种猪生长性能自动测定系统的数据正确性及其影响因素

杜秉华，楼平儿，王燕丽

（1.浙江省金华市婺城区八一南街紫荆苑，321000；2.成都天邦生物制品有限公司,四川 成都 610100；3.金华职业技术学院，浙江 金华 321007）

种猪生长性能自动测定系统的数据正确性及其影响因素

杜秉华1，楼平儿2，王燕丽3

（1.浙江省金华市婺城区八一南街紫荆苑，321000；2.成都天邦生物制品有限公司,四川 成都 610100；3.金华职业技术学院，浙江 金华 321007）

很多人认为既然是“自动”生长性能测定设备（简称为“自动测定设备”），就可以把运行过程中的人为管理降低到最低程度，而且往往把从测定设备里得到的实测数据直接拿来进行后续性能等分析。这其实是一个很大的误解，因为自动测定设备本身的精确度（奥斯本为1.5%）并不等于数据正确性，而且机械粘连、断料、动物行为等因素都会对数据正确性造成影响。该文从数据正确性的3个组成方面（数据精确性、准确性和合理性）入手，从负采食量、单次采食大于1500g和最大采食速度等方面详细阐述在测定设备运行中受到的影响因素及对育种值估计误差较大的结果。

生长性能自动测定设备；数据精确性；数据准确性；数据合理性；动物行为；育种影响

0 前言

使用自动测定设备替代人工对种猪进行生长性能的测定，是我国养猪业近年来的一个重大进步。然而在使用过程中，很多人认为可以把运行自动测定设备的人为管理因素降到最低程度，可以把自动测定设备得到的实测数据理解成准确数据而直接使用。从我们使用自动测定设备多年的工作经验来看，这是一个很大的误解。如果忽视对自动测定设备的人为管理和对测定设备数据的理解不科学，则直接运用实测数据后所推演结果的正确性要比我们想象中的要差很多，由此得到的推演结果不仅会影响到测定性状的正确性描述，而且会影响到育种的成效和成本，更会影响到国内生猪改良计划的有关收集数据的正确性。

关于自动生长性能测定系统的数据正确性问题在国内极少讨论，所以笔者在此对自动测定设备测定数据的正确性及影响其在运行过程中所受到的内外因素进行初步探讨。

1 生长性能自动测定设备本身标定的“实测数据精确性”不能替代“实测数据的正确性”

1.1 生长性能自动测定设备实测数据的精确性的提出

在2000年初，美国奥斯本的生长性能自动测定设备进入中国市场时，把美国Rod Korthals博士撰写的《FIRE性能测定饲喂器的精确性》（ACCUR ACY AND PRECISION OF THEFIRE ® PERFORMANCE TESTING FEEDE R）[1]作为奥斯本进行商业推广的科学依据，把数据的精确性作为该设备的主要性能来介绍。在该文中，Rod Korthals博士比较详细地讲述了奥斯本动态投料型自动测定设备对饲料的称量精确性的验证方法和验证结果，表示设备的平均精确性可以达到1.5%，这远远超过了人工测定的大于5%（可能会更高）的平均精确度。当时，精确性是吸引大家的主要亮点，再加上它的高效大群测定等一些其他的优点，又赶上国内行业发展的时机，从此自动测定生长性能的设备，尤其是动态投料型的自动测定设备在国内得到快速推广。在随后历次大大小小的猪业展会上，动态投料型的国内外产品也纷纷涌现，直到现在占据了国内测定设备的主要市场。

Rod Korthals博士的文章在推广设备时起了不小的作用，但他在文中提到的“精确性”的两个重要条件却被断章取义掉了：1）“1.5%的平均精确性”是在比较严格的实验条件下所得到的。2）对数据的准确性在实际生产条件下难以验证。然而，直到经过10多年后的现在，国内众猪场对普遍得到的测定数据的正确性认识还是不容乐观的。可能重要的原因之一是对自动测定设备得到的数据正确性还没有一个明确的认识，把设备在理想实验条件下得到性能数据的精确性等同于在生产条件下的工作数据的正确性，由此带来的是对实际生产条件下管理的轻视和对得到实测数据可信度的忽视。

1.2 举例说明“实测数据的精确性”不等于“实测数据的正确性”

以自动测定设备经常出现的负采食量为例，从3个有代表性（以管理的优良程度来分类）的种猪测定场的实测数据来说明实测数据的精确性不能替代实测数据正确性的原因，以及这个数据结果又将对育种值评估会产生怎样的影响。

从表1的数据上可以看到：1）负的采食量事件比率显然已经大大超出了“1.5%的精确度”，也已经超出了数据误差的概念，所以不能用数据精确性的定义进行表述，只能用数据不正确来表述。2）且先不谈造成负采食量的原因，单从它所造成的后果来看，C场的负采食量对实测数据的误差影响远远超过1%（达到6.99%）。在评估猪的FCR时，1%的负采食量误差可能会对FCR造成放大4倍（数据统计结果）的影响。如果FCR有4%的差异，那对某头猪的饲料转化效率的成绩就至少会造成16%的差错，而大白猪和杜洛克猪的FCR遗传力也只有0.15～0.41[2-4]。3）猪场实际运行的条件与严格的实验条件完全不能等同，当时Rod Korthals博士轻轻带过的两个问题现在变得现实并突出了，加上从自动测定设备得到的实测数据也是一种大数据，再加上数据信息处理等技术的提高，如何在实际条件下使用自动测定设备所得到的各种大数据怎么为现代育种进行服务的问题也浮出水面。那么生产性能自动测定设备的数据正确性到底应该包括哪些方面呢？

2 生长性能自动测定设备数据的正确性

笔者认为构成生长性能自动测定数据的正确性由3个方面构成：由设备本身带来的数据精确性、主要由外界因素引起的数据相对误差、以及活口测定带来的动物行为所引起的异常数据的合理性。

2.1 设备本身带来的数据精确性

在正常情况下，通常测定数据理论中的正确性包括两个方面：即数据的精确性和数据的准确性。数据的精确性是第一方面，是指自动测定设备本身的工作能力，也反映了设备系统正确分辩校准砝码的规定单位的能力。虽然精确性还应该有更细分的项目，如稳定性、示值分辨率等，但笔者认为奥斯本公司介绍的数据精确性还是最重要和最实用的工作指标，这个指标已经能基本满足现在的需要。

该设备提供了监测精确性的“窗口”，这就是在系统运行时所同步产生的投料日志文件和出错日志文件，以及饲料和体重称量的校准记录，通过这“窗口”能让我们在有故障或失稳时发现情况。以下的例子是动态投料型设备在监测其饲料的投料校准值的情况。

从上面的实例可以看到测定设备是被实时监测的，这个监测作用有两个：一是可以监视设备系统的运行状况，作为进行设备维护或维修的依据；二是可以结合监测所测猪的即时采食量和体重，作为测定数据的维护依据。

在管理和设备运行正常的情况下，是能基本稳定和保证设备的这个精确度的。如果发现投料校准值有线性变化或者有大幅变化时，就需要慎重对待这个误差了。

2.2 数据的准确性

这是数据正确性定义中的第二个方面。简单地说，数据的准确性就是设备因本身性能外的原因而导致数据出现了误差的结果，或是设备在外界随机发生的因素影响下而使数据对真值产生偏移的程度。

猪场实际的测定工作环境和条件与实验的环境和条件相差很多。从我们的实践来看，外界因素对数据的正确性影响是很大的，即种猪测定场的测定结果误差普遍远大于设备本身的精确度（1.5%）。这很大的原因是没有把数据的准确性因素纳入考虑范围，而数据的准确性对数据正确性的影响往往远大于数据的精确性。这些原因主要发生在管理方面，如供电中断、饲料中断、机械粘连、电子电气和机械的设备故障、饲养管理、疫病等都会对设备记录数据时产生直接和间接的随机误差影响。前面提到的负采食量也是其中之一，因为相当一部分的负采食事件是由机械的粘连引起（粘连是设备故障的一种表现）。以下是机械粘连导致的数据不准确产生的误差例子。

例1：图2中的两个采食事件数据是受粘连影响后的采食量（采食量为-2.721 kg和2.943 kg），这都是不准确的数据，是设备粘连的原因影响了这连续的两个事件的采食量。

例2：设备粘连易导致体重数据不准确，甚至有10%或更大的误差（图3）。

上述两个例子中的数据的实际误差远大于设备精确度的1.5%，这是外界因素引起数据的不准确的结果。我们在自己的实际运行和同行的交流中，发现这种情况还是比较普遍。

当然，一个不正确的事件数据往往可能是几个因素叠加的结果，这些因素往往是外界的因素。通过误差数据中体现的数据特征可以查找其背后的原因，即使是多个原因的叠加，也能大致判断其具体原因。

2.3 数据的合理性

从经典的数据正确性定义来讲是没有数据合理性这一说法的，因为经典的数据正确性把外界的各种影响都归到随机因素的范畴。虽然动物的行为差异也确实是一种影响测定设备的外界因素，但我们还是认为有必要把动物的行为作为影响测定数据正确性的一个专项因素来处理，因为这有利于我们对养猪业测定数据的分析和测定工作的管理。其一，在测定活口时，动物的行为对设备系统性能的互动影响是很大的。我们发现在管理正常的测定猪场内如有不正确的数据出现，其中往往超过50%以上是由动物行为直接或间接引起的。其二，所有的数据大多表现为动物的行为数据，而这些行为数据又是判断测定数据正确性的重要依据。其三，由动物行为引起的异常数据在养猪业测定过程中无法用通常的数据误差理论中的校验方法及其平行测试数据进行监测。

在测定动物生长性能时，采食数据和体重数据可以作为监测动物行为的数据。采食量数据主要有一次性最大采食量、采食速度、最长和最短采食时间；体重数据主要是测定猪在短时间内的体重差值。以下举例说明动物行为对一次性最大采食量的合理性影响。

奥斯本公司把1 500 g作为测定猪一次性最大采食量的合理性数值，即超过此值就认为该数据不正确而可以在软件中自动过滤掉。这里就把一次最大采食量超1 500 g作为合理性判断的数值。以下数据来源于国内3个不同管理程度（好、一般、差）的猪场，测定猪都为瘦肉型猪。

从表2可得到：1）在正常测定管理的情况下A、B两个猪场所有测定猪的单次采食量大于1 500 g的事件比率很低的。在场A，每头测定猪的单次采食大于1 500 g的采食事件的发生率仅为0.05%。场B也基本达到了规范操作的要求，全场平均值也只有0.06%（附带指出的是场B有1/4的工作站发生的1 500 g事件数为0）。这表示在测定种猪的正常过程中是存在单次最大采食量超1 500 g的合理事件。国外也有过专题讨论过此值是否合理，结论与此相符。2）单次最大采食量对其他指标有放大影响的作用。场B比场A的事件数的发生率只提高了0.01%，而对日均采食量（ADFI）的影响却增加到了0.7%；场C的事件数的发生率为4.32%时，对ADFI的影响就飙升到了30.73%。3）通过计算，我们发现这种采食量数据的误差值对饲料转化率（FCR）可能会有放大4倍的影响。更何况单次采食大于1 500 g本身就是通常采食量的几倍值，再加上当这种数据失控时其量值会呈几何级数地增加，所以这里的误差会对FCR的误差放大远远多于4倍的贡献。4）一头猪在一次性采食量超过1 500 g，从数据本身来讲不表示任何差错，而且在猪场的测定过程中也没有通常数据误差理论中的使用平行测试数据进行校验的可能，这是自动测定设备在养猪业应用时需进一步研究的信息。

表1 3个不同管理水平的种猪场实测数据的负采食量情况

表2 不同管理水平猪场中的单次采食大于1 500 g的事件数据情况

图1 自动测定设备所监测的投料校准值情况

图2 粘连影响的不准确采食事件数据

图3 粘连导致的体重数据不准确

图4 3头猪不正确的采食速度

上例表明了动物一次性最大采食的行为数据对动态性投料的设备故障和运行管理有很大的监测意义，对ADFI、FCR等育种值的估算也有很大的影响。所以把动物行为数据的合理性作为自动测定设备的数据正确性是具有现实意义的。

另外比较重要的有关动物习性的数据事例，是最大采食速度。如图4中的3头猪的采食速度，应视为不正确的数据。

图4显示了3头猪都是平均采食速度大于500 g/min，这是不正常的采食速度。这3个连续不正确数据的实际原因是系统供料有故障，但是以异常的采食行为数据表现出来。实际结果应该是这些猪的当时采食量都为零。由此可见，对这3头猪进行饲料报酬计算时，每个数据都受到1%左右的影响了。

3 结论

种猪生长性能自动测定设备在测定过程中的数据正确性受到多种因素的影响，我们把正确性归类成3个方面：精准性、准确性和合理性。以往较多地关注数据正确性的第一方面——精确性，而没有或极少重视正确性的第二和第三方面——准确性和合理性。然而实践却表明：在管理一般的测定场内，数据的准确性对测定数据正确性的影响远比数据精确性的影响要大。第三方面的数据合理性除了是分析和监测数据的重要依据外，实际上也是对数据正确性影响很大的一个因素。

讨论测定数据的正确性问题有助于我们有方向地去监测运行测定工作，以便有效地采取措施去防止和维护故障，有依据地采信测定的数据结果，以期达到我们使用生长性能自动测定设备的目的——希望提高种猪生长性能测定工作的效率，降低测定工作的成本和达到好的经济效益。

[1] Rod Korthals.Accuracy and Precision of the FIRE Performance Testing Feeder.Web﹕www.osborne-ind.com.

[2] 杨运清,王忠新,尹炳北.比值性状的指数选择方法探讨[J].畜牧兽医学报,2000,31(3)﹕198-202.

[3] SAINTILAN R,SELLIER P,BILLON Y,et al.Genetic correlations between males,females and castrates for residual feed intake,feed conversion ratio,growth rate and carcass composition traits in Large White growing pigs[J].Journal of Animal Breeding and Genetics,2012,129(2)﹕103-106.

[4] HERMESCH S,LUXFORD B G,GRASER H U.Genetic parameters for lean meat yield,meat quality,reproduction and feed efficiency traits for Australian pigs﹕2. Genetic relationships between production,carcase and meat quality traits[J].Livestock Production Science,2000,65(3)﹕249-259.

2017-01-03）