{"id":{"repo_id":"helsinki","oai_identifier":"oai:helda.helsinki.fi:10138/562950"},"canonical_url":"https://search.dev.ndltd.org/etd/helsinki/oai:helda.helsinki.fi:10138/562950","repository":{"repo_id":"helsinki","name":"University of Helsinki","base_url":"https://helda.helsinki.fi/server/oai/request"},"display":{"title":"A Data-driven Approach to Assessing Factors Affecting Food Safety Compliance of Finnish Food Business Operators","abstract":"Elintarvikevalvonnan alalla on tällä hetkellä haasteita, jotka johtuvat mm. ilmastonmuutoksesta, ruoan globalisaatiosta sekä virallisten valvontaresurssien niukkuudesta. Riskiperusteinen elintarvikevalvonta on yksi merkittävimmistä lähestymistavoista elintarvikeketjujen turvallisuuden ja laadun valvonnan kehittämisessä. Tässä tutkimuksessa pyrittiin datavetoisia menetelmiä hyödyntämällä luomaan näkemyksiä tekijöistä, jotka ovat vaikuttaneet suomalaisten elintarviketoimijoiden elintarviketurvallisuusvaatimusten noudattamisen tasoon viime vuosina. Paikallisten elintarviketurvallisuusviranomaisten tallentamaa valvontadataa analysoitiin visuaalisen analytiikan konseptia hyödyntävällä Qlik Sense -analytiikkatyökalulla sekä data-analyysiin soveltuvalla Python-ohjelmointikielellä. Qlik Sensellä rakennettujen interaktiivisten visualisointien tarkoituksena oli edistää valtion avoimen datan käytäntöjä ja riskiperusteista elintarvikevalvontaa Suomessa. Visualisoinnit saivat toistaiseksi hyvää palautetta loppukäyttäjiltä. Pythonilla toteutetut analyysit, joissa hyödynnettiin valvontadatan lisäksi kuntadataa, tarjosivat lisänäkemyksiä elintarviketoimijoiden määräystenmukaisuuteen. Tutkimusdataan sovitettu logistinen regressiomalli löysi useita tilastollisesti merkitseviä ennustemuuttujia sekä elintarvikevalvonnan datasta että kuntadatasta, mutta sen suorituskyky oli heikko. Merkittävimmin elintarviketoimijoiden määräystenmukaisuuteen vaikuttivat toimijan toimintavuosien määrä sekä tapahtumaperuste, jonka vuoksi valvonta oli suoritettu. Toimintavuosien kohdalla havaittu suhde oli positiivinen, kun taas monet valvontasuunnitelman ulkopuolisista tapahtumaperusteista, erityisesti ruokamyrkytysepäilyt, valvontapyynnöt ja muut yhteydenotot, vaikuttivat määräystenmukaisuuteen negatiivisesti. Kaikista toimijoista eniten määräystenmukaisuuden todennäköisyyttä kasvattivat elintarvikkeita kuljettavat toimijat. Tutkimustulokset puoltavat datalähtöisten menetelmien potentiaalia riskiperusteisen elintarvikevalvonnan kehittämisessä, sillä niitä hyödyntämällä voidaan saada parempi käsitys tekijöistä, jotka vaikuttavat monimutkaisten elintarvikeketjujen laatuun ja turvallisuuteen.","abstract_html":"Elintarvikevalvonnan alalla on tällä hetkellä haasteita, jotka johtuvat mm. ilmastonmuutoksesta, ruoan globalisaatiosta sekä virallisten valvontaresurssien niukkuudesta. Riskiperusteinen elintarvikevalvonta on yksi merkittävimmistä lähestymistavoista elintarvikeketjujen turvallisuuden ja laadun valvonnan kehittämisessä. Tässä tutkimuksessa pyrittiin datavetoisia menetelmiä hyödyntämällä luomaan näkemyksiä tekijöistä, jotka ovat vaikuttaneet suomalaisten elintarviketoimijoiden elintarviketurvallisuusvaatimusten noudattamisen tasoon viime vuosina. Paikallisten elintarviketurvallisuusviranomaisten tallentamaa valvontadataa analysoitiin visuaalisen analytiikan konseptia hyödyntävällä Qlik Sense -analytiikkatyökalulla sekä data-analyysiin soveltuvalla Python-ohjelmointikielellä. Qlik Sensellä rakennettujen interaktiivisten visualisointien tarkoituksena oli edistää valtion avoimen datan käytäntöjä ja riskiperusteista elintarvikevalvontaa Suomessa. Visualisoinnit saivat toistaiseksi hyvää palautetta loppukäyttäjiltä. Pythonilla toteutetut analyysit, joissa hyödynnettiin valvontadatan lisäksi kuntadataa, tarjosivat lisänäkemyksiä elintarviketoimijoiden määräystenmukaisuuteen. Tutkimusdataan sovitettu logistinen regressiomalli löysi useita tilastollisesti merkitseviä ennustemuuttujia sekä elintarvikevalvonnan datasta että kuntadatasta, mutta sen suorituskyky oli heikko. Merkittävimmin elintarviketoimijoiden määräystenmukaisuuteen vaikuttivat toimijan toimintavuosien määrä sekä tapahtumaperuste, jonka vuoksi valvonta oli suoritettu. Toimintavuosien kohdalla havaittu suhde oli positiivinen, kun taas monet valvontasuunnitelman ulkopuolisista tapahtumaperusteista, erityisesti ruokamyrkytysepäilyt, valvontapyynnöt ja muut yhteydenotot, vaikuttivat määräystenmukaisuuteen negatiivisesti. Kaikista toimijoista eniten määräystenmukaisuuden todennäköisyyttä kasvattivat elintarvikkeita kuljettavat toimijat. Tutkimustulokset puoltavat datalähtöisten menetelmien potentiaalia riskiperusteisen elintarvikevalvonnan kehittämisessä, sillä niitä hyödyntämällä voidaan saada parempi käsitys tekijöistä, jotka vaikuttavat monimutkaisten elintarvikeketjujen laatuun ja turvallisuuteen.","abstract_has_math":false,"creators":["Viitanen, Pauliina"],"institution":"Helsingin yliopisto","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":["Helsingin yliopisto, Maatalous-metsätieteellinen tiedekunta","University of Helsinki, Faculty of Agriculture and Forestry","Helsingfors universitet, Agrikultur- och forstvetenskapliga fakulteten"],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-07-27T19:56:09Z","subjects":["Data analysis","food control","food safety","machine learning","visual analytics"],"languages":["fin"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["URN:NBN:fi:hulib-202306273318"],"render_values":[{"text":"URN:NBN:fi:hulib-202306273318","href":null,"code":true}]}]},"links":{"outbound_url":"http://hdl.handle.net/10138/562950","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor","label":"Contributor","values":["Helsingin yliopisto, Maatalous-metsätieteellinen tiedekunta","University of Helsinki, Faculty of Agriculture and Forestry","Helsingfors universitet, Agrikultur- och forstvetenskapliga fakulteten"]},{"key":"dc:creator","label":"Author","values":["Viitanen, Pauliina"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.issued","label":"Date","values":["2023"]},{"key":"dc:publisher","label":"Institution","values":["Helsingin yliopisto","University of Helsinki","Helsingfors universitet"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Data analysis","food control","food safety","machine learning","visual analytics"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["fin"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["URN:NBN:fi:hulib-202306273318","http://hdl.handle.net/10138/562950"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Elintarvikevalvonnan alalla on tällä hetkellä haasteita, jotka johtuvat mm. ilmastonmuutoksesta, ruoan globalisaatiosta sekä virallisten valvontaresurssien niukkuudesta. Riskiperusteinen elintarvikevalvonta on yksi merkittävimmistä lähestymistavoista elintarvikeketjujen turvallisuuden ja laadun valvonnan kehittämisessä. Tässä tutkimuksessa pyrittiin datavetoisia menetelmiä hyödyntämällä luomaan näkemyksiä tekijöistä, jotka ovat vaikuttaneet suomalaisten elintarviketoimijoiden elintarviketurvallisuusvaatimusten noudattamisen tasoon viime vuosina. Paikallisten elintarviketurvallisuusviranomaisten tallentamaa valvontadataa analysoitiin visuaalisen analytiikan konseptia hyödyntävällä Qlik Sense -analytiikkatyökalulla sekä data-analyysiin soveltuvalla Python-ohjelmointikielellä. Qlik Sensellä rakennettujen interaktiivisten visualisointien tarkoituksena oli edistää valtion avoimen datan käytäntöjä ja riskiperusteista elintarvikevalvontaa Suomessa. Visualisoinnit saivat toistaiseksi hyvää palautetta loppukäyttäjiltä. Pythonilla toteutetut analyysit, joissa hyödynnettiin valvontadatan lisäksi kuntadataa, tarjosivat lisänäkemyksiä elintarviketoimijoiden määräystenmukaisuuteen. Tutkimusdataan sovitettu logistinen regressiomalli löysi useita tilastollisesti merkitseviä ennustemuuttujia sekä elintarvikevalvonnan datasta että kuntadatasta, mutta sen suorituskyky oli heikko. Merkittävimmin elintarviketoimijoiden määräystenmukaisuuteen vaikuttivat toimijan toimintavuosien määrä sekä tapahtumaperuste, jonka vuoksi valvonta oli suoritettu. Toimintavuosien kohdalla havaittu suhde oli positiivinen, kun taas monet valvontasuunnitelman ulkopuolisista tapahtumaperusteista, erityisesti ruokamyrkytysepäilyt, valvontapyynnöt ja muut yhteydenotot, vaikuttivat määräystenmukaisuuteen negatiivisesti. Kaikista toimijoista eniten määräystenmukaisuuden todennäköisyyttä kasvattivat elintarvikkeita kuljettavat toimijat. Tutkimustulokset puoltavat datalähtöisten menetelmien potentiaalia riskiperusteisen elintarvikevalvonnan kehittämisessä, sillä niitä hyödyntämällä voidaan saada parempi käsitys tekijöistä, jotka vaikuttavat monimutkaisten elintarvikeketjujen laatuun ja turvallisuuteen.","The field of food control is currently facing challenges due to phenomena such as climate change, globalization of food, and scarcity of official control resources. One important approach in improving efficient control of the safety and quality of food chains is risk-based food control. In this study, data-driven approaches were utilized to provide insights into some of the factors that have affected Finnish food business operators’ (FBOs’) compliance with food safety requirements in recent years. Qlik Sense, a data analytics solution built on the concept of visual analytics, and Python, a programming language suitable for data analysis, were used to analyze food inspection data recorded by local food safety authorities. Interactive data visualizations built in Qlik Sense aimed in supporting open government data (OGD) policies and risk-based control of the Finnish food chain, and so far, received good feedback from end-users. Additional insights into FBOs’ food safety compliance were gained by further analyzing the inspection data in Python along with municipal data. A logistic regression model fit to a subset of the study data found multiple statistically significant predictor variables from both datasets, but its performance was weak. The factors that affected food safety compliance most significantly were the number of years an FBO had operated and the basis for conducting an inspection. Operating years showed a positive correlation with compliance, while a negative relationship was observed with a variety of unplanned inspections, especially when they were conducted based on food poisoning suspects, inspection requests, or some other forms of contact. Out of all inspected food sectors, the one that increased the odds of compliance the most was the food transportation sector. The results of the study advocate for the potential of data-driven approaches in improving risk-based food control, as they are an effective way to gain insights into factors affecting the safety and quality of complex food chains."]},{"key":"dc:title","label":"Title","values":["A Data-driven Approach to Assessing Factors Affecting Food Safety Compliance of Finnish Food Business Operators"]}]}],"canonical_facts":{"dc:contributor":["Helsingin yliopisto, Maatalous-metsätieteellinen tiedekunta","University of Helsinki, Faculty of Agriculture and Forestry","Helsingfors universitet, Agrikultur- och forstvetenskapliga fakulteten"],"dc:creator":["Viitanen, Pauliina"],"dc:date.issued":["2023"],"dc:description.abstract":["Elintarvikevalvonnan alalla on tällä hetkellä haasteita, jotka johtuvat mm. ilmastonmuutoksesta, ruoan globalisaatiosta sekä virallisten valvontaresurssien niukkuudesta. Riskiperusteinen elintarvikevalvonta on yksi merkittävimmistä lähestymistavoista elintarvikeketjujen turvallisuuden ja laadun valvonnan kehittämisessä. Tässä tutkimuksessa pyrittiin datavetoisia menetelmiä hyödyntämällä luomaan näkemyksiä tekijöistä, jotka ovat vaikuttaneet suomalaisten elintarviketoimijoiden elintarviketurvallisuusvaatimusten noudattamisen tasoon viime vuosina. Paikallisten elintarviketurvallisuusviranomaisten tallentamaa valvontadataa analysoitiin visuaalisen analytiikan konseptia hyödyntävällä Qlik Sense -analytiikkatyökalulla sekä data-analyysiin soveltuvalla Python-ohjelmointikielellä. Qlik Sensellä rakennettujen interaktiivisten visualisointien tarkoituksena oli edistää valtion avoimen datan käytäntöjä ja riskiperusteista elintarvikevalvontaa Suomessa. Visualisoinnit saivat toistaiseksi hyvää palautetta loppukäyttäjiltä. Pythonilla toteutetut analyysit, joissa hyödynnettiin valvontadatan lisäksi kuntadataa, tarjosivat lisänäkemyksiä elintarviketoimijoiden määräystenmukaisuuteen. Tutkimusdataan sovitettu logistinen regressiomalli löysi useita tilastollisesti merkitseviä ennustemuuttujia sekä elintarvikevalvonnan datasta että kuntadatasta, mutta sen suorituskyky oli heikko. Merkittävimmin elintarviketoimijoiden määräystenmukaisuuteen vaikuttivat toimijan toimintavuosien määrä sekä tapahtumaperuste, jonka vuoksi valvonta oli suoritettu. Toimintavuosien kohdalla havaittu suhde oli positiivinen, kun taas monet valvontasuunnitelman ulkopuolisista tapahtumaperusteista, erityisesti ruokamyrkytysepäilyt, valvontapyynnöt ja muut yhteydenotot, vaikuttivat määräystenmukaisuuteen negatiivisesti. Kaikista toimijoista eniten määräystenmukaisuuden todennäköisyyttä kasvattivat elintarvikkeita kuljettavat toimijat. Tutkimustulokset puoltavat datalähtöisten menetelmien potentiaalia riskiperusteisen elintarvikevalvonnan kehittämisessä, sillä niitä hyödyntämällä voidaan saada parempi käsitys tekijöistä, jotka vaikuttavat monimutkaisten elintarvikeketjujen laatuun ja turvallisuuteen.","The field of food control is currently facing challenges due to phenomena such as climate change, globalization of food, and scarcity of official control resources. One important approach in improving efficient control of the safety and quality of food chains is risk-based food control. In this study, data-driven approaches were utilized to provide insights into some of the factors that have affected Finnish food business operators’ (FBOs’) compliance with food safety requirements in recent years. Qlik Sense, a data analytics solution built on the concept of visual analytics, and Python, a programming language suitable for data analysis, were used to analyze food inspection data recorded by local food safety authorities. Interactive data visualizations built in Qlik Sense aimed in supporting open government data (OGD) policies and risk-based control of the Finnish food chain, and so far, received good feedback from end-users. Additional insights into FBOs’ food safety compliance were gained by further analyzing the inspection data in Python along with municipal data. A logistic regression model fit to a subset of the study data found multiple statistically significant predictor variables from both datasets, but its performance was weak. The factors that affected food safety compliance most significantly were the number of years an FBO had operated and the basis for conducting an inspection. Operating years showed a positive correlation with compliance, while a negative relationship was observed with a variety of unplanned inspections, especially when they were conducted based on food poisoning suspects, inspection requests, or some other forms of contact. Out of all inspected food sectors, the one that increased the odds of compliance the most was the food transportation sector. The results of the study advocate for the potential of data-driven approaches in improving risk-based food control, as they are an effective way to gain insights into factors affecting the safety and quality of complex food chains."],"dc:identifier.uri":["URN:NBN:fi:hulib-202306273318","http://hdl.handle.net/10138/562950"],"dc:language.iso":["fin"],"dc:publisher":["Helsingin yliopisto","University of Helsinki","Helsingfors universitet"],"dc:subject":["Data analysis","food control","food safety","machine learning","visual analytics"],"dc:title":["A Data-driven Approach to Assessing Factors Affecting Food Safety Compliance of Finnish Food Business Operators"]},"updated_at":"2026-07-27T19:56:09Z"}