水产品调查表.docx
《水产品调查表.docx》由会员分享，可在线阅读，更多相关《水产品调查表.docx（12页珍藏版）》请在冰豆网上搜索。
一水产品基本情况
产品名称
品种名称
面积
（万亩）
养殖周期
养殖方式
养殖模式
基地
位置
捕捞区域水深（米）
（仅深海捕捞）
注：
1.“养殖周期”应填写从苗种养殖到商品规格所需的时间；
2.“养殖方式”可填写湖泊养殖/水库养殖/近海放养/网箱养殖/网围养殖/池塘养殖/蓄水池养殖/工厂化养殖/稻田养殖/其他养殖等；
3.“养殖模式”可填写单养/混养/套养。
二产地环境基本情况
产地是否位于生态环境良好、无污染地区，是否避开污染源？
产地是否距离公路、铁路、生活区50m以上，距离工矿企业1km以上？
流入养殖/捕捞区的地表径流是否含有工业、农业和生活污染物？
绿色食品生产区和常规生产区之间是否设置物理屏障？
绿色食品生产区和常规生产区的进水和排水系统是否单独设立？
简述养殖尾水的排放情况。
生产是否对环境或周边其他生物产生污染？
注：
相关标准见《绿色食品产地环境质量》（NY/T391）和《绿色食品产地环境调查、监测与评价规范》（NY/T1054）。
三苗种情况
外购苗种
品种名称
外购苗种规格
外购来源
投放规格及投放量
苗种消毒方法
投放前暂养场所消毒方法
自繁自育苗种
品种名称
苗种培育周期
投放规格及投放量
苗种消毒方法
繁育场所消毒方法
四饲料使用情况
产品名称
品种名称
饲料及饲料
添加剂
生长阶段
天然
饵料
外购饲料
自制饲料
饵料品种
饲料名称
主要成分
年用量（吨/亩）
来源
原料名称
年用量（吨/亩）
比例
（%）
来源
注：
1.相关标准见《绿色食品饲料及饲料添加剂使用准则》（NY/T471）；
2.“生长阶段”应包括从苗种到捕捞前以及暂养期各阶段饲料使用情况；
3.使用酶制剂、微生物、多糖、寡糖、抗氧化剂、防腐剂、防霉剂、酸度调节剂、粘结剂、抗结块剂、稳定剂或乳化剂应填写添加剂具体通用名称。
五饲料加工及存储情况
简述饲料加工流程
简述饲料存储过程防潮、防鼠、防虫措施
绿色食品与非绿色食品饲料是否分区储藏，如何防止混淆？
注：
相关标准见《绿色食品饲料及饲料添加剂使用准则》（NY/T471）和《绿色食品储藏运输准则》（NY/T1056）。
六肥料使用情况
肥料名称
来源
用量
使用方法
用途
使用时间
注：
1.相关标准见《绿色食品肥料使用准则》（NY/T394）；
2.表格不足可自行增加行数。
七疾病防治情况
产品名称
药物/疫苗名称
使用方法
停药期
注：
1.相关标准见《绿色食品渔药使用准则》（NY/T755）；
2.表格不足可自行增加行数。
八水质改良情况
药物名称
用途
用量
使用方法
来源
注：
1.相关标准见《绿色食品渔药使用准则》（NY/T755）；
2.表格不足可自行增加行数。
九捕捞情况
产品名称
捕捞规格
捕捞时间
收获量（吨）
捕捞方式及工具
十初加工、包装、储藏和运输
是否进行初加工（清理、晾晒、分级等）？
简述初加工流程
简述水产品收获后防止有害生物发生的管理措施
使用什么包装材料，是否符合食品级要求？
简述储藏方法及仓库卫生情况。
简述存储过程防潮、防鼠、防虫措施
说明运输方式及运输工具。
简述运输工具清洁措施
简述运输过程中保活（保鲜）措施
简述与同类非绿色食品产品一起储藏、运输中的防混、防污、隔离措施
注：
相关标准见《绿色食品包装通用准则》（NYT658）和《绿色食品储藏运输准则》（NYT1056）。
十一废弃物处理及环境保护措施
电子商务数据的概念及意义
电子商务是与数据分析关系非常紧密的重要行业之一，也是数据分析广泛应用的行业之一。
通过数据分析对数据进行有效的整理和分析，为企业经营决策提供参考依据，进而为企业创造更多的价值，是数据分析在电子商务领域应用的主要目的。
电子商务数据分析的相关概念
电子商务数据分析是运用分析工具研究电子商务数据信息搭建数据分析与电子商务管理的桥梁，指导电子商务决策的一门新兴学科。
通常概念下，电子商务数据分析指的是对电子商务经营过程中产生的数据进行分析，在研究大量的数据的过程中寻找模式、相关性和其他有用的信息，从而帮助商家做出决策。
通过对相关数据的有效统计、分析和使用，形成多种模型，促进客户、商业伙伴之间的沟通及优化应用，通常需要计算机软件的支持。
数据分析
“数据”是人们通过观察、实验或计算得出的结果。
数据有很多种，最简单的就是数字，也可以是文字、图像、声音等。
数据可用于各类研究、设计、查证等工作。
“分析”是将研究对象的整体分为若干部分、方面、因素和层次，并分别加以考察的认识活动。
分析的意义在于细致地寻找能够解决问题的主线，并以此解决问题。
数据分析是指用适当的统计分析方法对收集来的大量数据进行分析将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。
数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。
数据分析可帮助人们做出正确的判断，以便采取适当行动。
数据分析的数学与统计学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。
数据分析是数学、统计学、计算机科学等相关学科相结合的产物。
数据分析的目的
数据分析的目的是把隐藏在大量看来杂乱无章的数据中的信息集中和提炼出来从而找出所研究对象的内在规律。
在实际应用中，数据分析可帮助人们做出判断，以便采取适当的行动。
数据分析是有组织有目的地收集数据、分析数据，使之成为信息的过程。
这一过程是质量管理体系的支持过程。
在产品的整个寿命周期，包括从市场调研到售后服务和最终处置的各个过程都需要适当运用数据分析过程，以提升有效性。
例如，设计人员在开始一个新的设计以前，要通过广泛的设计调查，分析所得数据以判定设计方向。
因此数据分析具有极其广泛的应用。
数据分析的分类
一般把数据分析分为三类：
探索性数据分析（ExploratoryDataAnalysis，EDA），验证性数据分析（ConfirmatoryDataAnalysisCDA）和定性数据分析。
①EDA是指对已有的数据在尽量少的先验假定下进行探索，侧重于在数据之中发现新的特征。
本质上是从客观数据出发，探索其内在的数据规律，让数据自己说话。
②CDA是指在进行分析之前一般都有预先设定的模型，侧重于已有假设的证实或证伪。
③定性数据分析是依据预测者的主观判断分析能力来推断事物的性质和发展趋势的分析方法。
数据可视化
数据可视化旨在将数据分析的结果通过表格、图标和信息图的方式直观地展示出来，使他人更容易、更快速得到并理解数据分析结果。
数据可视化工具有很多，如Tableau、PowerBIPython、Excel、World.PowerPoint等。
现代社会已经进入一个速读时代，好的可视化图表可以清楚地表达数据分析的结果，节约人们思考的时间。
数据分析的使用者有大数据分析专家和普通客户，他们对于大数据分析最基本的要求就是数据可视化，因为数据可视化能够直观地呈现大数据的特点，让观者直接看到结果，发现数据规律，获取敏锐洞察，让数据分析更简单、更智能。
大数据
大数据（bigdata）是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
大数据的特点
IBM提出大数据的5V特点：
Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）。
①Volume：
数据量大，即采集、存储和计算的数据量都非常大。
真正大数据的起始计量单位往往是TB（1024GB）、PB（1024TB）。
②Velocity：
数据增长速度快，处理速度也快，时效性要求高。
比如，搜索引擎要求几分钟前的新闻能够被用户查询到，个性化推荐算法尽可能要求实时完成推荐。
这是大数据区别于传统数据挖掘的显著特征。
③ariety：
种类和来源多样化。
种类上包括结构化、半结构化和非结构化数据，具体表现为网络日志、音频、视频、图片、地理位置信息等，数据的多类型对数据处理能力提出了更高的要求。
数据可以由传感器等自动收集，也可以由人类手工记录。
④/alue：
数据价值密度相对较低。
随着互联网及物联网的广泛应用，信息感知无处不在，信息量大，但价值密度较低。
如何结合业务逻辑并通过强大的机器算法来挖掘数据的价值，是大数据时代最需要解决的问题。
⑤/eracity：
数据的准确性和可信赖度高，即数据的质量高。
数据本身如果是虚假的，那么它就失去了存在的意义，因为任何通过虚假数据得出的结论都可能是错误的，甚至是相反的。
大数据的作用
①对大数据的处理分析正成为新一代信息技术融合应用的结点。
通过对不同来源数据的管理、处理、分析与优化，将创造出巨大的经济和社会价值。
②大数据是信息产业持续高速增长的新引擎。
面向大数据市场的新技术、新产品、新服务、新业态会不断涌现。
③大数据利用将成为提高核心竞争力的关键因素。
各行各业的决策正在从“业务驱动”转变为“数据驱动”数据分析可以使零售商实时掌握市场动态并迅速做出应对可以为商家制定更加精准有效的营销策略提供决策支持；可以帮助企业为消费者提供更加及时和个性化的服务。
④大数据时代科学研究的方法手段将发生重大改变。
在大数据时代可通过实时监测、跟踪研究对象在互联网上产生的海量行为数据进行挖掘分析，揭示出规律性的东西，提出研究结论和对策。
【知识拓展】
对大数据常见的两个误解
数据不等于信息。
经常有人把数据和信息当作同义词来用。
其实不然，数据指的是一个原始的数据点（无论是通过数字，文字，图片还是视频等）信息则直接与内容挂钩，需要有资讯性（informative）。
数据越多，不一定就能代表信息越多，更不能代表信息就会成比例增多。
有两个简单的例子，一是备份，很多人如今已经会定期的对自己的硬盘进行备份。
每次备份都会创造出一组新的数据，但信息并没有增多。
二是多个社交网站上的信息，当人们接触到的社交网站越多，获得的数据就会成比例的增多，获得的信息虽然也会增多，但却不会成比例的增多。
因为很多网站上的内容十分类似。
信息不等于智慧。
通过技术手段可以去除数据中所有重复的部分，也整合了内容类似的数据，这样的信息对我们就一定有用吗？
不一定，信息要能转化成智慧，至少要满足以下3个标准：
①可破译性。
这可能是大数据时代特有的问题，越来越多的企业每天都会生产出大量的数据，却不知该如何利用，企业就将这些数据暂时非结构化（unstructured）的存储起来，但这些非结构化的数据却不一定可破译，因此不可能成为智慧。
②关联性。
无关的信息，至多只是噪音。
③新颖性。
例如，某电子商务公司通过一组数据/信息分析出了客户愿意为当天送货的产品多支付10元，接着又通过另一组完全独立的数据/信息得到了同样的内容。
这样的情况下，后者就不具备新颖性。
因此，很多时候只有在处理了大量的数据和信息以后才能判断它们的新颖性。
云计算
云计算（cloudcomputing）是一种分布式计算技术，通过网络将庞大的计算处理程序自动分拆成无数个较小的子程序，再交由多部服务器所组成的庞大系统经搜寻、计算分析之后将处理结果回传给用户。
云计算是一种资源交付和使用模式，通过网络获得应用所需的资源（硬件、平台、软件），提供资源的网络被称为“云”。
“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取。
通过这项技术，网络服务提供者可以在数秒之内达成处理数以千万计甚至亿计的信息，达到和“超级计算机，同样强大效能的网络服务。
目前云计算包含三个层次的内容：
IaaS、PaaS和SaaS。
①IaaS（InfrastructureasaService基础设施即服务，指把IT基础设施作为一种服务通过网络对外提供，并根据用户对资源的实际使用量或占用量进行计费的一种服务模式。
②SaaS（SoftwareasaService）：
软件即服务，即通过网络提供软件服务。
SaaS平台供应商将应用软件统一部署在自己的服务器上，客户可以根据工作实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得SaaS平台供应商提供的服务。
③PaaS（PlatformasaService）平台即服务，即把服务器平台或者开发环境作为一种服务提供的商业模式。
【数据视野】
云计算的实际应用
在2020天猫双11全球狂欢季纪录之夜，据双11实时交易数据显示，11月1日至11日，2020天猫双11订单创建峰值达58.3万笔/秒。
成功扛住大规模流量、支撑各大电商平台，双11”购物盛况的正是背后的阿里云、腾讯云等各大云计算服务平台。
有了云计算，用户可以不用关心机房建设、机器运行维护、数据库等IT资源建设，而可以结合自身需要，灵活地获得对应的云计算整体解决方案。
阿里巴巴、腾讯、华为等行业领先企业在满足自身需求后，又将这种软硬件能力提供给有需要的其他企业。
云平台的成本、安全和管理集约优势可以降低IT架构和系统构建的成本并按需提供弹性的IT服务。
云计算已被广泛应用在互联网、金融、零售、政务、医疗、教育、文旅、出行、工业、能源等各个行业，并发挥了巨大作用。
如，铁路2306系统就使用阿里云平台支撑春运等购票峰值的IT需求，保障系统在高峰期的稳定运行。
另一方面，云计算也成为城市、政府和各行业数字化转型的基础支撑。
当前无论是电商平台，还是网上外卖平台、在线游戏中心、热点网站，或是工业互联网都离不开云计算。
数据挖掘
数据挖掘又称数据库中的知识发现（KnowledgeDiscoverinDatabaseKDD），是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。
利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征提取、变化和偏差分析、Web文本挖掘等。
分类。
分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类。
其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而增加了商业机会。
回归分析。
回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。
它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。
聚类分析。
聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。
它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。
关联规则。
关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。
在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。
特征提取。
特征分析是从一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。
如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。
变化和偏差分析。
偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。
在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。
意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。
Web文本挖掘。
随着Internet的迅速发展及Web的全球普及，使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机。
数据质量
更好的数据意味着更好的决策，数据分析的前提就是要保证数据质量。
因此，在数据分析和数据挖掘之前，必须完成数据质量的处理工作，主要包括两方面：
数据的集成和数据的清洗，关注的对象主要有原始数据和元数据两方面。
数据的集成。
数据的集成主要解决信息孤岛的问题，包括两方面：
数据仓库对元数据的集成和元数据系统对不同数据源中的元数据集成。
相应地，数据质量管理也关注两方面：
对数据仓库中真实数据的质量探查和剖析，以及对元数据系统中元数据的数据质量的检查。
元数据的管理目标是整合信息资产、支撑数据在使用过程中的透明可视，提升数据报告、数据分析、数据挖掘的可信度。
数据的清洗。
数据质量处理主要是采用一些数据清洗规则处理缺失数据、去除重复数据、去除噪声数据、处理异常（但真实）的数据，从而保证数据的完整性、唯一性、一致性、精确性、合法性和及时性。
【知识拓展】
元数据
元数据是指信息的信息，是描述信息的属性信息。
一个信息的元数据可以分为三类。
①固有性元数据：
是指事物固有的与事物构成有关的元数据；②管理性元数据：
是指与事物处理方式有关的元数据；③描述性元数据：
是指与事物本质有关的元数据。
以摄像镜头为例，镜头的固有性元数据包括品牌、参数、类型、重量、光圈、焦距等信息；镜头的管理性元数据包括商品类型、上架时间及库存情况；镜头的描述性元数据包括用途和特色，如人文纪实和人像摄影。
电子商务数据分析的意义
优化市场定位
电子商务企业要想在互联网市场站稳脚跟，必须架构大数据战略，对外要拓宽电子商务行业调研数据的广度和深度，从数据中了解电子商务行业市场的构成、细分市场特征、消费者需求和竞争者状况等众多因素；对内企业想进入或开拓某一区域电子商务行业市场，首先要进行项目评估和可行性分析，决定是否开拓某块市场，最大化规避市场定位不精准给投资商和企业自身带来的毁灭性损失。
市场定位对电子商务行业市场开拓非常重要，但是，要想做到这一点，就必须有足够的信息数据来供电子商务行业研究人员分析和判断。
数据的收集、整理就成了最关键的步骤之一。
在传统分析情况下，分析数据的收集主要来自统计年鉴、行业管理部门数据、相关行业报告、行业专家意见及属地市场调查等，这些数据大多存在样品量不足、时间滞后和准确度低等缺陷，研究人员能够获得的有效信息量非常有限，使准确的市场定位存在着数据瓶颈。
但在互联网时代，借助信息采集和数据分析技术，不仅能够给研究人员提供足够的样本量和数据信息，而且能够建立基于大数据的数学模型对企业未来市场进行预测。
优化市场营销
从搜索引擎、社交网络的普及到手机等智能移动设备，互联网上的信息总量正以极快的速度不断暴涨。
每天的社交网络、微博、微信、论坛、新闻评论、电子商务平台上分享的各种文本、照片、视频、音频等信息高达几百亿甚至几千亿条，涵盖商家信息、个人信息、行业资讯、产品使用体验、商品浏览记录、商品成交记录、产品价格动态等海量信息。
这些数据通过集成融合可以形成电子商务行业的大数据，其背后隐藏的是电子商务行业的市场需求、竞争情报。
在电子商务行业市场营销中，无论是产品、渠道、价格还是客户，可以说每一项工作都与数据的采集和分析息息相关，以下两个方面内容是电子商务行业市场营销工作的重中之重:
①对外：
通过获取数据并加以统计分析来充分了解市场信息，掌握竞争者的商情和动态，知晓产品在竞争群中所处的市场地位，达到“知己知彼，百战不殆”的目的；②对内：
企业通过积累和挖掘电子商务行业消费者数据，有助于分析消费者的消费行为和价值趋向，便于更好地为消费者服务和发展忠诚客户。
助力电子商务企业的收益管理
收益管理是起源于20世纪80年代，是谋求收入最大化的新经营管理技术，意在把合适的产品或服务在合适的时间以合适的价格，通过合适的销售渠道出售给合适的顾客，最终实现企业收益最大化目标。
要达到收益管理的目标，需求预测、细分市场和敏感度分析是此项工作的3个重要环节，而这3个环节推进的基础就是数据分析。
①需求预测。
通过数据统计与分析，采取科学的预测方法建立数学模型，使企业管理者掌握和了解电子商务行业的潜在市场需求、未来一段时间每个细分市场的产品销售量和产品价格走势等，从而使企业能够通过价格的杠杆来调节市场的供需平衡，针对不同的细分市场来实行动态的前瞻性措施，并在不同的市场波动周期以合适的产品和价格投放市场，获得潜在的收益。
②细分市场。
为企业预测销售量和实行差别定价提供条件，其科学性体现在通过电子商务行业市场需求预测来制定和更新价格使各个细分市场的收益最大化。
③敏感度分析。
通过需求价格弹性分析技术，对不同细分市场的价格进行优化，最大限度地挖掘市场潜在的收入。
需求预测、细分市场和敏感度分析对数据需求量很大，而传统的数据分析大多是采集企业自身的历史数据来进行预测和分析的，容易忽视整个电子商务行业的信息数据，因此预测结果难免存在偏差。
企业在实施收益管理的过程中，在自有数据的基础上，依靠自动化信息采集软件来收集更多的电子商务行业数据，了解更多的电子商务行业市场信息，将会对制定准确的收益策略、赢得更高的收益起到推进作用。
协助创造客户新的需求
差异化竞争的本质在于不停留在产品原有属性的优化上，而是创造产品的新属性。
满足客户需求是前提，但创造客户新需求才是行业革命的必要条件。
随着网络社交媒体的技术进步，公众分享信息变得更加便捷自由，微博、微信、点评网、评论版上众多的网络评论形成了交互性的数据，其中蕴藏了巨大的电子商务行业需求开发的价值，这些数据已经受到了电子商务企业管理者的高度重视。
很多企业已把“评论管理”作为核心任务，既可以通过客户评论及时发现负面信息进行危机公关，更重要的是可以通过对这些数据进行分析，挖掘客户需求，进而改良产品，提升客户体验。
电子商务数据分析的流程及原则
电子商务数据分析的流程
电子商务数据分析是基于商业目的，有目的地收集、整理、加工和分析数据，提炼有价信息的过程。
最初的数据可能杂乱无章且无规律，要通过作图、制表和各种形式的整合
升级会员 