农业中的非洲猪瘟传入澳大利亚的模糊风险评估模型研究

农业中的人工智能7（2023）27模糊风险评估模型用于评估非洲猪瘟从海外传入澳大利亚刘宏坤a，b，任永林b，朱欢欢a，胡珊a，刘伟，王国伟b，王伟a青岛农业大学兽医学院，中国青岛b默多克大学，90 South Street，Murdoch，Western Australia 6150，Australiaa r t i c l e i nf o文章历史记录：2022年7月25日收到2023年2月8日收到修订版，2023年在线预订2023年2月16日保留字：风险评估模糊模型非洲猪瘟（ASF）非洲猪瘟（ASF）a b s t r a c t非洲猪瘟（African Swine Fever，ASF）是一种致死性出血性传染病，病死率高自2007年以来，非洲猪瘟已蔓延到许多国家，特别是欧洲和亚洲。鉴于没有有效的疫苗和治疗方法来应对ASF，预防是一个国家避免病毒影响的重要途径澳大利亚目前没有ASF，但许多邻国都报告了这种疾病，如印度尼西亚，东帝汶和巴布亚新几内亚。因此，澳大利亚有必要保持高度警惕，以防止非洲猪瘟的传入。在本文中，我们提出了使用模糊概念，建立一个模糊风险评估模型来预测非洲猪瘟在澳大利亚的传入风险通过对ASF传播特征的分析，结合以往的研究，认为国际旅客和国际进口贸易是ASF的两个主要传播因素从基于2019年和2020年数据分析建立的模糊风险评估模型该模型进一步推断，亚洲区域是潜在风险的主要来源最后，为了验证所建立的模糊风险评价模型的有效性，采用英国环境、食品和农村事务部的定性数据进行了从验证结果来看，采用相同数据时，结果一致，从而证明了所建立的模糊风险评估模型对澳大利亚风险评估版权所有© 2023作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一个开放在CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下访问文章。1. 介绍非洲猪瘟（African Swine Fever，ASF）是一种严重威胁猪健康的传染病。该病毒可引起家猪和野猪的出血热，致死率可达100%。 这意味着如果ASF引起爆发，可能会对养猪业和一个国家的经济造成巨大损害（Sánchez-Cordón等人，2018年）。例如，由于2018年非洲猪瘟疫情，中国的种猪数量减少了40%（黄，2020年），猪肉价格大幅上涨，而消费者价格指数（CPI）上涨了4%。 近年来，非洲猪瘟在许多国家迅速蔓延。2007年，ASF（基因型II）在格鲁吉亚首次报告。在那之后，ASF从格鲁吉亚传播到高加索，然后在短短几年内传播到欧洲大陆（EFSA动物健康和福利小组（AHAW）等人， 2019年）。自2014年以来，感染已蔓延到东欧，中欧和西欧，包括立陶宛，爱沙尼亚，波兰，拉脱维亚，捷克共和国，罗马尼亚，匈牙利，*通讯作者。电子邮件地址：shanhu67@163.com（H. Shan），K. murdoch.edu.au（K.W.Wong）。保加利亚和比利时（Chenais等人，2019; Ito等人，2020年）。2020年9月，德国确认了首例ASF病例（Sauter-Louiset al.，2021年）。就时间轴和地理位置而言，非洲猪瘟已从东欧蔓延至西欧亚洲在2018年之前没有然而，第一例ASF病例于2018年8月出现在辽宁省沈阳市（Zhao等人， 2019年）。此后，非洲猪瘟已传播至许多亚洲国家和地区，包括蒙古、韩国、越南、菲律宾、老挝、缅甸、柬埔寨、印度尼西亚、香港、东帝汶和巴布亚新几内亚（Mighell和Ward，2021年;联合国粮食及农业组织[FAO]，2022年）。 ASF似乎已经跟随大流行趋势，并且它可能传播到更多的国家（Ito et al.， 2020年）。一个国家避免ASF爆发的方法之一是调查ASF的传播途径。ASF传播有许多途径，涉及野猪、家猪和猪产品以及鸟虱属的软蜱（Chenais et al.，2019年）。 人类被认为是长距离病毒传播的原因（Chenais等人， 2019;Rocque等人，2011年）。例如，2017年3月，俄罗斯伊尔库茨克爆发了非洲猪瘟，很快，该病毒传播了数千公里，进入欧洲。另一个最近的例子是东帝汶https://doi.org/10.1016/j.aiia.2023.02.0012589-7217/© 2023作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/H. Liu，Y. Ren，H. Chu等农业人工28爆发情况（Lu等人，2020年），其爆发点距离最近的爆发点有2000公里。国际旅行者和贸易是将病毒引入无ASF国家的两个重要人类活动途径。De La Rocque等人（2011）认为国际旅行和贸易的发展增加了各种传染病传播的风险。 根据Ito et al. （2020年），野猪和车辆流动的风险可以忽略不计，但旅行者将猪肉带入这些国家会带来风险。Ito等人（2020）建议国际航空旅客行李中的猪肉产品（PPAP）可以作为ASF引入无ASF国家的途径。 Jurado等人（2019a，2019b）持类似观点。中央通讯社[CAN]（2019）报道，2019年2月19日在台北松山机场检测到一包猪肉韩国的情况也类似，2018年中国乘客身上检测到猪肉产品（Kim等人，2019年）。Sugiura等人（2020）还报告说，国际旅客带入日本的非法猪肉产品正在增加，这可能导致ASF进入日本。因此，PPAP已被证明是非洲猪瘟跨境传播的一条潜在途径 除PPAP外，运输相关途径（TAR）也是ASF传入无病毒地区的途径，其中大部分与国际旅行和进口贸易的运输有关（Mur et al.，例如，来自国际运输的受污染猪 肉 和 其 他 猪 产 品 将 ASF 引 入 了 一 些 无 ASF 国 家 ， 如 格 鲁 吉 亚（Beltrán-Alcrudo et al.，2008年）。Jurado等人（2019a，2019b）的定量模型显示，ASF的传入能力与PPAP带入区域的重量（kg）和PPAP被ASF污染的概率研究还表明，这两个数据的大小与游客人数和乘客的原籍国有关根据OIE-WAHIS（2021）和Jurado et al. （2019a，2019b）的研究，已报告ASF的国家被定义为ASF高风险。Mur等人的TAR变量采用了类似的原则。（2012）的模型。TAR的ASF传入风险水平受到来自ASF感染国家的货船的影响。此外，90%的全球贸易是通过海运进行的（TFG，2020）。因此，进口贸易量越大，可能导致运输量越高，这也可能增加非洲猪瘟传入的风险。这也意味着，来自ASF高风险国家的旅客和进口比例越大，ASF传入的风险就越大建立非洲猪瘟的风险评估模型对国家生物安全具有重要 数学模型是用于预测感染传播的有效工具（Bhuju等人，2020年）。建立了预测非洲猪 瘟 传 入 风险的 定量模型 。 ， 2020; 朱 拉 多塔 。 （ 20 1 9a ， 2 0 19b）;Muretal. ，2012）。然而，各国统计局的数据收集标准不同。许多类型的数据可能难以找到，例如乘客每年携带猪肉产品的重量，乘客携带猪肉产品的可能性另一方面，由于缺乏可靠的数据，许多推断的概率 并 不 准 确 ，这 严 重 影 响 了 定 量 模 型的 准 确 性 例 如 ， Ito et al.（2020）提到，许多农民出售感染ASF的猪，这对猪肉产品的风险评估有直接影响。此外，在Andraud et al. （2021）和Schettino et al.（2021）的研究可能不适合在所有国家应用。如图所示，这些模型是为在罗马尼亚和哈萨克斯坦等内陆国家使用而开发的因此，大多数陆地ASF风险引入因素，如卡车运输和野猪，没有必要考虑。此外，Schettinoet al. （2021）研究了基于ASF爆发风险因素的国家地区排名，而不是ASF传入其国家的风险评估。评价的方向与岛屿国家不同。考虑到不同的考虑因素和所需数据的可用性，很难直接使用任何现有的风险评估模型来评估澳大利亚的引入风险虽然澳大利亚仍然没有ASF，但仍有可能将该病毒引入该国。自2007年以来，ASF除了向西覆盖欧洲的趋势外，还有向南入侵亚太地区的趋势（图1），这意味着在地理上非常接近澳大利亚。事实上，Mighell和Ward（2021）也做出了类似的预测，即ASF很可能在未来几年内进入澳大利亚。然而，为了继续模拟和评估风险因素，有必要建立一个灵活和通用的风险评估模型，可以提供对因素的见解这将使澳大利亚能够改善预测、预防和其他措施，以保持其无ASF状态。因此，在这项工作中，我们努力建立一个新的模型，使用模糊逻辑评估非洲猪瘟传入澳大利亚的风险在医学和生物学领域，许多概念是不确定的或模糊的（Massad等人，1999年）。Massad等人（1999年）提到，在感染流行病学方面存在几个不确定性水平例如，糟糕的公共卫生条件可能导致传染病的蔓延然而，“穷”的标准人类专家通常使用这些定义模糊的术语进行决策。在这种情况下，许多ASF引入风险因素，如PPAP和TAR，很难准确地量化以评估ASF引入风险。因此，本文采用了一种新的建立模型，利用模糊概念来处理不清楚、不完整或有歧义的数据。模糊逻辑可以处理不完整和不确定的信息数据（Zadeh，1975）。模糊逻辑不同于经典逻辑，经典逻辑是二元的，只能被分类为真或假（Shapiro和Kouri Kissel，2018）。然而，模糊逻辑用于处理部分真或介于“完全真”和“完全假”之间的程度的概念 Massad等人（1999）提出，模糊逻辑是一种有效的工具，可以创建用于预防感染传播的模型规则。最近，模糊逻辑已被引入到许多传染病模型中。Arji等人（2019）表明，模糊逻辑模型已广泛应用于诊断传染病，如登革热、肝炎和结核病。Bhuju等人（2020）使用模糊方法分析登革热的传播动态。 伊萨等人（2021）开发了一个风险模型，以模糊逻辑评估COVID-19传播。基于模糊规则的系统除了能够处理不完全和模糊定义的变量外，还可以提供人类可理解的模糊规则，这意味着评估结果是可以被人类跟踪和理解的。因此，本文选择模糊系统作为建立澳大利亚风险评估模型的方法。本文提出的方法可以很容易地用于建立类似的风险评估模型，以适应不同国家的因素和数据的可用性2. 材料和方法2.1. 数据收集工具在澳大利亚建立非洲猪瘟引进风险评估模型的第一步是寻找可以有助于模型中使用的因素的可用数据按来源国划分的国际旅游和商品进口总额数据来自澳大利亚统计局（ABS，2020）和世界旅游业晴雨表[UNWTO]（2020; 2021）。按上升国家划分的航空公司国际乘客数量是从基础设施和运输研究经济局（BITRE，2019年;BITRE，2020年）获得的国家排名及其他进口值资料来自澳大利亚港口及国际贸易中心（国际贸易中心[ITC]，2020年）。出现ASF情况的国家列表来自OIE-World Animal Health Information数据库接口（WAHIS，2021）。H. Liu，Y. Ren，H. Chu等农业人工29图1.一、 全球ASF分布（修改自（Shi et al.， 2021年））。不同的颜色代表不同国家的ASF情况2.2. 模糊模型2.2.1. 模糊变量利用MATLAB R2020b软件建立了模糊风险评价模型根据先前的研究（Jurado et al. （2019 a，2019 b）; Ito等人，2020; Mur等人，2012年; De La Rocque例如，2011年），以及澳大利亚的地理位置，国际旅客（IP）和国际进口贸易（IIT）已被定义为评估ASF病毒引入澳大利亚的两个主要因素。IP携带的猪肉产品是ASF传入风险之一，IP数量是一个重要的贡献因素。如前所述，ASF引入风险与运输有关。虽然澳大利亚没有关于海上运输的独立统计数据，但根据澳大利亚港口的数据，澳大利亚98%的国际贸易是通过海上货运进行的。这意味着个人所得税的数量与运费的数量相关，进而与ASF的引入风险相关。因此，IP和IIT是用于构建该模型的两个变量。然而，有一些因素也可能影响IP和IIT（Ito等人，2020; Jurado等人（2019 a，2019 b）;Mur等人，2012年）。这可能表明，该模型可以被构造成分层的方式使用两个层，如图2所示。Kamthan和Singh（2020）提出了适用于本文的多输入单输出系统。将系统划分为若干个子系统，每个子系统具有特定的变量、规则和隶属函数。之后，将其分层连接以获得单个输出。这两个变量，IP和IIT将成为上层的变量根据先前的研究（Ito等人，2020;Jurado等人（2019 a，2019 b）; Mur等人，2012年）和公开信息（世界动物卫生信息数据库接口[WAHIS]，2021年; TFG，2020年），每年国际旅客人数、进口量和来自高风险国家的百分比可能影响IP和IIT的年度风险值。因此，IP和IIT分别受到上层两个变量的影响。第一层将调查ASF高风险国家的年旅客人数和百分比，以及ASF高风险国家的年国际进口量和百分比（图1）。 2）。2.2.2. 隶属函数与模糊集建立澳大利亚模糊风险评估模型的下一步是确定模糊隶属函数。 有三种常用的模糊隶属函数，它们是高斯、陷阱和三角（Loan等人，2014年）。定义域被定义为“X”，为了对模糊性进行建模，模糊使用范围[0，1]来代替清晰集（0，1）来描述属于模糊集（Zadeh例如， 1996年）。 根据以往的研究，三角隶属函数常用于其他类型的风险评估模型（Issa et al.， 2021年）。在本文中，我们还采用了三角成员图二、 模糊风险评价模型的结构。它包括两层，第一层有四个输入变量IP代表国际旅客（IP），IIT代表国际进口贸易（IIT）。H. Liu，Y. Ren，H. Chu等农业人工30功能基于变量的特性，在该模型中将置信度函数的范围设置为[0，100]，以与百分比的范围对齐，该范围在0和100%之间为了保持一致，IP和IIT的隶属函数范围也设置为0到100。旅客人数来自国际游客抵达国家排名（世界旅游晴雨表[UNWTO]，2020）。由于近几十年来最高点一直在9000万以下，因此将1亿定为上限。因此，范围被设置在0和1亿之间，并且对应于从0到100的范围进口的范围也是以同样的方式确定的 根据世贸组织的数据，美国和中国的进口额远远高于其他任何国家。 如果将它们的进口量设为上限，可能会影响模型的效果。因此，将100亿定为上限。超过百亿的国家通常只有中国和美国。但是，在模型中，上限设置为100亿，当数字超过100亿时，它将设置为100亿本文将隶属函数定义为μ（x）。定义域为X，A为X的子集，值域为xa到xb，μA（x）为A的隶属函数，它们的关系如下：μAx：X！半0，10 0]表1ASF风险的程度和范围。风险程度范围非常低0低20-40中等40-60高60-80非常高80这是非洲猪瘟传入澳大利亚的风险度（RAM），等于j。Mandani规则关系可以如下所示如果IP是p，IIT是t，那么RAM就是j。本文采用矩阵方法来定义模糊规则。横坐标由p（IP）表示，纵坐标由t（IIT）表示。根据定制的等级标准，可以确定矩形区域的等级范围。例如，非常低是从0到20。那么，非常低的上限是20。因此，矩形区域的非常低的范围是在0和400之间的范围内（图1）。4）。同样，可以获得每个水平的矩形面积范围（表3）。然后，利用水平坐标和垂直坐标的各阶中值，通过矩形区域的水平范围确定模糊规则（图4）。例如，当IT低，IIP是中等，然后可以推断输出的程度A¼。x，μAð2Þ低度和中度的中位数分别为30和50，30乘以50是1500。根据表3，1500位于基于过去的类似研究和常见的模糊集划分规则（Issa等人， 2021;Mandal等人，2012; Mur等人，2012）变量被划分为5个模糊集（图。3）定义输出和输入电平（极低（VL）、低（L）、中（M）、高（H）、极高（VH））（表1）。在本文中，五个模糊集覆盖整个宇宙的话语使用等距分布方法（图。 3）。如表1所示，使用五个风险等级来定义评估的风险等级。在此之后，从一个风险水平到另一个的过渡设计使用模糊重叠，以创建模糊隶属度函数，如图所示。 3.2.2.3. 模糊规则与验证在本研究中，我们采用了Mamdani推理系统，其结构为：R：如果x是A且x是A...x是A，则u是U。低范围。因此，当IT为低且IIP为中时，输出为低。除此之外，Issa等人（2021）其次，对所建立的模糊风险评价模型进行了验证将随机数据输入模型。有时，有些产出被证明是不合理的。例如，在某些输入范围内，虽然输入增加，但输出却固定或减少。这意味着输出部分的一些语言变量是如此相似，以至于模型的评估被误导。因此，参考Issa等人的设计方法，对少量规则进行了修改和优化。（2021）的模式。这些规则可以描述如下：如果IP低且IIT低，则ASF引入风险（RAI）为低这些规则可以在表2所示的矩阵中说明。规则ᵢ1 12 2 n n其它层的分层也采用相同的方法。总的来说，R表 示第i条模糊规则.A是输入变量x的模糊集。U是输出变量的模糊集，u。使用Mandani推理系统，因为它更容易让人理解所做的决定。本文用语言变量代替数学公式，使之更适合于人类对不确定概念的推理（Zadeh，1975）。引入风险受两个因素变量的影响，IP和IIT。到目前为止，对知识产权和个人所得税的界定还没有一个公认的标准因此，我们无法获得特定的数据来建立模型。因此，该论文使用共同行为和类似的模型经验，而关于其他感染的文献用于定义规则（Issa等人，2021年）。除此之外，假设两个输入参数IP和IIT等于p和t，并且输出图三. 模糊模型的隶属函数。模糊集采用等距分布。VL非常低; L低; M中; H高; VH非常高。该模型中的模糊规则为75。在规则库被制定之后，图四、 矩形区域分类的功能图。横坐标代表国际旅客（IP），纵坐标代表国际进口贸易（IIT）.级别由不同的颜色标记。H. Liu，Y. Ren，H. Chu等农业人工31表2模糊规则矩阵和语言变量的输入和输出。对ASF引入的非常低低介质高非常高非常低非常低非常低低低介质低非常低低低介质介质介质低低介质介质高高低介质介质高非常高非常高介质介质高非常高非常高通过三维函数可以看到模型的整体特征。 5）。2.3. 非洲猪瘟传入澳大利亚从笛卡尔积：A×B<$fa，bAanddb∈Bg<$3A和B是两个输入模糊集。它可以用来评估该模型的每个层次的两个变量在本文中，所有的规则使用因此，该模型使用两种计算方法，min和prod。方程如下。μABxmn½μAx，μBx]4μAB xprod½μAx，μBx]μAx×μBx5使用的数据包括每年到澳大利亚的国际游客按国家分列的每年旅游线路百分比、澳大利亚每年的进口值和按国家分列的进口值比例（见表3）。然后获取第一层的两个输出，即，的表3每个级别范围的矩形区域风险程度范围非常低0低400-1600中型1600-3600高3600-6400非常高6400IP和IIT风险水平的结果，作为输入输入进入下一层（图1）。2）。本文使用了最近两年（2019年和2020年）的数据，通过对比两年的结果分析了趋势2.4. 模型验证为了对模型的有效性进行评估，其他评估结果也可以用来验证所建立的模糊风险评估模型的功能根据英国政府环境食品和农村事务部（2018年），采用定性方法评估ASF传入英国的风险，该风险也分为五个风险级别（即非常低，低，中，高和非常高）。DEFRA参考了欧洲其他国家和本国的各种数据，如贸易额、生猪进口额。根据ASFV在不同生物环境中的存活时间、ASF流行病学和欧洲的暴发情况，计算了ASF通过不同途径对英国的影响风险水平该方法中的一个参数运输量与所建立的模糊风险评估模型中的IIT变量相似因此，在我们的模型中使用了 英国进口 数量和 进口价值 的百分 比（国际 贸易中心 [ITC] ，2020）。在此基础上，对两种方法产生的风险水平进行了比较。图五、模型的曲面视图。三维函数关系的输出（ASF传入澳大利亚的风险度）由国际旅客（IP）和国际进口贸易（IIT）决定H. Liu，Y. Ren，H. Chu等农业人工323. 结果3.1. 澳大利亚引进ASF的分析根据澳大利亚统计局[ABS]（2020）和世界旅游晴雨表[UNWTO]（2020）的统计，2019年赴澳国际旅游人数为947万人次然而，由于COVID- 19疫情，该数字于二零二零年减少80. 7%至1，800， 000此外，来自BITRE（2019 - 2020）的数据显示，2019年和2020年非洲猪瘟高风险国家中，非洲猪瘟2019年和2020年，澳大利亚的进口额分别为2140亿美元和2020亿美元（国际贸易中心[ITC]，2020年）。根据澳大利亚统计局[ABS]（2020年）的商品进口表计算，从ASF高风险国家（世界动物卫生信息数据库接口[WAHIS]，2021年）进口量的概率为44.9%和47.0%。第一层变量的数据示于表4中。在推断第一层后，IP的风险值为19.9（2019年），11.6（2020年），个人所得税为24.7（2019年）和24.8（2020年）。第一层的所有输出然后作为输入输入到第二层最后输出，即。因此，非洲猪瘟传入澳大利亚的风险分别为24.4（2019年）和21.3（2020年）（表5）。所有产出均表明风险较低（L）从模糊风险评价模型。因此，ASF传入澳大利亚的风险为低风险（L）。 结果可以追溯到风险评估模型结构的第一层（图1）。 2）。输入模型的游客量分别为947万和180万人次，输入模型的游客量分别占模型总输入量的28.8%和24%。为了更好地理解使用哪个模糊规则来推断这样的决策，可以观察以下模糊规则如果年游客量为VL，百分比为L，则IP为VL。另一方面，IP值为19.9和11.6，两者都被认为是VL。这与IIT的计算类似，进口金额为2140亿和2020亿（L）。M.因此，触发的模糊规则如下。如果进口量为L，百分比为M，则IP为L。因此，两个f，IIT都是L（24.7，24.8）。所使用的规则是：如果IP为VL且IIT为L，则ASF引入风险（RAI）为VL。因此，这将提供最终值，以表明ASF引入澳大利亚的风险水平表42019年和2020年国际游客和各国进口贸易分布清单国际游客进口贸易2019 2020 2019 2020中国8.4%中国5.9%中国25.8%表5所有输出结果均由模糊模型得到。酒店预订网_2018 © hotelsreservations.com.IP 19.9 11.6个人所得税引入风险3.2. 模型验证2019年英国进口额为6920亿美元（世界贸易组织[WTO]，2020年），从ASF高风险国家进口额的百分比为47.6%（贸易经济学）。将数据输入所建立的模糊风险评估模型后，风险等级）为46.7。属于中等风险等级。根据英国政府环境食品和农村事务部（2018年）的预测结果，运输风险为中等。 两种预测结果基本一致。因此，该模糊风险评价模型的预测效果得到了验证。4. 讨论4.1. 结果分析本文基于2019年和2020年数据的预测结果是，2019年的数据高于过去，可以代表澳大利亚正常年份的最高水平。 为比较及分析COVID-19疫情后的趋势，引用二零二零年数据。该模型的输出值受第二层输入变量的影响（图1）。 2）。然而，第二层输入是第一层的输出这些也受到第一层输入的影响因此，模型的最终输出最终受到第一层的影响。然而，这提供了一个机会来了解模型的哪一部分提供了最终预测的效果使用模糊建模的优点是能够通过使用人类可理解的模糊规则进行追溯澳大利亚的风险度较低（24.4和21.3），这是由于澳大利亚的一些第一层投入值，如年进口额和年国际旅游人数，在世界上处于较低或很低的水平此外，IP是从19.9到11.6，但最终输出只是从24.4到21.3由于IIT相对稳定，根据以下规则之一如果IP为VL且IIT为L，则ASF引入风险（RAI）为VL。然而，两个IP值都属于VL，IIT值属于L，但两个最终结果都属于L。虽然IP（2019）的值（19.9）属于VL，但它非常接近下一个度数（L）。也就是说，归因程度更接近L水平，而不是VL水平，这影响了最终的输出。IP（2020）的减小导致最终结果减小，但最终结果也位于L。这可能是由于模糊集之间的交集和边界是新西兰17.1%新西兰18.2%美国12.1%大而不清的比那些脆集之间。因此，输出的度位置可能不完全对应于模糊规则。新加坡13.9%新加坡13.3%日本7.0%日本6.1%阿拉伯联合酋长国泰国4.8%泰国4.9%阿联酋航空8.2%8.7%印度尼西亚8.1%印度尼西亚7.7%德国4.8%德国4.7%美国7.8%美国8.1%韩国4.0%韩国3.1%在我们的研究结果中，2019年和2020年的TAR风险相似但IP值从19.9下降到11.6。主要原因是COVID-19疫情导致国际游客大幅减少为了防止COVID-19传播，大多数国家香港香港（特别行政区）5.0%马来西亚3.6%马来西亚3.3%已经采取了封锁，广泛限制国际旅行（Sam等人，2020年）。世界旅游业晴雨表[UNWTO]（2020）报告称，国际旅游业减少了74%或10亿。这意味着，旅客带来的风险因素已经减少，未来几年的主要风险将来自国际贸易。不过，国际旅游业终将复苏。Behsudi（2020）认为，到2023年，国际旅行可能会恢复到2019年风险将再次增加，我们的模型将(SAR)6.6%马来西亚5.7%马来西亚5.4%新加坡3.4%新加坡2.5%日本3.6%日本4.1%新西兰2.4%新西兰2.4%泰国3.3%其他国家卡塔尔4.9%其他国家18.7%英国2.3%其他国家英国2.4%其他国家百分之十七点四32.2%百分之二十九点八共计947万1,800,000307 550（m）293，251（m）H. Liu，Y. Ren，H. Chu等农业人工33从模型中为此类ASF风险提供方向此外，非洲猪瘟的主要风险将来自亚洲。根据ASF高风险国家的进口数据（表3），前五位中有三个是亚洲国家，中国、马来西亚、韩国，这三个亚洲国家约占所有高风险国家的80%此外，来自高风险国家或地区的前四名死亡人数均来自亚洲。这些国家包括中国、印度尼西亚、香港（中国）和马来西亚（表3），这些国家加起来几乎占所有高风险国家。巧合的是，其他论文也预测亚洲国家的引进风险很高。Ito等人（2020）表明，中国和越南可能是ASF传入日本风险最高的国家。 Jurado等人（2019a，2019b）表明，美国的大部分ASF引入风险与来自中国和中国香港的非法移民有关。因此，可以认为亚洲将是ASF传入澳大利亚的最高风险地区。该模型是根据现有的数据和ASF的特点建立的跨境价差提供了相应的变量。通过与英国政府环境食品和农村事务部（2018年）的推断结果进行比较，验证了该模糊模型的结果然而，模糊模型客观地推断基于规则库的输入值输入量的大小反映了被试国的客观条件。事实上，高风险并不意味着一定会发生，低风险也不意味着永远不会发生。例如，在国际游客数量和国际贸易方面，美国可能是高风险国家。然而，到目前为止，美国仍然没有ASF。日本（如澳大利亚）是一个国家，但日本的进口比澳大利亚大得多，而且更接近中国和韩国等高风险地区日本也没有ASF。这表明，非洲猪瘟的传播可能还与其他因素有关，如诊断水平、公共卫生条件和经济水平。例如，非洲猪瘟自2018年在中国爆发以来，截至2021年10月已蔓延至15个亚洲国家然而，除了韩国，其余国家都不是高收入国家（Hamadeh et al.，2021年）。因此，只有通过收集其他类型的数据才能获得更准确的评估模糊风险评估方法可以根据新的数据或知识进行建立和调整4.2. 模糊模型特征分析模糊模型主要依靠模糊规则来描述模糊集之间的关系，模糊规则通常 以 IF-THEN 的 形 式 表 示 （ Zadeh ， 1988;Perfilieva ， 2006 ） 。Mamdani模糊推理是一种在许多领域中使用的常见模糊推理系统，由于其计算效率并且可以直接解释，因此非常适合医学研究（Gayathri和Sumathi，2015）。有三个主要优点。首先，模糊模型的使用具有易于理解和建立的灵活性它还提供了一组人类可理解的模糊规则，其结果可以很容易地追溯到决定输出的变量此外，该模型可以很容易地修改或改变。模糊模型的创建需要知识和数据的结合，并且不需要许多机器学习技术所需要的大量标记数据。以这项研究为例，由于每个国家的独特条件，可用的数据不一致，并且可能因国家而异如果其他研究人员想使用已建立的方法来调查其他国家的情况或其他影响，这种建模允许通过使用创建模型时相同的原则来添加、删除或替换输入变量最后，模糊模型可以帮助处理不确定或假设的问题。与清晰集相比，模糊集一般具有重叠边界.相邻模糊集之间存在重叠（Mandal等人，2012）来对模糊集之间的模糊性进行建模。的能力如本文所示，对成员资格之间的重叠进行建模可以更好地对准确性和不确定性进行所有模型在应用或开发上通常都有一定的局限性本文提出的方法有一定的局限性首先，本文所用的变量是以数据的可用性为前提的.例如，一些国际游客乘坐游轮来到澳大利亚然而，澳大利亚的统计网站上没有关于邮轮乘客国籍分布和每年入境人数的信息值得注意的是，这是从可用数据的角度来看的限制，而不是使用模糊建模的限制当任何新的数据是可用的，本文中所报道的用于建立模糊风险评估的步骤和方法可以很容易地重复其次，与Issa等人（2021）类似，模糊模型的输出在很大程度上取决于模糊隶属度的设计如果模糊隶属度的取值范围模糊模型的输出也受到输入和输出模型中使用的模糊隶属度的限制。增加模糊隶属度可以提高模型的精度然而，值得注意的是，随着模糊隶属度（即，语言学术语），模糊规则的数量也可能显著增加，从而使得模糊模型更难以解释。最后，该模型只是一种定量分析，只能根据客观条件进行风险评估，风险的定量指标还需要进一步研究5. 结论在这项研究中，我们已经建立了一个定量的模糊风险评估模型来评估非洲猪瘟传入澳大利亚的风险本文的贡献有两个方面。首先，利用模糊建模技术建立了非洲猪瘟引进风险其次，所建立的模型是用来提供见解的风险水平，为非洲猪瘟引进澳大利亚。我们的分析是基于国际游客数量，进口金额和来自高ASF风险国家的百分比。通过对澳大利亚的数据分析，运用模糊风险评估模型，可以得出以下澳大利亚是非洲猪瘟传入的低风险国家国际游客的风险在2019年至2020年期间呈从进口和进口量分析，亚洲国家的传入风险最大本研究将有助于海关等相关部门制定更有效的检查和监测方法，保护澳大利亚的生物安全。提交人的陈述刘汉基负责模型设计、资料搜集及手帐撰写.K·W Kevin提供了模型设计和手册修订方面的指导H Shan基于对非洲猪瘟流行病学的研究，对模型变量选择和稿件修改进行了指导任耀伦负责提出建议，以补充整体构思和手稿修改。朱孝和协助收集数据。竞争利益声明提交人未宣布利益冲突引用Andraud，M.，Bougeard，S.，Chesnoiu，T.，罗斯，N.，2021年 时空聚类和随机森林模型，以确定2018-2019年罗马尼亚非洲猪瘟爆发的风险因素。Sci. Rep. 11（1），1-12.H. Liu，Y. Ren，H. Chu等农业人工34Arji，G.，艾哈迈迪，H.，Nilashi，M.，拉希德助教艾哈迈德，O.H.，Aljojo，N.，Zainol，A.，2019年。传染病诊断的模糊逻辑方法：系统评价、文献和分类。生物控制学Eng.39（4），937-95 5.澳大利亚统计局（ABS），2020年。 国际贸易：补充资料，日历年方法。数据来源：https://www.abs.gov.au/methods/international-trade-mixentary-information-mixar-year-methodology/2020。Behsudi，A.，2020年。依赖疟疾的经济体是受这一流行病危害最大的经济体之一。https://www.imf.org/external/pubs/ft/fandd/2020/12/pdf/impact-of-the-pandemic-ontourism-behsudi.pdf。Beltrán-Alcrudo，D.，Lubroth，J.，Depner，K.，De La Rocque，S.，2008年高加索地区的非洲猪瘟粮农组织经营方案观察1（8），1- 8。Bhuju，G.，Phaijoo，G.，Gurung，D.，2020. SEIR-SEI登革热动态的模糊分析国际生物医学研究2020。中 央 通 讯 社 [CAN] ， 2019 。 另 一 个 猪 肉 包 检 测 出 非 洲 猪 瘟 阳 性 检 索 自https://focustaiwan.tw/society/201902190020。Chenais，E.，Depner，K.，Guberti，V.，Dietze，K.，Viltrop，A.，Stahl，K.，2019年。2014-2018年欧洲非洲猪瘟的流行病学考虑。猪健康管理5（1），1De La Rocque，S.，Balenghien，T.，哈洛斯湖Dietze，K.，Claes，F.，法拉利，G.，......这是什么？Slingenbergh，J.，2011. 媒介传播疾病的分布趋势：国际贸易是否促进了其传播？英国政府环境食品农村事务部，2018年。通过人为途径将非洲猪瘟从欧洲成员国引入英国猪群的风险是什么？定性风险评估。检索自https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/908399/asf-qra-november2018.pdf。欧洲食品安全局动物健康和福利小组（AHAW），尼尔森，S.S.，阿尔瓦雷斯，J.，Bicout，D.，Calistri，P.，Depner，K.，... Gortázar Schmidt，C.，2019. 非洲猪瘟在欧洲东南部国家的风险评估。EFSA J. 17（11），e0586 1.联合国粮食及农业组织（粮农组织），2022年。 亚太&地区非洲猪瘟疫情最新情况.跨界动物疾病（TADs）。检索自www.fao.org/ag/againfo/programmes/en/empres/ASF/situation_update.html。Gayathri，B.M.，Sumathi，C.P.，2015年。 用于乳腺癌风险检测的Mamdani模糊推理系统 。 2015 年 IEEE International Conference on Computa-tional Intelligence andComputing Research（ICCIC）。12月10日至12日 2015年。Hamadeh，N.，西弗吉尼亚州隆佩Metreau，E.，2021年 世界银行按收入水平划分的新国家分类：2021-2022年。世界银行检索自https://blogs.worldbank。org/opendata/new-world-bank-country-classi fications-income-level-2021-2022.黄，Y.，2020年。 为什么世界上四分之一的猪在一年内死亡？ 纽约时报国际贸易中心[ITC]，2020年。2020年入选产品的