得出结论。

2 2004～2013年我国家庭食物中毒事件情况

（1）食物中毒概况，根据卫生部公告的全国食物中毒数据显示。2004年，家庭食物中毒报告起数共188，中毒4299人，死亡232人。2005年，家庭食物中毒报告起数共123，中毒1907人，死亡201人。2006年，家庭食物中毒报告起数、中毒人数、死亡人数分别为181、3263、162。2007年，家庭食物中毒报告起数219，中毒人数2657，死亡人数228人。与2007年相比，2008年总报告起数有所下降，为147起，中毒人数上升到3110，死亡人数比去年同期低，为132人。2009年，中毒情况有所缓和，报告起数和死亡人数分别为145和154，但中毒人数和近几年相比达到最高值4139。2010年，从我国家庭食物中毒情况看，中毒人数为历年最低，共1260人，报告起数为106起，比2009年少39起，死亡145人。2011年，家庭食物中毒报告起数共86起，中毒人数和死亡人数分别是2576和99人。2012年，我国家庭食物中毒相关数据为：报告起数96，中毒人数1615，死亡人数128。2013年，家庭食物中毒报告起数和死亡人数达到历年来的最低值，分别是81和95，中毒人数为1563。

（2）中毒原因。根据食物中毒原因分析，微生物性食物中毒事件的中毒人数最多，主要是由沙门氏菌、副溶血性弧菌、蜡样芽孢杆菌、葡萄球菌肠毒素等引起。

3 2004～2013年我国家庭食物中毒时间序列分析

（1）时间序列建模过程。ARIMA模型具体建模过程如下：步骤一∶根据原始数据绘制序列图，观察其是否有季节变化规律，大致估计周期。步骤二：对原始数据进行季节差分处理，观察差分后的序列图是否平稳，若不平稳，应进行非季节差分，差分往往要求大样本的特性，即至少7个季节周期的序列值。步骤三：确定相应ARIMA模型的阶数。步骤四：对建立的模型作诊断检验。对乘积模型的残差序列做自相关和偏自相关图，若得到自相关和偏自相关图均在可信区间内，说明建立的模型是合适的。步骤五：通过建立最优ARIMA模型，对家庭食物中毒事件的未来走势进行预测。

（2）家庭食物中毒事件实例分析。①对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理。②根据时间序列模型的识别规则，建立相应的模型。③模型检验的诊断。对ARIMA（1，1，0）×（1，1，0）4进行诊断。残差自相关函数在可信区间内，且Box-Ljung统计量尚不能认为有差异，可认为残差序列呈白噪声，因此，构建的ARIMA（1，1，0）×（1，1，0）4模型成立。④模型预测。利用ARIMA（1，1，0）×（1，1，0）4模型对我国2013年家庭食物中毒事件进行预测。

4 结语

导致家庭食物中毒的因素有很多，如果采用多元回归等静态模型对其进行预测比较困难，而时间序列模型则是采用外推数据的方法，不再专注于变量间的因果关系，而是从变量在事件方面的发展规律入手来建立数学模型。时间序列分析方法是一种很好的预测经济时间序列走势的方法，适用于短期预测，在进行长期预测时，随着时间长度的增加，预测的精度会降低。预测过程是一个动态修正过程。随着食品安全预警监测对象的不同，统计数据也在不断积累和完善，对预测模型的精确度和准确性要求也在不断提高。

ARIMA模型有一个缺陷，随着预测时间的延长，预测误差会越来越大，但总体来说，与其他方法相比，其预测的准确性还是比较高的，尤其是短期预测。文章建立的食物中毒报告起数时间序列模型可用于预测我国近几年来的食物中毒事件发生的水平。该模型较好的拟合了近几年食物中毒事件的变化规律，预测精度高、效果好。

中国乃至各国食品安全问题近年来不减反增，严重威胁人类的身体健康，近年来发生的食品安全事件，让食品行业遭遇信用危机，制约了国外市场对我国食品的进口需求。目前，加工生产劣质食品、违法经营、违法行政、地方保护等，使得守信者吃亏、失信者得不到惩处，致使造假成风，不讲良心道德、不守信用的企业为数不少。在此背景下，只有通过建立合理的ARIMA模型进行预测，并在此基础上加强预防与防治，尽快建立与完善食源性疾病主动检测系统，并寻找可行的途径加强对食品安全问题的监管与控制，才能更好促进国民经济的平稳运行，有利于消费者合法权益的维护，有利于推进社会和谐。

［1］数据来源于国家食品药品监督管理总局办公厅［J］.食药监办食监三函，2013，21（5）：297.

［2］薄今纲，于敏芳，刘嘉焜，等.基于季节ARIMA模型的GSM话务量建模和预报［J］.数理统计与管理，2004，24（6）：11.

［3］张蔚，张妍琦，杨旭.时间序列资料ARIMA季节乘积模型及其应用［J］.第三军医大学学报，2002，24（8）：955.

［4］李娜，殷菲，李晓松.事件序列分析在结核病发病预测应用中的初步探讨［J］.现代预防医学，2010，37（8）：1426～1428.

［5］项静恬，杜金观，史久恩.动态数据处理——时间序列分析［M］.北京：气象出版社，1986.

［6］陶金，金高水.时间序列分析简明要略［J］.中国卫生统计，2003，20（3）：151.

［7］戚建江，王旭初.浙江省食物中毒死亡人数的时间序列分析［J］.浙江预防医学，2009，（10）：16.

Time Series Analysis of Family Food Poisoning Events in China

SHI Yan-hua
（College of Physics and Electronic Information，Dezhou University，Dezhou，Shandong 253023，China）

In recent years,food safety incidents have been endless,and food problems such as pollinated bread，poisonous milk powder and irrigated pork have caused people's reflection on food safety.Food safety has become a hot topic in the whole society.This paper analyzes the theory of food safety and the theory of time series，and analyzes the current situation of food safety in China.

food safety；poisoning event；time series

R155.3

A

2095-980X（2017）02-0122-01

2017-02-07

时艳华，女，大学本科，主要研究方向：时间序列分析。