同一天收货，两个批次都拿到了 82 分（数字均为示意）。一个是老供应商的常规品类，分数由产品类别和季节抬高；另一个几乎全靠供应商过去的记录撑起来。检测人员对这两个 82 分要做的事完全不同，可惯常的风险报表只显示一个数字，把这层差别抹平了。纵横国际官网在讨论风险模型时，把“分数怎样拆开”当作与“分数是多少”同等重要的输出。
先把批次 A 的 82 分拆成五块
下面的数字是示意，不对应任何真实批次。
| 组成项 | 贡献 | 怎么读 | 对应的核查动作 |
|---|---|---|---|
| 基线 | 14 | 模型对一个普通批次的平均预测 | 作为起点，无需动作 |
| 供应商历史 | +18 | 该供应商过往记录把分数往上推 | 调出近期全部批次，看异常是否集中在少数几次 |
| 季节 | +12 | 当前季节同类产品历史上偏高 | 补充与季节性风险对应的检测项目 |
| 产品类别 | +21 | 训练数据里这类产品的记录偏高 | 当背景信息，先排除抽检密度的影响 |
| 既往检测记录 | +17 | 与该批次相关的历史检测偏高 | 回到原始记录逐条核对 |
| 合计 | 82 | 14 + 18 + 12 + 21 + 17 | 按贡献从大到小逐项处理 |
换成瀑布图，就是从 14 起步，一项接一项向上垒，最后停在 82。最长的一块是产品类别的 +21，可它恰恰是检测人员最没法改变的一项；能立刻转成动作的是供应商历史与既往检测记录，两项合计 +35。“最大”和“最有用”并不总是同一项。
同样是 82 分，批次 B 的读法完全不同
批次 B 的拆解（同样是示意）：基线 14，供应商历史 +41，季节 +4，产品类别 +6，既往检测记录 +17，合计 14 + 41 + 4 + 6 + 17 = 82。将近一半的风险来自供应商这一项，收货口应先把这家供应商最近几批的记录全部拉出来，再核对它的供货来源近期有没有变化。
批次 A 的分数由三项中等大小的因素分摊，没有哪一项能单独说明问题，更像几个背景条件叠在了一起，按常规加检补足项目即可。两批的分数并列，该查的方向却不同；只按分数排队，它们会挤在同一个位置，有限的检测名额也就分不清往哪里用。至于供应商历史、季节这些特征为什么要一起放进模型，可以看风险预测为什么不能只看过去的不合格次数。
SHAP 在分数背后做了什么
XGBoost（梯度提升树）先给出预测，SHAP（SHapley Additive exPlanations，沙普利加性解释）再回答一个问题：与全体批次的平均预测相比，每个特征把这一次的预测推高或拉低了多少。它借用合作博弈里的 Shapley 值，把特征想成一起完成任务的队员，一个特征的贡献，是它加入不同组合时带来的平均增量。这样分出来的各项有个好性质：全部相加恰好等于预测值与基线的差，所以能画成瀑布图。对树模型，TreeSHAP 不必枚举所有特征组合，批量计算也来得及。
口径上有一个细节。默认的 SHAP 值是在对数几率（log-odds）空间里相加的，要换成 0–100 的“分”，得先把概率换算出来，再把各项按比例摊回去，摊法不同，各项数字就会略有出入。所以图上的数字适合比较大小，不适合当作精确分值去逐项核对。
对单个批次做拆解，属于局部解释；对大量批次的 SHAP 绝对值求平均，看到的则是模型整体依赖哪些特征。前者服务收货口的一次决定，后者供建模人员检查模型学到了什么：如果全局排第一的是“录入日期”这类与食品风险无关的字段，多半是记录习惯或数据泄漏被模型抓住了。
拆解会在哪里读错
- 相关特征互相分摊。供应商历史与既往检测记录本来就高度相关，模型把功劳记给谁，取决于树的结构与算法口径。17 和 18 之间的差距没有意义，值得读的是量级，+41 与 +4 才是真正的不同。
- 解释的是模型，不是原因。“产品类别 +21”只说明训练数据里这类产品的记录偏高，原因可能是确有风险，也可能是它被抽得更勤、异常更容易被发现和记录，这就是抽样偏差，哪一批更值得检查一文拆过。2026 年 Discover Food 上一项基于 RASFF 数据的研究，把 SHAP 归因与时间先后分析、what-if 敏感性检查和共形预测组合起来用，而不是拿一张贡献图收工。
- 时间泄漏让贡献图好看却没用。训练时若混进了“未来”的信息，比如事后才补录的整改记录，验证分数会很漂亮，这一项在 SHAP 图上也会显得贡献很大。要用时间切分验证：拿过去训练，用之后的时间段检验，再看各项贡献是否仍然稳定。
82 分旁边要有一个范围
图上 82 分的括号写着“约 76–88”（示意）。这个区间回答的是另一个问题：模型对这个数有几分把握。区间窄，意味着训练数据里见过很多相近的批次，按分数排队可以放心；区间宽，通常是碰上了新供应商、新品类或少见的季节组合，拆解里再漂亮的贡献项也得打折。
2026 年 9 月发表在 Frontiers in Food Science and Technology 的一项研究，在欧盟 RASFF 2019–2025 年共 22,643 条通报上做严重程度二分类，经 Platt 校准把校准误差 ECE 由 0.267 降到 0.043，再用共形预测把整体覆盖率做到约 90.3%，其中约 78.4% 的预测集只含一个类别，其余则老老实实标成“两类都有可能”。非洲地区的校准样本最少（n=232），覆盖率约 77.6%，没有达到 90% 的目标：样本少的地方，区间给出的把握也会打折。作者明确说明，这是原型，假设时间平稳，需要部署验证，不是可直接用于监管的系统。
翻译回 82 分：只输出点估计的模型，会把批次 A 和 B 都写成 82；带上范围以后，收货口才分得出“有把握的 82”和“没见过、拿不准的 82”，区间过宽的批次直接交给人工，这就是拒识（reject option）的用法。
拿到拆解以后的核查顺序
- 先读区间，再读分数。区间宽的批次先转人工，不急着相信贡献项。
- 找出能变成动作的项。供应商历史、季节、既往检测记录能对应到具体核查内容；产品类别这类固有属性只当背景。
- 做一次 what-if：把可疑的一项调回平均水平，看分数掉多少。掉得很少，说明分数靠多项叠加撑着，没有单独的问题点。
- 回到原始记录，核对抽检密度和记录口径有没有变化。
- 把当天的拆解与之后的实验室结果一起存档，按季度回看：贡献最大的那一项，后来查出问题的比例有多高。这个比例就是检验解释有没有用的办法。
风险分与拆解在 App 里通常怎样呈现，可以看App 怎样查看批次风险与原因，具体以当前发布版本为准。风险模型在纵横国际 AI 体系里与视觉、光谱模型怎样分工，则见为什么不能只用一个万能大模型。
回到批次 A：“产品类别 +21”究竟是真风险还是抽检偏差，取决于一个模型手里没有、检测人员手里有的数字：过去的抽检里，这类产品被抽到的频率比其他品类高出多少？