生鲜电商食品安全监管机制效用模型仿真

杨浩雄 邵恩露 马家骥

(北京工商大学电商与物流学院，北京 100089)

随着互联网的飞速发展以及电子商务的不断普及，生鲜电商食品安全问题频发，原因主要有：生鲜产品种类繁多，保存条件不一，保存时间较短，质量易发生变化；生鲜电商运营过程各主体信息不对称；生鲜电商食品安全监管不到位。2016年10月1日起施行的《网络食品安全违法行为查处办法》，从规定入网食品生产经营者及网络食品交易第三方平台等角色的网络食品安全义务、划分各级监管部门监管职责、明确违法行为的法律责任等方面，对网络食品安全进行监督管理等。

在生鲜电商食品安全监管模式的研究上缺乏相应的理论支持。汪旭晖等[1]发现信息共享与“锁定效应”有利于确保生鲜电商食品安全。吴志坚等[2]提出地方政府应充分发挥能力优势，为电商平台的运营提供政策及措施保障。葛继红等[3]认为O2O模式具有配送及时和消费体验完善的优势。此外，邵腾伟等[4]认为生鲜食品采取众筹预售与众包生产联合决策的销售模式有助于扩大生鲜食品的网购需求，保障食品安全，提高产业链收益。Wang等[5]对比了线上和线下生鲜产品的运营模式，从消费者行为的影响因素方面对生鲜电商的运营模式提出了建议。Hobbs等[6-8]认为，政府应积极作为，对生鲜食品供应链各环节实行严格监管，针对食品安全的关键控制点还需采取特殊的管理措施，方能有效保障生鲜食品的质量安全。然而，政府能力有限，难以对分散的农户进行标准化的控制管理，受限于监管成本，难以对农户行为进行严格细致的监管[9-13]。康智勇等[14]从监管和监督两大体系出发，构建了网购食品安全协同治理体系，强调了多元参与、协同共治网购食品安全的必要性。

Agent仿真在微观层次构造Agent，进而推出由微观个体形成的宏观效应，是一种自下而上的研究方法。Agent可在一定环境中自主发挥作用，通过Agent仿真能够更贴合现实情况。Noori等[15]使用基于Agent的模型进行电动汽车的区域市场渗透预测，并发现政府补贴在电动汽车市场中起至关重要的作用。杨浩雄等[16]运用Agent建模方法，对交通拥堵收费政策影响下有私家车的群体出行行为进行了建模，并以北京市为例，对模型展开了实证分析。

综上，以往研究主要针对生鲜电商运营模式、供应链协调等问题。在食品安全监管问题中，其主要针对某一主体进行研究，并没有考虑所有主体，同时对监管政策与监管效果的研究以定性分析为主，并没有进行定量分析。文章拟构建生鲜电商食品安全模型，以检查力度与产品合格率为相关评估系数，考虑整个体系所有主体，运用仿真技术定量分析生鲜电商食品安全监管机制效用，为生鲜电商质量安全监管领域中新的探索和尝试提供依据。

1 生鲜电商食品安全监管体系

与传统的食品供应链相比，电子商务环境下的食品供应链由电商平台取代了原有经销商的角色，由生鲜电商食品供应商、生鲜电商平台和消费者共同构成一个三级的生鲜食品供应链。市场的调节有时并不是最有效率的，政府作为最重要的主体，其监管能够弥补市场调节的缺陷。现阶段政府部门对生鲜电商的监管手段主要分为两种：针对生鲜产品供应商及平台的事前监管与对产品的抽检。除对平台自身进行运营维护外，生鲜电商平台还需对入网的食品生产经营者进行监督与管理，并对生鲜食品供应商选择、运输仓储配送环节的质量安全、售后服务等方面提供保障；消费者位于生鲜电商产品供应链的末端，是食品质量安全风险的直接受害者，也是生鲜电商食品质量安全监管体系中主要的参与主体，消费者主要通过投诉举报等方式参与食品质量安全监管。

2 生鲜电商食品安全监管效用仿真模型构建

研究的仿真模型(图1)将生鲜电商食品安全监管中的4个主要主体“生鲜产品供应商”“政府监管部门”“生鲜电商平台”及“消费者”抽象表示为独立的Agent，利用各种参数及辅助变量反映如政府抽检、平台抽检、消费者投诉等实际情况。

图1 生鲜电商食品市场监管模式

2.1 模型假设

从生鲜食品供应商、政府监管部门、生鲜电商平台及消费者的个体属性、行为特征出发，通过建模仿真，分析生鲜产品供应商的安全投入策略和政府及电商平台的监管政策决策下，供应商及消费者的个体属性、行为变化，探究掌握政府及平台的监管策略对生鲜电商食品安全监管的影响。基于此，模型作如下假设：

(1) 模型中所有主体都是有限理性，在一定资源和条件的约束下作出决策。

(2) 模型中每个供应商供应的生鲜均为同一品类，且消费者通过电商平台线上购买无法在购买前鉴别产品质量。

(3) 为简化模型，假设每个供应商供应的生鲜产品数量相同，每个消费者购买的生鲜产品数量相等且均来自于同一供应商。

(4) 供应商供给生鲜产品的合格率存在不确定性，在一定范围内服从正态分布。

2.2 Agent仿真模型主体

2.2.4 消费者Agent 消费者Agent在初始是生鲜电商平台的潜在消费者，在口碑和平台宣传的作用下在平台购买生鲜食品成为平台的消费者。在买到合格产品后，还会在此平台继续购买，若买到不合格产品会有3种选择：向电商平台投诉、向政府监管部门投诉或忍气吞声,消费者优先选择平台投诉，反馈无果后向政府投诉，若消费者选择忍气吞声或最后由政府出面解决，则消费者此后一段时间内将可能不会在此平台继续购买产品。

3 生鲜电商食品安全监管模型仿真分析

3.1 某生鲜产品平台食品安全监管情况

3.1.1 平台简介 某生鲜电商平台是由某世界500强企业于2009年投资创办的食品类B2C电子商务网站。平台的主要客户群体为追求高品质生活的白领人群及中产消费人群，这类群体的生活节奏快，可自由支配的时间较少，但是在购买过程中更注重产品的安全。该平台对于生鲜食品的食品安全方面十分重视，每年均投入大量人力、物力保障生鲜食品安全，尤其在企业自检方面。

3.1.2 北京市生鲜食品安全监管情况 选取生鲜电商发展较为成熟的北京市作为研究对象，根据北京市市场监督管理局公布的财政预算信息，2018年北京市市场监督管理局用于食品和药品监督管理事务的经费为17 101万元，相比2017年的20 089万元减少了14.87%。根据北京市市场监督管理局的2018年发布的72期食品安全监督抽检信息公告统计显示，2018年，北京市市场监督管理局共组织抽检食品31 467批次，检出不合格产品232批次，合格率达99.26%，其中共监测生鲜农产品17 088批次，检出不合格产品123批次，合格率为99.28%。

3.2 仿真初始值设定

参考对北京市某知名生鲜电商平台及其生鲜产品供应商的调研结果和北京市商委、北京市市场监督管理局等政府监管部门的实际走访调查情况，本着遵循生鲜电商食品安全监管实际情况的原则，对数据进行了设定及适当的缩放调整。另有部分数据由于相关统计不全面或涉及商业机密，存在短缺，根据市场信息并参考相关文献对数据进行合理估计，从而综合得出试验初始数据。

表1 供应商Agent的转变触发类型及目标状态行为

表2 平台Agent的转变触发类型及目标状态行为

表3 政府Agent的转变触发类型及目标状态行为

假定仿真试验运行100期，“生鲜产品供应商”及“消费者”的Agent数量分别为100，10 000，而“政府监管部门”“生鲜电商平台”的数量均为1。根据对某生鲜电商平台的供应商及对北京市政府监管部门及该平台对供应商抽检与处罚过程的调研结果，对各Agent进行参数变量设置，见表4～6。

通过参考北京市食品安全监管部门和某生鲜电商平台的调研结果及爬虫抓取的消费者评价信息，以及新《食品安全法》等相关法律对消费者Agent参数进行设置，见表7。

3.3 Agent模型仿真

对4个Agent进行集成，通过Anylogic输出仿真运行数据并绘制时间折线图、百分比面积图对各Agent的状态进行统计分析。在保证结果一致的情况下，为使研究结果表现更直观，以产品不合格率表示生鲜产品安全情况。

表4 供应商Agent参数设置

表5 平台Agent参数设置

表6 政府Agent参数设置

3.3.1 供应商Agent状态统计 由图2可知，QPS和CPS供应生鲜产品的不合格率变化趋势与总体不合格率变化趋势类似，在经历模型运行初期的快速下降后均逐渐趋于平稳。QPS产品不合格率显著低于CPS的，符合现实情况对其认知。

3.3.2 平台Agent状态统计 由图3可知，平台Agent抽检比例的变化较为剧烈，在模型运行初期处于波动状态，随后逐渐上升，而后呈逐渐下降趋势，并且最终远低于初始抽检比例水平。结合图2可以推断，初始情况产品合格率较低，政府不断提高抽检比例令供应商罚款增加，使得供应商不断提高质量投入以提高产品合格率。产品合格率提升至一定水平后，政府监管部门无需维持较高的抽检投入，政府抽检比例便逐渐下降并逐渐恢复稳定。

表7 消费者Agent参数设置

图2 不同质量偏好的供应商Agent供应生鲜产品的

图3 平台Agent抽检比例

3.3.3 政府Agent状态统计 由图4可知，政府Agent的抽检比例变化幅度较大，仿真模型运行初期，政府抽检比例显著提升，之后又迅速波动下降直至模型结束时，政府抽检比例水平返回至初始值左右。与图3对比可知，政府抽检比例变化落后于平台抽检比例且下降幅度更小。

3.3.4 消费者Agent状态统计 由图5、6可知，购买到合格生鲜产品的消费者始终占据96%以上的比例。模型运行初期，消费者购买状态比例和消费者受到赔偿总额的变化幅度较为剧烈，随着模型的运行，购买合格产品的消费者比例不断增加，平台给予消费者的赔偿总额也因此不断减少，且因为质量问题未得到妥善处理而选择不购买的消费者比例也在不断减少。

图4 政府Agent抽检比例

图5 消费者Agent购买状态比例

3.4 对比试验

利用Anglogic软件的仿真试验界面，改变仿真模型试验中不同参数的取值进行不同的对比试验，其试验方案见表8。方案A是初始方案，根据表4～7中的参数设定初始值，用作对比仿真试验的基准方案；方案B1和B2改变了政府对平台及供应商抽检的比例，研究不同的政府重点监管对象对生鲜电商产品监管效果的影响；方案C1和C2改变了政府的惩罚系数，方案D1和D2改变了平台的惩罚系数，分别研究政府和平台惩罚系数的变化对生鲜电商产品食品安全的影响。

3.4.1 政府对平台抽检占比 运行方案A、B1和B2，结果见图7。由图7可知，在其他条件不变的情况下，当政府对供应商的抽检占比为0.2时，生鲜产品的不合格率与初始仿真结果在仿真模型运行前、中期较为接近，在模型运行后期，略低于初始情况，但差距不明显。当政府对供应商的抽检占比为0.8时，生鲜产品的不合格率高于初始仿真结果，仿真后期供应商供应的不合格产品总量约比初始仿真结果高10%。

图6 平台给予消费者Agent受赔总额

图7 不同抽检占比下生鲜产品的不合格率

表8 仿真试验设计方案

对不同产品偏好的供应商的生鲜产品不合格率进行具体分析，结果见图8、9。对于QPS，政府抽检占比无论上升或下降，其产品不合格率与初始情况相比无明显变化；对于CPS，当降低对供应商抽检占比时，其产品不合格率相比初始情况在模型运行前、中期无明显差别，模型运行后期略低于初始情况，当提升对供应商抽检占比至0.8时，其产品不合格率显著高于初始情况。综上，从政府角度而言，对平台进行抽检比直接对供应商抽检更加有效，提高对生鲜电商平台的抽检占比更有助于提高生鲜电商产品的安全水平。

3.4.2 政府惩罚系数 运行方案A、C1和C2，结果见图10。由图10可知，在其他条件不变的情况下，当政府惩罚系数降低20%至800时，生鲜产品的不合格率高于初始仿真结果，在模型运行中、后期，供应商产出不合格产品数量约比初始情况多10%；当政府惩罚系数提升20%至1 200时，生鲜产品的不合格率与初始仿真结果相比无明显差异。

图8 不同抽检占比下QPS产品的不合格率

图9 不同抽检占比下CPS产品的不合格率

图10 不同政府惩罚系数下供应商产品的不合格率

对不同产品偏好的供应商的生鲜产品不合格率进行具体分析，结果见图11、12。对于QPS，政府惩罚力度无论上升或下降，其不合格率与初始情况相比无明显变化；对于CPS，当提高政府惩罚力度时，其不合格率相比初始情况在模型运行前、中期无明显差别，在模型运行后期略低于初始情况；当降低政府惩罚系数时，其不合格率显著高于初始情况。综上，从政府角度而言，在现有水平上降低惩罚力度会使生鲜产品的质量水平显著降低，而提高惩罚力度则无显著影响，表明现有惩罚力度已达到较优的监管效果。

3.4.3 平台惩罚系数 运行方案A、D1和D2，结果见图13。由图13可知，在其他条件不变的情况下，当平台惩罚系数降低20%时，其不合格率在模型运行前期下降幅度较缓，显著高于初始水平，随着仿真模型的运行，两种情况的差距不断减小，在模型运行中、后期，其不合格率略高于初始水平，后期供应商产出的不合格产品数量约比初始水平高4%；当平台惩罚系数提升20%时，其不合格率与初始仿真结果相比在模型运行前、中期并无明显差异，后期略低于初始情况，后期供应商产出的不合格产品数量约比初始水平低5%。

对不同产品偏好的供应商的生鲜产品不合格率进行具体分析，结果见图14、15。对于QPS，平台惩罚力度无论上升或下降，其不合格率与初始情况相比无明显变化；对于CPS，当平台惩罚系数提高时，其不合格率相比初始情况在模型运行前、中期无明显差别，后期略低于初始情况；当平台惩罚系数降低时，其不合格率明显高于初始情况。综上，从平台角度而言，降低惩罚力度会显著降低生鲜产品的质量水平，而提高惩罚力度在短期内对生鲜产品质量水平无显著影响，长期内会促进产品质量水平的提升。

图11 不同政府惩罚系数下QPS产品的不合格率

图12 不同政府惩罚系数下CPS产品的不合格率

3.4.4 政府惩罚与平台惩罚系数变化对比 运行方案A、C1、C2、D1和D2，结果见图16～21。由图16、17可知，政府及平台的惩罚系数变化对供应商产品不合格率存在重要影响。当惩罚系数降低时，模型运行初期，平台惩罚系数变化对供应商产品不合格率的影响大于政府惩罚系数变化的影响，但随着模型的不断运行，政府惩罚力度降低对产品品质影响更大，平台运行后期，平台惩罚力度降低20%会使供应商供应不合格产品总量相比初始情况增加4%左右，而政府惩罚力度降低20%时会使不合格产品总量增加10%；当提高惩罚系数时，平台及政府的惩罚系数变动对供应商的产品不合格率影响均不显著。

图13 不同平台惩罚系数下供应商产品不合格率

图14 不同平台惩罚系数下QPS产品的不合格率

图15 不同平台惩罚系数下CPS产品的不合格率

由图18、19可知，提高或降低政府及平台的惩罚系数对QPS所供应生鲜产品的平均不合格率无显著影响。

由图20、21可知，供应商总体不合格率受平台及政府惩罚系数影响，主要是因为CPS的产品不合格率对平台及政府的惩罚系数变化较为敏感。当惩罚力度降低时，模型运行初期，平台惩罚系数变化对供应商产品不合格率的影响大于政府惩罚系数变化的影响，但随着模型的不断运行，政府惩罚系数降低会造成供应商产品不合格率处于更高水平，模型运行后期，政府惩罚力度下降20%会使CPS供应的不合格产品数量增加20%，明显高于平台惩罚力度下降20%造成的约5%的增幅；当惩罚力度各提高20%时，相比于政府惩罚系数，平台惩罚系数的提高会使CPS的产品不合格率下降更多，模型运行后期，平台惩罚力度提高会使CPS供应的不合格产品总量下降约15%，明显高于政府惩罚力度提高造成的8%左右的降幅。综上，若提高惩罚力度，提高平台惩罚力度相比提高政府惩罚力度更为有效。若降低惩罚力度，短期内平台惩罚力度降低会造成较大影响，但长期内政府惩罚力度降低的影响幅度较大。

图16 政府及平台惩罚系数降低20%时供应商产品不合格率

图17 政府及平台惩罚系数提高20%时供应商产品不合格率

图18 政府及平台惩罚系数降低20%时QPS产品的不合格率

图19 政府及平台惩罚系数提升20%时QPS产品的不合格率

图20 政府及平台惩罚系数降低20%时CPS产品的不合格率

图21 政府及平台惩罚系数提高20%时CPS产品的不合格率

4 结论

生鲜电商的快速发展一直备受社会关注，食品的安全更是关注的重点。如何对生鲜电商的食品安全监管进行完善与优化，如何能够对食品安全违法行为进行有效约束，从而促进生鲜电商行业的健康稳定发展，仍是政府部门关注的重点。文章分析了各主体在监管模型中的行为及相互影响，构造了由生鲜电商供应商、生鲜电商平台、政府监管机构以及消费者四方共同组成的生鲜电商食品安全监管模型，并对该模型进行仿真试验，结果表明：构建生鲜电商供应商的投入决策模型和消费者购买决策模型，有助于生鲜产品供应商优化安全投入政策，政府及平台优化监管政策，制定更加有效的管理办法，引导供应商提高产品质量，提高顾客满意度并避免食品安全事件的发生。

生鲜电商的监管模式与传统的农产品供应链监管模式有所不同，对于如何保障生鲜电商食品安全，可从以下方面着手：① 电子商务背景下，政府监管已难以覆盖整个市场，而生鲜电商平台对其平台内食品安全的掌控与监管力度甚至比工商、质检等国家机关更强，更能对其供应商形成威慑。在政府部门选择监管对象时，政府部门监管重点应为生鲜电商平台，明确电商企业为食品安全事件“第一责任人”，督促生鲜电商平台对其供应商进行严格选择，强化内部食品安全检验检测体系，从而达到更好的监管效果。② 政府在进行生鲜电商食品安全监管时，较高的惩罚力度能够更好地保障食品的安全，并且若提高惩罚力度，提高平台对供应商的惩罚力度相比提高政府惩罚力度更为有效。若降低惩罚力度，短期内平台惩罚力度降低会造成较大影响，但长期内政府惩罚力度降低的影响幅度较大。所以政府应当确定相应的惩罚制度，并且逼迫平台确定相应的惩罚力度，以确保提高生鲜电商提供的食品的安全。