Predicting Food-Safety Risk and Determining Cost-Effective Risk-Reduction Strategies
Notice bibliographique
Résumé
Food safety is a major risk for agribusiness firms. According to the Centers for Disease Control and Prevention (CDC), approximately 5000 people die annually, and 36,000 people are hospitalized as a result of foodborne outbreaks in the United States. Globally, the death estimate is about 42,000 people per year. A single outbreak could cost a particular segment of the food industry hundreds of millions of dollars due to recalls and liability; these instances might amount to billions of dollars annually. Despite U.S. advancements and regulations, such as pathogen reduction/hazard analysis critical control points (PR/HACCP) in 1996 and the Food Modernization Act in 2010, to reduce food-safety risk, retail meat facilities continue to experience recalls and major outbreaks. We developed a stochastic-optimization framework and used stochastic-dominance methods to evaluate the effectiveness for three strategies that are used by retail meat facilities. Copula value-at-risk (CVaR) was utilized to predict the magnitude of the risk exposure associated with alternative, cost-effective risk-reduction strategies. The results showed that optimal retail-intervention strategies vary by meat and pathogen types, and that having a single Salmonella performance standard for PR/HACCP could be inefficient for reducing other pathogens and food-safety risks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».