董笑1，白宝光2*
1．内蒙古工业大学管理学院（呼和浩特010051）；2．内蒙古工业大学国际商学院（呼和浩特010051）
摘要原料乳是决定乳制品质量优劣的决定性因素，只有原料乳的质量有保障，乳制品的质量才能更加安全。为了监测原料乳的质量安全，选取体细胞数、细菌数、乳蛋白含量和乳脂含量4个影响因素作为预测原料乳质量安全的应用指标，并收集了近5年的历史数据，采用时间序列分解法，利用EViews软件做出了分析与预测。结果显示，原料乳预测值与实际值的误差在允许的范围内，预测值是可行的。
关键词原料乳；质量安全；时间序列；预测
在生活水平不断提高的影响下，乳制品越来越受到人类的推崇。乳制品中所富含的蛋白质、维生素和钙等微量元素都是人类日常所需的营养成分，并且乳制品是很容易被人体消化和吸收的，适合各类人群食用。常见的乳制品大多是根据人们的不同需求，由原料乳经过一定的加工制成。只有少量的生乳直接作为食品消费。原料乳中除含有极高的营养价值成分外，还有大量的活性酶。酶的作用会改变乳制品的成分及其稳定性，对于乳制品的保质期有直接影响。原料乳本身虽然是无菌的，但却容易被微生物污染，在现实中很难达到无菌的状态。经过各种渠道进入原料乳中的微生物可以轻易地大量繁殖，并导致原料乳的腐败，甚至引起食源性疾病的爆发。因此，原料乳的优劣直接关系着乳制品质量的高低。
1 原料乳质量安全影响因素分析
原料乳的主要成分有乳糖、脂肪、蛋白质和矿物质等。从组成成分方面分析，影响原料乳质量安全的主要因素有体细胞数、细菌数、乳蛋白含量和乳脂含量等。原料乳中的体细胞数是衡量原料乳质量的重要指标，一般情况下，健康奶牛每毫升牛奶中体细胞数为20～30万个，当体细胞数超过每毫升50万个时，很有可能是奶牛患有乳腺炎的症状。并且，体细胞数越高，生乳中致病菌和抗生素残留的污染程度也就越高，奶牛的产奶量也会随之下降。细菌数主要反映的是生乳中微生物的含量，细菌数越高，说明微生物的含量越高。大量的微生物会产生可耐热的毒素，虽会进行高温杀菌，但仍会有一定量的残留，致使乳制品变质，甚至引起食源性疾病。乳脂中含有大量的维生素，而乳蛋白中含有大量的氨基酸，这两种物质均为人体所需的元素，也是判断原料乳质量高低的主要指标。根据我国卫生部发布的食品安全国家标准( GB 19301-2010)，生乳中菌落总数每毫升不得超过200万个，乳脂含量不低于3.1%，乳蛋白含量不低于2.8%。
2原料乳质量安全预测方法选择
为了提高原料乳的质量，减少乳制品质量安全问题的发生，就需要了解每一种影响因素的发展趋势，并对影响因素进行分析与预测。预测的方法有很多种，例如模糊数学法、神经网络法、支持向量机法和时间序列法等。模糊数学法主要以模糊数学的分析方法应用于客观事物在分界上处理不明确。神经网络法稳定性差，没有统计理论基础，不容易得出信服力较
强的解释。支持向量机法在计算过程中，样本数据的多少关系着最终结果的倾向，适用于样本数据量大的分类预测。时间序列法则是根据历史已有的数据来预测未来趋势的发展。
时间序列可以分为平稳序列和非平稳序列2类，平稳序列是基本上没有趋势的序列；相反地，非平稳序列是有趋势、季节性或周期性的序列。因此，非平稳序列又可以分为有趋势的序列、有趋势和季节性的序列、几种成分混合的复合型序列。在对数据进行预测分析之前，首先要对预测应用指标数据进行曲线拟合，并比对参数估计的结果，以判定系数为主，其他检验统计量为辅的方式，选择最佳匹配模型，以确保预测结果的准确性。拟合过程可以借助相关的统计分析软件，这里采用比较擅长时间序列分析的EViews软件。在对时间序列进行预测时，通常包括以下几个步骤：第1步，确定时间序列所包含的成分，也就是确定时间序列的类型；第2步，找出适合此类时间序列的预测方法；第3步，对可能的预测方法进行评
估，以确定最佳预测方案；第4步，利用最佳预测方案进行预测。预测方法选择方式如图1所示。
3对原料乳质量安全的预测
以乳脂含量、乳蛋白含量、细菌数和体细胞数为预测应用指标，每个应用指标选择2010～2014年，5年的历史数据，以月为单位，每组共有60个数据，每组的详细数据如表1~表4所示。
3.1对原料乳中乳脂含量的预测
3.1.1对乳脂含量进行曲线拟合
利用EViews软件对原序列Y生行曲线拟合，观察图形的发展趋势，判断序列Y中是否存在相关趋势成分。得到的图形如图2所示。
从图2中可以看出，序列Y逐渐上升的趋势，并且在每年的第1季中出现极大值，在第3季中出现极小值。所以，可以判断原序列Y中既存在趋势成分又存在季节成分，预测方法则要选择季节预测法。趋势成分与季节成分的存在会影响到对原序列的计量分析，不妨可以采用时间序列分解法将各种趋势成分分解出去，分别进行预测。
3 .1.2对序列y进行季节调整
3.1.2.1季节调整
对原序列y进行季节分解，也就是季节调整。选用的方法为Census X12季节调整法，模型为乘法模型Y=Y_TC×S×I，其中，Y-原序列，Y_TC -季节调整后的序列，S-季节要素，I-不规则要素。经过季节调整后的图形如图3所示，并得到月度影响指数表（表5）和不规则指数表（表6）。
从季节调整后的序列图Y_TC可以看出，进行季节调整后，序列仍存在长期趋势变动要素和经济周期循环要素。因此，要对序列Y_TC进行趋势分解。
3.1.2.2趋势分解
对季节调整后的序列Y_TC进行趋势分解，采用H-P( Hodrick-Prescott)滤波法。由于观察值为月度数据，胆取值为14 400。趋势分解图如图4所示。
实线是季节调整后的序列Y_TC，短点虚线是分解出的长期趋势序列Trend，长点虚线是分解出的循环变动趋势序列Cycle。从图4中可以看出，经过趋势分解后的长期趋势序列Trend有明显的线性趋势，所以，可以用一元线性模型来进行预测。经过趋势分解后的循环变动序列Cycle，上下随机波动、无趋势要素和季节要素，所以，可以用指数平滑预测法来进行拟合和预测。
1)将趋势分解后的长期趋势序列Trend定义为Y1，一元线性预测模型：Y1=C+ b T。其中，Y1-时间序列的预测值；T-时间标号；C-趋势线在纵轴上的截距；b-趋势线的斜率。
用最小二乘法对预测模型的参数进行估计，回归结果如图5所示。
从回归结果来看，t检验通过，模型的拟合优度达到0.994 B，拟合非常好，预测模型可确定为Y1=0.002T+3.7（这里的T指时间标号）。
2)将趋势分解后的循环变动序列Cycle定义为Y2，利用公式Y2=Y_TC-Y1，计算得到序列Y2。用Holt-Winters无季节模型对循环变动序列Y2进行拟合与预测，拟合曲线如图6所示，预测结果如图7所示。
从图6可以看出预测值与实际值的拟合曲线的发展趋势，整体来说，拟合效果还是比较好的。
2015年1月实际的乳脂含量为3.87，相对误差=( 3.87-3.76)÷3.87×100%=2.84%。
3.2对原料乳中乳蛋白含量、细菌数和体细胞数的预测
使用同样的方法，分别对乳蛋白含量、细菌数和体细胞数进行预测。预测结果如表7所示。
从表7中可以看出，预测误差控制在10%以内，一般情况下，误差值低于10%时，则认为模型的预测精度属于较高。由此可见，该模型用于对原料乳的预测是可行的。
4结论
从预测结果及整个历史数据来看，各影响因素的指标值均在国家标准规定的范围内，符合我国乳制品的生产规范。然而，与一些乳业发达的地区相比，我国对标准的规定还是比较低的。例如，我国的最新标准将菌落数的上限改为每毫升200万个，而这个数字却是欧盟（10万个）的20倍、美国（50万个）的4倍。因此，我国在提高原料乳的质量上还有很大的提升空间。原料奶质量的高低是决定乳制品质量的主要因素，只有原料奶的质量得到保证，才能在乳制品的生产、加工、储藏、运输和销售等环节中进一步提升品质，实现我国乳制品行业的健康发展。
下一篇:返回列表
