文 | 漁言農說
非洲豬瘟是一種嚴重威脅豬健康的傳染性疾病，它可以引起出血熱，死亡率很高，有時在家豬和野豬中幾乎可以達到100%。
這意味着，如果非洲豬瘟爆發，可能會對養豬業和一個國家的經濟造成巨大損害。例如，由于2018年非洲豬瘟的流行，中國的種豬數量減少了40%，豬肉價格大幅上漲，而消費者價格指數(CPI)上漲了4%。
在2018年之前，亞洲沒有報告任何非洲豬瘟病例。然而，2018年8月在遼甯省沈陽市出現了第一例非洲豬瘟病例。
此後，非洲豬瘟似乎遵循了大流行的趨勢，并可能蔓延到更多的國家。
避免一個國家爆發非洲豬瘟的一種方法是調查非洲豬瘟的傳播途徑。本文旨在通過對非洲家豬飼養産生豬瘟外傳入澳洲的模糊風險評估，以期有效避免非洲豬瘟的傳播。
材料與方法
1.資料收集及工具
為澳洲建立非洲豬瘟引入風險評估模型的第一步是擷取可用資料，這些資料有助于模型中使用的因素。
國際旅遊和貨物進口總額的資料，按來源國收集自澳洲統計局(ABS, 2020)和世界旅遊晴雨表[UNWTO]。
各提升國家航空公司的國際乘客資料來自基礎設施和運輸研究經濟局，進口價值的國家排名等資訊來自澳洲港口和國際貿易中心。
發生非洲豬瘟的國家名單來自世界動物衛生組織世界動物衛生資訊資料庫界面。
2.模糊模型模糊變量
利用MATLAB R2020b軟體構模組化糊風險評價模型。根據之前的研究以及澳洲的地理位置、國際旅客(IP)和國際進口貿易(IIT)被定義為評估非洲豬瘟病毒傳入澳洲的兩個主要考慮因素。
豬肉産品的知識産權是非洲豬瘟引入風險之一，知識産權的數量是一個重要的影響因素。如前所述，ASF引入風險與運輸有關。
雖然澳洲沒有獨立的海上運輸統計資料，但根據澳洲港口的資料，澳洲98%的國際貿易都是通過海運進行的。
這意味着IIT的數量與運費的數量相關，進而與ASF引入風險相關。是以，IP和IIT是用于建構此模型的兩個變量。
然而，也有一些因素可能會影響知識産權和IIT。這可能表明，可以使用如圖2所示的兩層将模型結構成分層方式。
Kamthan和Singh提出了适合本文的多輸入單輸出系統。一個系統分為幾個子系統，每個子系統都有特定的變量、規則和隸屬函數。
之後，将其分層連接配接以獲得單個輸出。IP和IIT這兩個變量将成為上層的變量。根據以往的研究和公開資訊(世界動物衛生資訊資料庫接口)，每年國際旅客數量，進口金額，以及來自高風險國家的百分比會影響IP和IIT的年度風險值。
是以，IP和IIT分别受到上層兩個變量的影響。
第一層調查每年入境人數、來自非洲豬瘟高風險國家的人數占比、每年國際進口數量、來自非洲豬瘟高風險國家的人數占比。
3.隸屬函數與模糊集
建立澳洲模糊風險評估模型的下一步是定義模糊隸屬函數。
常用的模糊隸屬函數有三種，分别是高斯函數、梯形函數和三角函數。域定義為“X”，所有元素記為“X”，即X X。
為了對模糊度模組化，fuzzy使用範圍[0,1]代替清晰集合(0,1)來描述屬于模糊集合的元素的真度。根據以往的研究，三角隸屬函數常用于其他類型的風險評估模型。
為了保持一緻，IP和IIT的隸屬函數範圍也設定為0 ~ 100。旅客人數來自國際遊客到達-國家排名(世界旅遊晴雨表，2020)。
由于近幾十年來的最高點一直低于9000萬，是以将1億定為上限。
是以，範圍設定為0 ~ 1億，對應的範圍為0 ~ 100。導入的範圍以類似的方式設定。根據世貿組織的資料，美國和中國的進口額遠遠高于其他任何國家。
如果将它們的進口量設定為上限，可能會影響模型的效果。是以，上限設定為100億。人口超過100億的國家通常隻有中國和美國。
但在模型中，上限設定為100億，當超過100億時，上限設定為100億。本文将隸屬函數定義為μ(x)。
定義域為X, A為X的子集，取值範圍為xa ~ xb， μA(X)為A的隸屬函數，它們的關系如下：
4.模糊規則與驗證
在本研究中，我們采用Mamdani推理系統，其結構為：
R：如果x1是A1, x2是A2，xn是An，那麼u就是U。
本文采用語言變量代替數學公式，更适合人類對不确定概念的推斷。引進風險受IP和IIT兩個因素變量的影響。
到目前為止，還沒有一個公認的标準來定義IP和IIT。是以，我們無法獲得具體的資料來建立模型。
是以，本文使用了共同的行為和相似的模型經驗，而使用了關于其他感染的文獻來定義規則。除此之外，假設兩個輸入參數IP和IIT分别等于p和t，輸出ASF傳入澳洲的風險程度(RAM)等于j。
Mandani規則關系可以表示為：
如果IP為p，IIT為t，則RAM為j。
本文采用矩陣法來定義模糊規則。橫坐标用p (IP)表示，縱坐标用t (IIT)表示。
根據定制的等級标準，可以确定矩形區域的等級範圍。例如，非常低是從0到20。那麼，非常低的上限是20。
是以，矩形面積的極低範圍在0 ~ 400之間。同樣，可以得到每一層的矩形面積範圍。然後，利用橫坐标和縱坐标各度數的中位數，通過矩形面積的水準範圍确定模糊規則。
例如，當IT較低時，IIP為中等，然後可以推斷輸出的程度。低度和中度的中位數分别為30和50，30乘以50等于1500。
由表3可知，1500處于較低範圍。是以，當IT較低，IIP中等時，輸出較低。
非洲豬瘟傳入澳洲的風險
由笛卡爾積:
A和B是兩個輸入模糊集。
它可以用來評估該模型的每個層次層的兩個變量。在本文中，所有規則都使用“與”作為模糊算子。是以，模型采用min和prod兩種方法進行計算，公式如下:
我們使用澳洲每年國際遊客數量、各國每年航班線路百分比、澳洲每年進口額和各國進口額所占比例的資料。然後得到第一層的兩個輸出，即IP和IIT風險水準的結果，作為下一層的輸入。
本文使用了最近兩年(2019年和2020年)的資料，通過對比兩年的結果來分析趨勢。
1.模型驗證
為了評價模型的有效性，可以利用其他評價結果來驗證所建立的模糊風險評價模型的功能性。
根據英國政府環境、食品和農村事務部(2018)，采用定性方法評估了非洲豬瘟傳入英國的風險，并将其分為五個風險級别(即非常低、低、中、高和非常高)。
DEFRA參考了其他歐洲國家和自己國家的各種資料，如貿易額、生豬進口量等。根據非洲豬瘟病毒在不同生物環境中的生存時間、非洲豬瘟流行病學和歐洲疫情情況，計算了非洲豬瘟通過不同途徑對英國影響的風險水準。
該方法的一個參數運輸量與所建立的模糊風險評估模型的IIT變量相似。是以，在我們的模型中使用了英國進口的數量和進口價值的百分比，然後比較兩種方法産生的風險等級。
2.結果與讨論
根據澳洲統計局(ABS)(2020)和世界旅遊晴雨表(UNWTO)(2020)的統計，2019年到澳洲的國際旅遊人數為947萬。
但是，受疫情影響，到2020年，這一數字為180萬名，減少了80.7%。此外，BITRE(2019 & 2020)的資料顯示，2019年和2020年非洲豬瘟高風險國家的外逃比例分别為28.8%和24%。
澳洲2019年和2020年的進口額分别為2140億美元和2020億美元。根據澳洲統計局(ABS)商品進口表(2020年)計算，從非洲豬瘟高風險國家進口金額的機率分别為44.9%和47.0%。
第一層變量資料如表4所示。
在本文中，基于2019年和2020年資料的預測結果是由于2019年的資料比以往最高，可以代表澳洲正常年份的最高水準。為了對比分析疫情後的趨勢，我們引用了2020年的資料。
該模型的輸出值受到第二層輸入變量的影響(圖2)，但第二層的輸入就是第一層的輸出，它們也受到第一層輸入的影響。是以，模型的最終輸出最終受到第一層的影響。
然而，這提供了一個機會來了解模型的哪一部分提供了最終預測的效果。使用模糊模組化的優點是能夠通過使用人類可了解的模糊規則進行追溯。
澳洲的風險度較低，這是由于澳洲的一些第一層投入值在世界範圍内處于較低或極低的程度，如年進口額和年國際旅遊額。
此外，IP從19.9到11.6，但最終輸出僅從24.4到21.3。由于IIT相對穩定，其下降幅度不如IP明顯，根據以下規則之一:
如果IP為VL，IIT為L，則ASF引入的風險(RAI)為VL。
結論
在本研究中，我們建立了定量模糊風險評估模型來評估非洲豬瘟傳入澳洲的風險。
本文的貢獻有兩個方面：首先，利用模糊模組化技術建立了非洲豬瘟引入風險評估模型。其次，建立的模型用于洞察非洲豬瘟引入澳洲的風險水準。我們的分析是基于國際遊客數量、進口金額和來自高非洲豬瘟風險國家的比例。
通過對澳洲收集的資料進行分析，并使用我們的模糊風險評估模型，可以得出以下結論：澳洲是非洲豬瘟傳入風險較低的國家。
2019年至2020年，來自國際遊客的風險呈下降趨勢。根據對進口和航班數量的分析，亞洲國家的引進風險最高。
這項研究将有助于海關和其他相關部門制定更有效的檢查和監測方法，以保護澳洲的生物安全。
參考文獻
[1]安德魯，M.，布格爾德，S.，切斯諾，T.，羅斯，N.， 2021。時空聚類和随機森林模型識别2018-2019年羅馬尼亞非洲豬瘟暴發危險因素. Sci. Rep. 11 (1), 1–12.
[2]Arji, G, Ahmadi, H.， Nilashi, M.， 2019。傳染病診斷的模糊邏輯方法:系統評價、文獻與分類.Biocybernetics Biomed. Eng. 39 (4), 937–955.
[3]澳洲統計局，2020。國際貿易:補充資料，曆年方法。
[4]Behsudi, A.， 2020。依賴旅遊業的經濟體是受疫情影響最大的經濟體之一. Erişim adresi.
[5]Chenais, E . Depner, K ., Guberti, V ., Dietze, K ., StåViltrop, A . hi, K ., 2019年。歐洲非洲流感流行病學考慮2014 - 2018.Porcine Health Manag.5 (1), 1–10.