下载文档原格式
食品质量安全抽检数据分析模型摘要本文通过对所给食品抽检数据进行分析，根据问题建立不同的模型，利用相应数据处理和建模软件进行求解，评价了食品安全情况，寻找相应规律，得到改进的食品抽检模型。
问题一,评价各主要食品领域的安全情况，分析所给数据，将食品主要分为八大类，将安全指标分为四大类。
对数据进行统计、筛选，用多项式拟合得出各主要食品三年的安全情况的走势。
利用改进的层次分析法的模糊综合评价模型（AHP —FCE ）定量的得出各类食品的综合评价指标。
综合评价八类食品中冷食饮品类、粮食类、蔬果类、水产类、调味品类等食品领域的食品安全质量对比为：201220102011Q Q Q >>；肉类、甜点小吃的食品安全质量对比为：201020122011Q Q Q >>；整合三年总的食品综合评价指数可以得出三年内食品的安全质量：201220102011Q Q Q >>。
问题二，根据提供的数据，统计出按照季节、销售地、产地分别抽查的样本，用层次分析法给出影响食品安全系数的四个指标的权重值，构建食品安全系数的公式*R W P =，用相关性分析分别给出季节、销售地、产地与食品安全系数的相关性：1230.8866,0.3839,ρρρ==-=0.4468，由此结果可知，季节与食品安全系数有很强的相关性，销售地点与食品安全系数的相关性弱，产地与食品安全系数的相关性强。
问题三，为了更科学更有效的反映食品质量情况，结合问题一与问题二得出的相关结论，在经费一定的条件下，采用多层分层抽样的方法，减少食品质量稳定的样本的抽查次数，相应增加食品质量不稳定的抽查次数，适当采用抽查的记忆性来抽查食品质量。
关键字：拟合 层次分析 相关性分析 分层抽样一、问题重述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也越来越高，因此除食材的生产收获外，食品的运输、加工、包装、贮存、销售以及餐饮等每一个环节皆可能影响食品的质量与安全。
2023年度食品质量安全抽检数据分析模型一、选题背景食品质量安全是人民生命健康的重要保障，也是经济社会发展的重要因素。
然而，当前我国的食品安全状况依然不容乐观。
尽管各级政府已经采取了一系列措施提高食品安全水平，但是食品安全问题依然屡禁不止，消费者对食品质量安全的信任度也随之降低。
为了保障人民生命健康和促进经济社会的可持续发展，加强食品安全监管非常必要和重要。
为此，我建立一个针对2023年度食品质量安全抽检数据分析模型，利用统计学和机器学习等技术分析大量数据，从而发现食品安全问题的主要原因，提出相应的解决方案，确保食品质量安全。
二、模型主要方法在模型工作中，我采用了以下统计学和机器学习方法：1. 方差分析方差分析是比较各个群体均值之间的差异是否显著的一种方法。
当不同群体的样本数不同，并且各自样本的方差也不相同时，采用方差分析就可以找出不同群体的均值差异是否显著。
在本模型中，我将采用方差分析来分析不同地区、不同类别和不同食品类型之间的差异。
通过分析差异，可以更准确地找出食品安全问题的主要原因。
2. 主成分分析主成分分析是一种无监督学习的分析方法，可以将多个指标降低到几个维度，同时最大化结果的方差。
主成分分析可以消除指标之间的相关性，产生更清晰的数据结构。
在本模型中，主成分分析可以帮助我们确定最关键的决策变量，以提高食品安全水平。
3. 决策树分析决策树分析是一种流行的有监督学习技术，广泛应用于分类和预测。
在本模型中，决策树分析可以帮助我们预测食品质量和安全问题的出现可能性，并为我们提供最佳决策方案。
4. 神经网络模型神经网络模型是另一种有监督学习技术，可以模拟人脑的决策过程。
在本模型中，神经网络模型可以帮助我们更好地识别食品质量和安全问题的主要因素，以及如何采取相应的措施控制问题。
三、数据来源和分析结果本模型的数据来源包括全国食品安全抽检数据、各省市食品安全监管部门提供的数据、行业协会发布的数据以及国家统计局公布的相关数据。
食品质量安全抽检数据分析摘要随着人们对生活质量的要求越来越高，食品安全已成为全社会关注的热点，同时也是政府民生工程的一个主题。
因此，制定一份合理的抽检方案以更好地履行政府卫生行政部门对食品卫生的监督职责，显得尤为重要。
针对深圳食品质量安全抽检数据分析所得的问题，本文结合实际，应用主成分分析、拟合、灰色预测、典型相关分析方法，建立了集时间、费用和效果为一体的分层抽样最优分配数学模型，通过MATLAB、SPSS等软件求解模型，具体如下：对于问题一，我们首先采用主成分分析法对12种主要食品的安全因素进行因子分析，得出影响食品安全的最主要因素为微生物、食品添加剂、重金属，同时又根据主成分得分排名，选取了排名前三的肉类、粮食产品、水产品作为主要研究对象；之后通过EXCLE软件进行拟合，根据图形和拟合曲线来表示3种安全因素近三年内的变化趋势，但当我们对食品总体安全情况进行进一步研究时，发现其拟合效果虽好，但进行预测时与实际不大相符，于是，我们就建立灰色GM(1，1)预测模型解决此问题，预测出13、14年各季度食品合格率，最终得出食品总体合格率逐年上升，与实际情况相符。
对于问题二，在问题一基础上，我们以微生物、食品添加剂、重金属三个指标作为一组变量来代表食品质量安全；将深圳划分为6个区作为代表抽检地点的变量，以本地和外地来作为产地的一组变量；通过对变量间的典型相关分析，得出对于抽检地点，应注意加强龙岗、宝安区微生物指标的抽检，可适当放松对罗湖、福田、南山区重金属指标的抽检；对于产地，应加强产品出厂时微生物和食品添加剂的抽检。
最后，在第一问基础上，根据以季度为时间段的拟合曲线和图形，得出第二、四季度食品合格率较低。
对于问题三，我们在问题二基础上，建立了集时间、费用和效果为一体的分层抽样最优分配数学模型，并进行实例分析，给出具体的抽检方案，在时间和成本的约束下，求出最优分配的抽检批次44，比仅按层权抽样节省6个单位的抽检费用和2个单位的抽检时间。
数学建模在食品安全中的应用研究近年来，食品安全问题越来越引起人们的关注，对于保障公众的身体健康至关重要。
而数学建模作为一个重要的分析工具，正在在食品安全中得到越来越广泛的应用。
一、数学建模在食品安全监测中的应用食品安全监测是保障食品安全的重要手段。
但传统的检测方法往往面临人力和物力投入大、检测时间长、鉴别能力和准确率低等问题。
数学建模技术可以利用统计学、数据挖掘、人工智能等方法构建数字模型，对大量的食品安全监测结果进行分析和处理，实现对食品质量与安全的有效监测与预警。
以农药残留为例，农药在食品中的安全限量是不同的，对于不同成分的农药，仅有的安全限量不同，且在不同的作物和环境下还会有差异，精确而全面地监测需要较高的成本和时间。
而通过建立农药残留模型，可以快速而准确地预测食品中的农药残留情况。
此外，基于数学建模的技术还可以进行分析预测食品的细菌污染程度、重金属含量、营养成分等问题，从而确保食品安全。
二、数学建模在食品质量预测中的应用食品质量是指食品所具有的、或为使其达到的适合人体生理和健康需要的标准。
针对食品质量预测，数学建模技术可以通过建立模型来实现，预测食品是否达到质量标准、是否有可能出现安全问题等。
在此基础上，还可以指导食品生产、检测等环节，提高食品质量和安全。
以牛奶为例，通过建立数学模型，可以预测出牛奶保存期限和质量变化趋势。
模型中可以考虑多种因素，如牛奶中的脂肪含量、蛋白质含量、酸度值、温度等因素。
通过对这些数据的精确分析，可以得出预测结果，并为生产和销售管理者提供科学决策。
三、数学建模在食品流通中的应用食品在生产、运输、销售等不同环节都会引发安全隐患。
在食品流通中，监管部门需要对食品流向、温度控制等进行监管，确保食品安全。
而数学建模技术可以通过数字化建模来实现对于食品各个环节的可视化监控，更加有效地保证食品质量与安全。
以冷链物流为例，物流公司需对于运输车辆的温度、湿度等参数进行监控，确保产品品质与安全。
数学建模在食品安全评估中的应用食品安全是人们关注的重要问题之一，而数学建模作为一种利用数学方法解决实际问题的工具，可以在食品安全评估中发挥重要作用。
本文将介绍数学建模在食品安全评估中的应用，并分析其优势和局限性。
一、食品安全评估的背景食品安全问题涉及到人们的生命健康，对社会稳定和经济发展都具有重要影响。
在评估食品安全时，需要考虑食品的来源、生产过程、贮存条件、运输方式等多个因素，并且需要进行复杂的数据分析和风险评估。
二、数学建模在食品安全评估中的作用1. 数据分析与预测数学建模可以对大量的食品安全数据进行分析，识别出其中的关联性和规律性。
通过建立数学模型，可以预测食品的安全性，并提前采取相应的措施来降低风险。
例如，基于历史数据可以建立时间序列模型，对未来食品安全问题进行预测。
2. 风险评估与决策支持数学建模可以通过对食品安全相关因素进行综合分析，评估食品安全风险的大小和可能性。
这些评估结果可以为政府机构和企业提供决策支持，制定相应的食品安全政策和标准。
例如，通过建立概率模型，可以评估不同条件下食品安全风险的变化趋势。
3. 优化与控制数学建模可以帮助优化食品生产、储存和运输的过程，提高整体食品安全水平。
通过建立优化模型，可以确定最佳的生产工艺、贮存条件和运输方案，从而减少食品安全问题的发生。
例如，通过线性规划模型可以确定最佳的配送路线，降低食品受污染的概率。
三、数学建模在食品安全评估中的局限性1. 数据获取与质量数学建模需要大量的数据支持，而食品安全数据的获取和质量问题仍然存在挑战。
一些关键数据可能缺失或者不准确，这会对数学建模的结果产生影响。
因此，在数学建模中需要对数据进行充分的验证和筛选，以提高模型的准确性。
2. 不确定性与复杂性食品安全评估涉及到多个不确定因素和复杂系统的相互影响。
这些不确定性和复杂性会增加数学建模过程的难度，并且可能导致评估结果的不确定性。
因此，在数学建模中需要合理处理不确定因素，并考虑到复杂系统的特点。
A题：食品质量安全抽检数据分析摘要关键字：数据统计拟合，层次分析法，影响程度排序，一．问题重述随着科技的发展社会的进步，人们的思想观念也发生了翻天覆地的变化，越来越注重个人的饮食安全。
而饮食安全问题归根结底为质量安全问题。
本文主要针对深圳市的近几年的食品抽检数据还有其他一些有关食品类知识综合考虑解决以下三方面的问题并给出了切实有效的解决实际问题的方案：（1）综合对深圳市近几年的各主要食品领域的重金属，微生物，添加剂含量的变化趋势进行客观的评价。
其中重金属选了具有代表性的铅，隔，铜，铬，砷。
微生物选了具有代表性的大肠菌群和菌落总数。
添加剂选了具有代表性的铝的残留量，苯甲酸，柠檬黄，山梨酸，SO2残留量。
（2）针对所给数据和其他查阅数据综合分析食品质量与季节因素，食品质量与生产地，食品质量与销售地之间的的规律性的关系（3）根据研究结果制定出一套更能有效的反映食品质量安全情况的抽检方法且不过分的增加费用。
最后综合以上三问题给出一套解决实际食品质量安全问题的方案。
二、模型假设（1）每年每期对各个食品领域的的抽检是均匀的。
（2）每年每期对各个食品领域的各种抽检指标是随机的。
（3）每一年和后一年的抽检间隔时间基本和年间的抽检间隔时间相同。
（4）对于各种食品领域，抽检的项目指标都是对食品质量有很大的影响或不容忽视，而对于没有检测到的项目则认为其对该食品领域的相应的食品的质量影响太小以至于可以忽略不计。
（5）抽检的季节，地点每年是均匀的大致相同的。
（6）数据所给出的只有各领域食品的生产日期，而没有给出食品的保质期，所以假设季节因素的影响主要是从生产食品完成之日到检测之日所经历的季节因素作为影响食品质量安全的季节因素。
（7）每次抽检的期数的增长代表着时间的增长。
三、符号说明Qi ( i=1,2 ) : 微生物的种类。
（Q1代表大肠菌群，Q2代表菌落总数）Qia(x) ( i=1,2 )：微生物不合格率变化拟合目标函数。
数学建模在食品安全监管中的应用有哪些食品安全一直是社会关注的焦点问题，关系到人们的身体健康和生命安全。
为了确保食品安全，监管部门需要采取有效的措施和方法。
数学建模作为一种强大的工具，在食品安全监管中发挥着重要的作用。
数学建模可以帮助监管部门进行风险评估。
通过收集和分析大量的数据，如食品生产过程中的温度、湿度、添加剂使用量等因素，建立数学模型来预测食品可能存在的风险。
例如，对于微生物污染的风险评估，数学模型可以考虑食品的储存条件、加工工艺以及原材料的来源等因素，计算出微生物生长和繁殖的可能性，从而提前采取措施进行防范。
在食品追溯方面，数学建模也大有用武之地。
当出现食品安全问题时，能够快速准确地追溯到问题的源头至关重要。
通过建立供应链的数学模型，可以清晰地了解食品从原材料采购、生产加工、运输到销售的各个环节。
利用这些模型，可以追踪食品的流向，确定可能受到影响的批次和范围，及时召回问题产品，降低危害的扩散。
数学建模还能用于优化食品检测策略。
食品检测需要耗费大量的时间和资源，如何在有限的条件下实现最有效的检测是一个关键问题。
通过建立数学模型，可以根据食品的种类、生产批次、以往的检测结果等因素，确定检测的重点和频率。
比如，对于那些风险较高的食品类别或生产环节，可以增加检测的次数和项目；而对于风险较低的部分，则可以适当减少检测，从而在保证食品安全的前提下，提高检测的效率和经济性。
在预测食品需求和供应方面，数学建模同样发挥着重要作用。
准确预测食品的需求和供应有助于合理安排生产和储备，避免食品短缺或过剩的情况发生。
模型可以考虑人口增长、消费习惯变化、季节因素等诸多变量，为监管部门提供决策依据，确保市场的稳定和食品的充足供应。
此外，数学建模在食品安全应急管理中也具有不可忽视的作用。
当发生食品安全突发事件时，如食品中毒事件，数学模型可以帮助预测事件的发展趋势，评估不同应急措施的效果，从而协助监管部门迅速做出决策，采取有效的应对措施，最大程度地减少损失和危害。
答卷编号：论文题目：A题：食品质量安全抽检数据分析组别：本科生参赛队员信息(必填)：参赛学院：教育实验学院A题：食品质量安全抽检数据分析摘要“民以食为天”，食品安全问题越来越引起社会各界的重视，因此食品的抽检对了解食品安全情况就起到了非常重要的作用，食品的运输、加工、包装、贮存、销售以及餐饮等每一个环节都可能影响食品的质量与安全。
本文主要对深圳市这三年各主要食品领域微生物、重金属、添加剂含量等安全情况的变化趋势；食品产地与食品质量的关系，食品销售地点（即抽检地点）与食品质量的关系，季节因素与食品质量的关系；以及如何改进食品抽检的办法，使之更科学更有效地反映食品质量状况且不过分增加监管成本（食品抽检是需要费用的）等问题进行了分析研究，建立了相应的数学模型，运用了SPSS及MATLAB软件工具对模型进行了求解。
对于问题一，首先将三年的不合格数据进行统计分类，由相关标准将不合格食品按主要食品领域分为十类，将不合格的项目分为微生物、重金属、添加剂、食物固有成分四类。
然后对三年不合格主要食品按照此类别进行筛选，计算出每年各主要食品领域中每类不合格项目在总的不合格项目中所占比例，并根据此比例对年份做出折线图，由此得到食品安全情况的变化趋势。
对于问题二，首先本文运用统计学的方法把三年来食品的产地、抽检地点、季节因素进行了分类并统计。
然后运用归一化原理分别计算出了每年各个食品产地、抽检地点、季节因素占总不合格数的比例。
再对这些比值进行K-均值聚类分析，聚为三类，由此把这三个因素对食品质量的影响分为良好、一般、严重三个等级，以表示食品产地、抽检地点、季节因素与食品质量的关系。
对于问题三，首先将所有食品进行分类，然后运用了统计学的方法统计出了每年在各主要食品领域抽检的总数目以及其中的合格数、不合格数，并计算出各主要食品领域的不合格率，再配合问题一中所统计出的各不合格项目在该食品领域所占的比例，得到了各主要食品领域不合格项目的不合格率，再以此不合格率为基础建立基于实际数据的层次分析法来确定各主要食品领域和不合格项目的权重，最后基于此权重来调整食品的抽检方法。
数学建模：食品安全的抽检问题论文题目：2013年“深圳杯”数学建模夏令营A题食品质量安全抽检数据分析：食品安全的抽检问题摘要食品的质量和卫生问题是关系到民生的大问题，因此，对食品的检查显得非常重要。
本文结合实际，应用AHP方法、分层抽样和线性目标规化方法，建立了集时间、费用和效果为一体的数学模型，具体如下。
对于问题一，我们首先将主要食品进行分类，然后将影响食品安全的因素主要分为生物性污染、化学性污染、物理性污染三大类，并将这三类污染所造成的主要危害归纳为七类，接着采用AHP法对问题进行定量分析，最后通过一致性检验并得出其危害性的大小，得到结果细菌危害最严重，食品添加剂导致的危害次之等。
对于问题二，针对部分主要产品，我们先采用了分层抽样的方法对不同品牌不同批次的产品进行抽检，建立了样本分配率、样本方差、总体抽样率、分层抽样率等函数方程，然后对上一步所抽到的批次利用线性目标规划的方法，建立了集时间较短、成本费用较低和抽样效果较好的抽检模型——线性目标规划模型，并利用统计学原理对检测误差进行分析。
最后，我们根据模型针对乳制品中的酸奶进行模拟检验，检验的结果误差百分比为4.24%<5%，可靠性较高。
对于问题三，我们利用问题二所建立的模型制订了一种较为合理的抽检方案（根据假设总共抽检79个批次，每个批次抽检2个项目）。
然后，我们进行了可靠性分析，抽检的误差百分比为1.15%<5%，可靠性较高。
对于问题四，它实际是在问题三的基础上，对面粉进行多次跟踪抽检。
我们对问题二所建立的模型进行了改进，引入新的变量建立函数关系，并运用MATLAB 优化工具箱进行求解，得出了最佳的抽检策略和抽检数量（结果为跟踪抽检3次，共抽检113个批次），所得结果可靠性较高、成本较低，且工时比较少，用计算机进行模拟检验时效果比较乐观。
最后，我们对模型的优缺点进行了评价，讨论了其推广应用的价值，并主管部门写了一份报告，提出了一些解决问题的可行性建议，可为主管部门和市民提供一些参考。
食品质量安全抽检数据分析摘要本文根据题目提出的不同问题，基于对食品数据的整理分类，然后找到合适的方法建立出相应的数学模型，并借助SPSS 软件数据，从而对食品质量进行评价，并且找出食品质量的有关规律和合理的抽检方法。
对于问题一，我们统计并分类汇总了2010-2012这三年深圳市的食品抽检数据，将主要食品分为六大类，运用了层次分析模型（AHP ），建立了三个层：主要食品、六类食品、四个影响因素，对深圳市这三年各主要食品领域微生物、添加剂含量、重金属和其他因素这四个方面的食品安全情况的变化趋势做出了定量分析，可以通过它们的权重变化说明微生物对食品安全的影响在减小，添加剂对食品安全的影响逐步增加，重金属对食品安全的影响也有所增强，而其他因素对食品安全的影响开始降低，以此来评价食品的安全趋势。
对于问题二，本文在问题一的数据基础上考虑与食品质量有关的几个影响条件，并借助SPSS 软件对它们之间的规律性进行线性刻画。
这部分内容我们将深圳三年主要食品的抽检地点分为八个区，抽检时间划分成11个阶段，食品种类分为六类，同时分析季节、食品类别、经销地与食品质量的关系，最后得到的线性回归方程为916.0141.0-198.0106.0321+⨯⨯+⨯=x x x y 。
然后我们通过求解满足三个条件下的回归平方和与依次限定其中某个条件的回归平方和，从而得到各条件下的偏回归平方和并进行比较，最后可以判断出各因素对食品安全系数的影响程度。
对于问题三，主要是对食品抽检的改进办法的研究。
在第一问中，我们已经得出对食品质量的各影响因素的权重，这里通过建立分层抽样模型，给出具体的抽样方案并作出了模型的评估。
综上所述，本文较好地评估了深圳市食品安全情况的变化趋势，找出了一些规律性的东西，并针对抽检方法做出了一些的改进，从而科学有效地反映出食品安全状况，以此来实现监管成本的最优化。
关键词：层次分析法、2χ检验、多元线性回归模型、分层抽样模型一、问题重述“民以食为天”，食品安全关系到千家万户的生活与健康。
随着人们对生活质量的追求和安全意识的提高，食品安全已成为社会关注的热点，也是政府民生工程的一个主题。
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也越来越高，因此除食材的生产收获外，食品的运输、加工、包装、贮存、销售以及餐饮等每一个环节皆可能影响食品的质量与安全。
另一方面，食品质量与安全又是一个专业性很强的问题，其标准的制定和抽样检测及评价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。
根据深圳市2010年、2011年和2012年这三年的食品抽检数据,并根据这些资料来讨论以下问题：1.评价深圳市这三年各主要食品领域微生物、重金属、添加剂含量等安全情况的变化趋势；2.从这些数据中找出某些规律性的东西：如食品产地与食品质量的关系；食品销售地点（即抽检地点）与食品质量的关系；季节因素等等；3.改进食品抽检的办法，使之更科学更有效地反映食品质量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作出的调整.二、问题分析针对问题一，随着中国经济的快速发展，人们的生活质量逐渐提高，因而人们对于食品质量的要求也日渐增高，因此对食品进行产地、加工地等方面可能影响食品质量的因素进行抽检。
又因为深圳是食品抽检、监督最统一、最规范、最公开的城市之一，所以分析深圳市2010—2012三年个主要食品领域微生物、重金属、添加剂含量等安全情况的变化趋势，具有典型代表意义。
从问题二可知，为了建立更合理的模型，我们需要考虑影响食品抽检不合格的其他因素，并进行相应的定性分析。
深圳三年食品抽检的数据中给出了抽检地点，主要可分为八大区，抽检季度，四个季度。
计算各地区各因素的不合格数，并可以借助SPSS软件对数据之间的关系进行分析和刻画，最后找到它们之间的规律和联系。
针对问题三，为了能改进食品抽检的办法，可以考虑对影响食品质量的各因素进行层次分析，建立一个抽检个数与类别、地区的关系模型，从而有效地降低监管的成本。
三、 基本假设1.假设主要食品仅能分为六大类，其他没有被分类的食品对食品抽检的不合格性所造成的影响忽略不计；2.假设影响主要食物抽检不合格的因素主要有四大类，其他没有被分类的因素对食品抽检不合格性的影响忽略不计；3.假设抽样过程中其他地理或人为因素对抽样食品不合格性的影响忽略不计；4.假设对不同食品领域的各种指标是抽检是随机的；5.假设抽检间隔时间相同；6.假设检测的不同环节、不同因素的成本和工时相同。
四、 定义与符号说明符号含义 A成对比较矩阵 B判断矩阵 W权向量 λ特征根 CI 一致性指标 RI随机一致性指标321,,x x x自变量 y因变量 3210,,,ββββ参数 ε误差项 2R多重判定系数 回S 回归平方和 i Q偏回归平方和k N 第k 层含有不合格产品的批次 k n从第k 层内抽取的样本数五、模型的建立与求解5．1问题一的模型5.1.1数据处理为了提高数据处理过程中的效率，我们从原来的所有食品抽检数据中抽取了其中不合格产品的数据，以此作为参照数据并对它进行分类汇总和统计，然后分别得到2010年、2011年以及2012年这三年各个季度的统计数据。
表1 三年来各个季度分类统计表年份因素第一季度第二季度第三季度第四季度2010年微生物41 21 46添加剂28 9 0重金属 4 6 3其他36 41 28 2011年微生物214 14 37 94添加剂205 15 23 61重金属138 11 9 16其他113 48 3 112 2012年微生物9 65 19 36添加剂8 58 10 92重金属0 1 15 24其他12 61 8 235.1.2模型的建立与求解(1)进行图表分析通过上面的数据处理，我们得到了2010、2011和2012这三年在四个影响因素下的不合格产品数，并以直方图的形式进行呈现。
图1 2010年各因素引起的不合格产品数变化的趋势图图2 2011年各因素引起的不合格产品数变化的趋势图图3 2012年各因素引起的不合格产品数变化的趋势图从上面三幅图中，我们大致可以知道，微生物、添加剂、重金属以及其他因素不达标而造成的食品的不合格数三年来在不断地波动。
(2)进行层次分析为了能更好地了解深圳市这三年来各主要食品领域微生物、重金属、添加剂含量等安全情况的变化趋势，我们有必要对食品质量的因素进行深入分析。
虽然我们已经知道了影响食品质量的因素是上述四方面，但我们仍不清楚它们到底是怎样影响食品的质量的。
因此，我们还要注重研究它们在影响食品质量中所占的权重，而在此情况下，层次分析法能得到很好的应用。
层次分析法是是一种定性和定量相结合的、系统化的、层次化的分析方法，它的思路主要体现在分层上，从最底层开始分析各层对上一层的权重，一直到目标层，最后才综合得出最底层对目标层的总权重，从而能达到我们的预定目标。
现在根据深圳市的实际情况，将主要食品分为六大类，通过层次分析模型（AHP），建立了三个层：食品安全综合评价、六类食品、四个影响因素，具体的分层结构图如下所示：图4 食品安全综合评价层次结构图构造层次分析模型的建立具体应该包括以下几个过程。
Ⅰ.构造判断矩阵。
判断矩阵表示针对上一层次某因素而言，本层次与之有关的各因素之间的相对重要性。
其形式如下：⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⋅⋅⋅⋅⋅⋅⋅⋅⋅=nn n n n n b b b b b b b b b A 212222111211 ， 其中ij b 表示对上一层A 层而言，该B 层中因素i b 对j b 的相对重要程度。
在这里，我们通常使用1-9尺度可以方便地表示如表1.表2 1-9尺度ij b 的含义尺度含义1 C ｉ与C ｊ的影响相同 3 C ｉ比C ｊ的影响稍强 5 C ｉ比C ｊ的影响强 7 C ｉ比C ｊ的影响明显的强 9 C ｉ比C ｊ的影响绝对的强2,4,6,8 C ｉ与C ｊ的影响之比在上述两个相邻等级之间 1,1/2，…,1/9C ｉ与C ｊ的影响之比为上面a ｉｊ的互反数目标层准则层方案层针对本文中的问题一，通过以上的步骤建立模型之后，本文用成对比较法和1-9比较尺度对层次结构模型中的准则层对于目标层建立的6*6成对比矩阵为⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡= 1.0000 0.2500 0.2000 0.5000 1.0000 2.0000 4.0000 1.0000 0.5000 3.0000 4.0000 5.0000 5.0000 2.0000 1.0000 3.0000 4.0000 6.0000 2.0000 0.3333 0.3333 1.0000 2.0000 4.0000 1.0000 0.2500 0.2500 0.5000 1.0000 2.0000 0.5000 0.2000 0.1667 0.2500 0.5000 1.0000 A 。
Ⅱ.进行层次单排序和一致性检测。
采用和法计算准则层的因素相对于目标层的层次单排序。
首先，对A 的每一列向量归一化，得到对i ϖ按行求和得：1ni ij j ϖϖ-=∑，其次，将i ϖ归一化得1ii nii ϖωϖ-=∑，最后，计算矩阵的最大特征根其中i A )(ω表示向量ωA 的第i 个元素。
此外，还需要计算一致性指标：RI CI CR =，其中[1]max 1n CI n λ-=-。
RI 为平均随机一致性指标，当CR<0.1，认为判断矩阵的一致性是可以接受的，否则应对判断矩阵作适当调整。
Ⅲ.进行层次总排序。
需要将计算出来的层次单排序再次进行适当计算。
假设层次结构模型是由目标层(A)、准则层(B)和方案层(C)所组成，准则层有6个因素，方案层有4个因素。
已知B 层对A 层的层次单排序为：T ),,,()2(6)2(2)2(1)2(ωωωω =，以)3(k ω为列向量构成矩阵，则C 层对B 层的准则B k 的层次单排序为：Tk k k k ),...,,()3(4)3(1)3(1)3(ωωωω= 6,,2,1 =k 。
,)(11max∑==n i ii A n ωωλ同时，C 层各方案对A 层的层次总排序的方法为：,)2()3()3(ωωW =更一般地，若共有s 层，则第k 层对第1层（设只有1个因素）的组合权向量，即层次总排序满足其中)1()()(-=k k k W ωωsk ,......,4,3=。
其中)(k W 是以第k 层对第k-1的权向量为列向量组成的矩阵，于是最下层（第s 层）对最上层的层次总排序为)2()3()1()()(......ωωW W W S s s -=再根据上面的步骤进行逐步计算，最后可以得到2010年各主要食品受各种重要因素影响比重表为：表3 2010年各主要食品受各种重要因素影响比重表矩阵权重向量max λCI RI CRA-BT 20764),0.2803,0. 7630.1413,0.3 0.0798, 0.0458, ( =ω 6.11400.0228 1.240.0184B1-PT )3(1683)0.0950,0.1 0950,(0.6416,0. =ω4.0329 0.0110 0.900.0122 B2-PT )3(20.1160)0.2128, 714,0.5999,0.0 (=ω 4.0276 0.0092 0.900.0102 B3-PT )3(3549)0.0967,0.5 967,0.2516,0.0 ( =ω4.0435 0.0145 0.900.0161 B4-PT)3(40.3445)0,0583,0.095(0.5022,0. =ω 4.0734 0.0245 0.900.0272 B5-PT)3(5507)0.3507,0.3 1093,(0.1892,0. =ω4.0104 0.0035 0.900.0038 B6-PT)3(60.5317),972,0.18560.1856,0.0 (=ω 4.0042 0.0014 0.900.0015其中准则层相对于目标层的排序为T20764),0.2803,0. 7630.1413,0.3 0.0798, 0.0458, ( =ω，方案层相对于目标层的排序向量为(3)(3)(3)(3)(3)(3)2T 123456(,,,,,) (0.3690, 0.1832,0.0837, 0.3639)W ωωωωωωω=⋅=。
