基于地理位置解析的种子溯源双向动态交互模型及实现
2018-01-09朱静波秦瑞英郭书普张立平
方 钰，朱静波，许 学，秦瑞英，郭书普，张立平
基于地理位置解析的种子溯源双向动态交互模型及实现
方 钰1，朱静波1，许 学2，秦瑞英2，郭书普1，张立平1※
（1. 安徽省农业科学院农业经济与信息研究所，合肥 230031； 2. 安徽省农业科学院水稻研究所，合肥 230031）
为更好解决农作物种子溯源问题，帮助生产企业统计分析经营状况，实现交互式营销，该文利用种子电子代码，通过分开录入售前阶段各级分销信息，分层写入地理代码集合，在用户验证最小包装单元时动态解析用户位置信息，逐层匹配地理代码集合，构建了种子溯源双向动态交互模型。用户通过该模型获得溯源信息时可选择互动交流，企业可采集用户行为数据，推送营销信息，实现了溯源结果对企业、用户双向推送。通过对小麦品种华成3366销售和反馈2组数据进行相关性分析，其拟合优度为0.997 8，说明企业通过扫码次数的反馈能较好地促进销售，有效防止窜货发生。该模型分层独立的流通信息，保证了溯源的可靠性；双向交互性有效地帮助企业指导生产实际，也为监管部门提供了可靠的管理手段。
种子；农作物；模型；种子溯源；位置解析；地理代码集合；种子电子代码
0 引 言
作为农业生产的起点和最重要的农业投入品，种子质量安全是粮食安全的前提和保证。发达国家的种子管理工作始于1850年。1939年的《美国联邦种子法》明确规定了商品种子生产、分级、包装、标签、检验等环节，从而确立了以标签为核心的管理理念。消费者根据标签可以详细了解种子的质量、等级，并追溯到产地、运输、销售等各个环节[1]。
国际上的管理部门大都遵循政府调控市场的原则，这种完善的市场机制让种子生产企业承担了较多责任[2]。目前国际种业公司都是研究、开发、生产、加工、销售一体化，有着完善的信息化手段，所以很少有专门针对农作物种子溯源系统的研究。国外围绕农产品标签开展的溯源研究已经结合了RFID电子标签、GIS系统和云平台：如Reynosoa等详细介绍了以RFID标签为中心的溯源系统整体的电路设计和装置部署[3]；Abenavoli等针对意大利橄榄油设计了一个基于云平台的溯源系统，实时汇集供应链信息，平台还提供手机端应用[4]；Bosona等更是探讨了当代食品供应链追溯过程中遇到的驱动力、社会层面等一系列深层次问题[5]。
而国内由于种子企业众多，加之农作物品种数目急剧增长，多家繁育、多元经营格局的现实存在，“品种雷同”“套牌”“窜货”现象时有发生。目前国内种子溯源系统的架构大都由食品工业转型，存在不能适应种子溯源周期长、流通地域单一、企业信息化水平低等问题。加之种子行业的监管和执法具有特殊性，这些都要求能有与之相适应的溯源体系出现。国内种子溯源相关领域目前有冯军等提出的基于二维码的种子溯源信息系统，阐述了建立种子溯源的必要性[6]；李岩等提出的基于私有云的种子追溯管理平台，从技术层面设计了处理复杂集群数据的追溯平台[7]；莫学值等针对种质资源库建立了一套基于二维码的溯源管理系统[8]；黄庆林等设计了基于RFID的棉种质量安全溯源系统[9]。
大量试验数据表明目前的种子溯源系统还停留在信息的单向传递阶段：即仅由生产厂家将种子的生产流通情况通过标签传递给消费者，其提供信息的完整性和正确性往往得不到及时地反馈和验证：如存在多级销售网络的流通信息不全、种子查询地域性不明确等问题；同时溯源信息的可靠性缺乏可信依据，需要消费者自身判断。另一方面，大量的溯源回馈信息（包括消费者扫码时的位置信息、分销商流通信息等）相互分层隔离，企业缺乏适合自己的信息分析系统，将这些数据用来指导生产和改善供应链。朱燕妮等针对黑茶设计的双向溯源模式提出利用二维码标签收集销售信息，但并未涉及对溯源信息的动态交互与验证[10]，也未对生产销售数据进行有效地判别和分类。由此本文参照目前主流产品防伪验证技术，结合种子自身的销售流通特点，建立了基于位置解析的种子溯源双向动态交互模型。
1 双向动态交互模型的构建
试验表明溯源信息可以不局限于单向地证明产品的身份和来源。企业利用物联网技术手段，在提供给广大农户最小包装单元的相关产品信息和流通信息的同时，可以利用最终用户的查询动作来获取相关的销售情况信息，甚至可以形成交互，进而形成相关的产品销售数据积累，再通过相应的查询比例、特定的销售时间范围来映射某个品种或某个时期的销售情况，利用数据分析，指导实际的生产投入和供应链策略[11]。
1.1 模型总体架构
双向动态交互模型部署在用户和企业溯源数据中心之间，由2条数据流组成。用户端可利用最小包装单元上的种子电子代码动态解析位置信息，从而完成供应链数据的双向流动；企业端可以利用溯源数据中心采集、分析和管理用户数据、供应链数据和企业内部数据，完成交互数据的双向流动。模型架构如图1所示。
图1 双向动态交互模型整体架构图
1.2 地理代码集合及其关系
商品种子由于其特殊性和地域性，在流通过程中指向性明显，某批次的产品会通过分销商限定在一定地域内销售，由于各级分销商存在价格差（主要是依据当年订货量和销售总量），窜货行为难以避免[12]。从企业角度看，价格混乱将使中间商利润受损，导致厂家失信于经销商，直至分销商拒售；从消费者角度看，种子商品事关农事生产，可靠的渠道是日后维权的重要保证。模型中的地理代码集合正是针对这种情况设计。
地理代码集合写入的信息分为2个部分，一部分是分销商信息，包含公司名称、地址、电话等；另一部分为这个层级分销商所负责的片区地名。以安徽省安庆市辖桐城为例说明三级分销系统地理代码集合：省级经销A集合，可以写入安徽；地市级分销B集合可以写入安庆市。针对某些合法跨区销售的分销商，每一层级的集合允许写入多个平行的地名，例如省级分销的A集合，可以平行写入安徽、江苏、浙江，县级分销C集合可以写入怀宁、宿松和桐城（3个县都属于安庆市）。如果产品流通中没有经历市级或者县级的路径就零售到最终用户，则对应级别的集合内容为空。三级分销地理代码赋值过程如图2所示。
图2 三级分销地理代码赋值过程
模型要求商品种子在厂家出库时只能录入A集合的内容，即由库存状态改写为省级分销商信息，对应A集合内容由为空（库存状态）变为省级分销地理代码（出库状态）。这种情况下，种子电子代码将关联上A集合的内容。接下来，种子有可能会从省级分销这一层流入消费者手中，那么B和C集合将会没有内容（为空）；另一种情况是最小包装进入地市级分销，由地市级分销录入B集合内容，以此类推到第3层的县级分销。如果最小包装单元是正常流通到消费者手中，那么生产销售赋值顺序应该是A→B→C的过程。这里，模型的规则是三级分销在各自赋值时相互独立，厂家只负责赋值A，并不知道B和C是否有值和值的内容，同理适用于地市级分销。整个流通信息链的尾部会设置一个标志位flag，只有最终用户通过扫描查询最小包装单元的种子电子代码这一动作才能激活这个标志位。当标志位被激活，整个流通信息链会被允许双向查询，即从消费者和厂家两端可以获取数据和信息互动。
1.3 动态位置解析
位置解析分为2种情况，一是用户扫码时同意上传自己的位置，由经纬度参数返回详细地址。利用百度数据库的数据目前可以定位到街道级别，以JavaScript语言为例说明（Point为经纬度参数）。
首先定义接口：
getLocation (point:Point, callback:function[, options: LocationOptions])
对指定坐标点进行反向地址解析。解析成功回调函数的参数GeocoderResult对象，否则回调函数的参数为null。示例代码如下：
var gc = new BMap.Geocoder();
map.addEventListener("click", function(e){
var pt = e.point;
gc.getLocation(pt, function(rs){
var addComp = rs.addressComponents;
alert(addComp.province + ", " + addComp.city + ", " + addComp.district + ", " + addComp.street + ", " + addComp. streetNumber);
});
});
这时模型获得3个级别的位置信息，省、市和县。可以用于对应解析3个级别的集合信息。
第2种情况，利用用户扫码时联网的IP地址转换成位置信息，再解析成地名字段。这方面国内有很多完善的IP地址转换地理位置数据库，但由于IP地址的复杂性（代理或者伪装等），不推荐使用。
1.4 最小包装单元溯源信息动态验证与交互
假设用户扫码溯源的发生地点为d，经过动态位置解析我们得到dÎC集合。
因为各级分销的地理代码集合层次逐级包含，d最终嵌套在3层集合里，保证了查询的有效性。由于flag在查询时被激活，整个销售信息的匹配过程会依次开始。查询过程说明如下：首先比对最底层的经销商地理代码集合C。但如果用户直接从地市级分销购买，则3层关系中最底层C为空，模型将从第2层的B集合进行比对；同理第2层B为空时，将直接在首层的A集合查找并返回A。如果A为空，意味着该包装为库存状态，这时会给出预警信息。而非空返回值的其他3种情况将遵循由小集合向大集合逐层查找先匹配先返回相应层次的集合内容。最终用户层面将看到完整的销售链信息（包括3个层次的公司名称、地址、联系电话等）。所以消费者查询时是按照由最小集合C→B→A的层次关系来逐层进行匹配的。模型结构如图3所示。
考虑到多级分销商的存在，地理信息采用由小到大的查询机制，中间的层级可以根据实际情况自定义，以上原理说明仅以3层为例。
1.5 企业端溯源信息双向动态交互模型
企业端溯源信息双向动态交互模型由采集层、数据共享分析层和应用表示层构成。其体系结构如图4所示。
图4 企业端溯源信息双向动态交互模型
采集层负责收集用户行为数据、供应链数据、企业内部数据和其他数据。用户行为数据是指flag标志被激活的溯源信息链，用户端被采集的基本信息包括扫码时间、经用户同意以后的地理位置信息（由GPS确定或者由用户移动端上网IP转换的位置信息）。扩展信息是通过与用户交互收集，包括用户的个人资料、消费习惯和倾向、对产品的建议和反馈几大类；供应链上采集的信息以企业分销结构为基础，是企业分销数据的对比收集，包括各级分销商录入数据库的产品流通信息；企业内部数据即生产流通平台数据和人力资源等数据，采集层通过访问企业相关数据接口获得。
数据共享分析层提供数据存储、数据转换和共享功能。该层在现有SQL数据库的基础上，利用NoSQL数据库（如HBase、TTServer等）改善数据存储，解决现有系统处理海量并发数据能力差的问题，并提高实际运行中数据维护和管理能力[14]。对于采集层传送来的大量数据，共享分析层首先进行知识分类管理[15]，即在数据分析挖掘的基础上进行数据筛选。通过处理应用表示层传来的定制化要求对数据进行归类汇总，比如对溯源信息进行分品种、分经销商、分时段、分地区筛选，该层还可以实时给出定制化的统计数据，生成各种风险预测数据[16]。通过数据转换将这些定制化要求的数据转储在数据库中，提供给应用表示层。
应用表示层直接面向企业用户，利用Hybrid App（混合模式移动应用）框架开发跨平台的移动应用程序，满足现场生产环境下的应用场景需求[17]。表示层除了提供数据接口管理、预警模型管理、业务流程管理等基本功能外，整合了交流互动管理，可以定制化管理和消费者交互的内容；企业门户管理、社交公众号管理和销售传播管理为企业溯源数据中心提供更加强大的扩展功能，适应信息化和自媒体时代的需要[18]。应用表示层还提供各种数据的可视化查询，同时为多终端应用提供数据接口。
2 种子溯源双向动态交互模型的实现
2.1 种子身份证和种子电子代码
2012年围绕种子品种全产业链的信息需求和溯源要求，创建了种子物联网（http://www.seediot.com/）综合信息平台[19]。利用种子身份证和种子电子代码实现了商品种子最小包装单元一袋一码。该平台搭载的种子溯源系统提供移动端和PC端溯源信息查询。
农作物品种身份证定义了水稻、小麦和玉米的品种身份证编码原则[20]。通过商品码、指纹码和补充码3个部分（不超过55位字符）准确唯一地标识了流通中的农作物种子身份。考虑到不同作物种子品种核心引物对数的差别，在品种DNA指纹码部分，根据核心引物的试验电泳值转换成数字或字母（1,2，...，9；A,B，...）来表示，预设20～40位。补充码部分表示品种可能携有的特异基因信息,设计为字母“T”“S”“M”和“N”，分别代表“转基因”“分子标记辅助选择”“诱变”和“非转基因”的品种[21]。为种子的溯源信息标准化奠定了基础，编码结构如图5。
图5 农作物品种身份证编码结构
基于种子身份证的种子电子代码是最小包装单元种子的唯一标识，也是所有溯源信息的重要载体。在种子身份证简化码（5位）前加上厂商识别代码（即厂家组织机构代码，现已逐步变更为全国统一社会信用代码），尾部加上4位时间戳和9位随机码后缀[22]。以安徽荃银高科种业股份有限公司的徽两优898的种子电子代码为例：91340100740872226E为厂商识别代码，00017为徽两优898身份证简化码，168V为时间戳，加上随机码，结合溯源网址页面地址，生成二维码，如图6所示。扫描图中的二维码即可打开相关溯源网页信息，这时系统将经过用户同意采集经纬度位置信息。
图6 农作物种子电子代码
2.2 模型的实现
2014年至今平台共生成电子代码数据1 104.4万条（统计数据截止到2017年6月30号），全部印制在种子最小包装单元上在市面流通，溯源信息涉及11家生产企业，36个品种。在用户扫码查询信息的同时，经过用户同意记录了最小包装单元被扫码查询的位置信息，并给用户返回该种子电子代码被查询的次数信息。
图7给出了2个品种被扫码溯源的地理分布信息（通过Power BI Desktop生成）。分别是安徽华皖种业有限公司（位于安徽合肥）的玉米品种华皖267；安徽华成种业股份有限公司（位于安徽宿州）的小麦品种华成3366。
图7 2个品种电子代码扫描溯源的地理分布图
以扫码次数最多的小麦品种华成3366为例。选取9个县为样本（应企业要求隐去具体地名，以字母A～I表示），模型将企业的销售数据和系统运行期间收集的用户扫码反馈信息进行统计（统计数据为2016年6月30号到2017年6月30号），如表1所示。
表1 华成3366扫码次数与销售量统计表
注：A~I代表选取的样本县。
Note: A~I represent the selected sample county.
将2组数据进行相关性分析：设为销售数据，为扫码数据，构建理论方程ln=ln+。表2给出了相关性估计结果。方程的值为3 754.69，拟合优度为0.997 8，方程估计的整体效果较好。ln=0.956 5ln+0.235 5，＜0.01说明该变量至少在1%的水平上通过显著性检验，即当扫码反馈次数增加1%时，销售增加0.956 5%。此结果说明企业通过扫码次数的反馈能很好地促进产品的销售，也表明种子溯源双向动态模型可以很好地帮助企业掌握产品的销售情况，指导生产投入品计划和用工管理。
表2 销售与反馈数据估计结果
注：*** 表示通过1%的显著性检验。
Note: *** represents the value through significance test at 1% level.
企业端溯源数据中心目前处于试运行阶段，运行界面如图8所示。
图8 企业端种子溯源数据中心运行界面
其中模型预警信息主要提供分销商销售情况和消费者反馈记录的比对。对于地理代码集合相同层面的跨区经销商来说，相同覆盖范围内的销量直接影响到企业对产品销售布局的合理划分。
模型中采集的地理位置信息主要由用户的智能手机提供，目前iOS和Android操作系统的智能手机都集成了GPS模块，主流手机还搭载A-GPS定位技术[23]。其提供的位置信息精度虽然远低于测量型GPS接收机的厘米和分米级别，但大都能在5～10 m精度[24]。模型将接收到的14092条位置信息（统计数据截止到2017年6月30号）通过算法转换成地理区域信息，其中仅有21条无法转换成合适的地名字段，原因全部是扫描位置发生在两地交界出，界限模糊。模型地理代码位置转换率约为99.851%。能基本满足企业采集分析反馈信息的要求，有效避免窜货风险。
模型数据库目前架设在阿里云位于杭州的实例，数据带宽为10 Mbps。目前扫码查询时的流量消耗主要是载入显示产品包装图片信息。库中36个品种的产品图片均以JPG格式存储，文件平均大小为100 KB左右。模型运行期间最高并发查询数为95条，远低于同时处理一万条的设计标准。试运行期间服务器月平均宕机次数约0.27次，安全运行天数比为99.087%（按实际运行36个月计算），能满足企业溯源稳定性的要求。
用户扫码时移动端上网速度主要取决于运营商提供的网络服务，以移动4G为例[25]，下载约在50 Mbps，上行约在25 Mbps，能完全满足溯源页面KB级别的流量要求。所以模型的信息采集部分能较好的在现有网络环境中运行。
3 双向动态交互模型与传统溯源模型分析与比较
早期的可追溯系统多应用于工业产品召回制度中，如汽车、飞机等。20世纪70年代以来，食品安全问题成为人们关注焦点，实施农产品可追溯也显得愈发重要。目前农产品的可追溯系统在国内外已经开展了较多的研究。传统追溯系统强调产品的唯一标识和全过程追踪，即我们常说的一物一码[26]，标识自然成为溯源信息链的唯一入口。企业现代化营销手段之一就是加强和消费者之间的互动，通过对个体层次消费者的信息进行收集，利用这些数据构建信息密集型的消费营销策略。在供应链数据方面，通过收集和分析反馈数据，能有效地调整产品布局，优化分销网络结构，适当地规避市场风险[27]。
例如2012年美国Driscoll’s浆果公司提出的“Delight Platform”计划[28]。消费者通过扫描新式的QR码并完成互动推送的调查问卷就能告知公司购买体验。问卷内容覆盖产品外观、口感、满意度和包装分销等各个方面。仅2015年就收到550 000份调查问卷。公司利用这些数据及时地优化供应链结构，将消费者需求直接用于改善产品品质。公司同时结合天气信息开发了分析模型，给出浆果产品的风险指数，减少库存和退货风险。
本文提出的基于位置解析的溯源信息双向动态交互模型正是借鉴了国内外农产品溯源的广泛经验，并结合商品种子的生产流通的特殊性。消费者查询时能动态的验证，从而避免窜货风险，利用交互式技术还可以实现互动交流，打通整个供应链条上的信息壁垒；生产经营企业通过溯源能有效地收集产品信息，实时地了解产品流通情况和消费满意度，从而更好地指导生产。该模型应用在商品种子上，将一物一码的概念延伸开来，实现了信息的交互，使产品包装成为信息感知的入口[29]。该模型利用移动互联技术将物质和信息更加紧密地联系在一起，从而提升了农业生产的信息化和现代化水平。
表3给出了传统溯源模型与双向动态溯源模型的功能比较。
表3 双向动态交互模型与传统溯源模型对比表
因此相比传统溯源模型，双向动态交互模型为企业提供了更加智能化的产品管理方法和生产指导手段[30]。
4 讨 论
本研究针对流通种子生产实际设计，模型的部署和应用涉及企业端和用户端双方。种子企业的生产流通信息化水平参差不齐，安徽省目前正在建设省内的种子生产流通系统[31]，如何将模型应用于企业，定制化提供种子溯源服务是模型实际运行的前提；用户段主要是消费者的扫码习惯和移动应用环境，目前大多数用户是利用微信端查询，未来将利用公众号内的小程序来试验和完善动态交互溯源信息模型[32]。随着各项功能的测试，还将基于模型的应用表示层开发专用的移动端应用，提供给企业和监管部门。
溯源是产品的一项重要附加值，但流通过程中的复杂性和社会性不是单纯依靠技术可以解决的。双向动态交互模型仅仅从产品分销路径节点出发解决信息交互的问题。企业端仍然存在码源管理、大小袋自动赋码、企业信息化、物流环境监管等诸多问题。这些都是一套完整的溯源系统必须考虑的因素，所以农产品尤其是种子溯源还有很长的路要走。
5 结 论
本文在传统溯源系统的基础上，针对商品种子提出了一种基于位置解析的溯源双向动态交互模型。该模型在流通信息采集时分级录入区域代码字段，在用户扫码验证过程中收集位置信息，再通过两者动态比对，双向给出验证结果。一方面消费者能互动地验证溯源信息，实时给出反馈结果；另一方面，模型将用户信息和各级经销商信息进行实时有效地采集，企业可通过收集这些动态回馈信息，掌握商品种子流向，统计各级分销的经营数据，有效调度和管理供应链平台，通过与生产端信息的比对分析企业还能进行风险预警。该模型利用地理位置动态解析、移动互联、计算机网络等技术，在目前一物一码的基础上对种子的销售流通溯源信息进行深度细化和分析，不仅保证了信息的安全性、可靠性和完整性，更提供了智能化地信息管理方法和手段。模型试运行期间的地理代码位置转换率，网站安全运行天数比等技术指标保证了系统的实际运行可靠性，能有效地帮助企业预防窜货行为的发生，在有效提高商品种子最小包装单元防伪性的同时，为农户和监管部门提供了便利，使种子商品迈入智慧时代。
[1] 霍学喜. 国外种子产业发展特征及其管理体制分析[J]. 科技导报，2002(3)：49－52.
[2] 李恩普，毛雪飞. 国外种子质量检验体系发展现状与启示[J]. 中国种业，2011(8)：8－11.
[3] Reynoso W E C, Aguilar L J. Traceability and inventory online by integrating GPS and RFID in a geographic information system “GIS”[J]. American Scientific Research Journal for Engineering, Technology, and Sciences, 2015, 14(1): 107－118.
[4] Abenavoli L M, Cuzzupoli F, Chiaravalloti V, et al. Traceability system of olive oil: A case study based on the performance of a new software cloud[J]. Agronomy Research, 2016, 14(4): 1247－1256.
[5] Bosona T, Gebresenbet G. Food traceability as an integral part of logistics management in food and agricultural supply chain[J]. Food Control, 2013, 33(1): 32－48.
[6] 冯军，谢振明，丁一，等. 种子溯源必要性及利用二维码技术的实现[J]. 农业科技通讯，2015(10)：7－8.
[7] 李岩，李东明，苑超. 基于私有云的种子追溯管理平台的研究[J]. 中国农机化学报，2016，37(9)：154－158.
Li Yan, Li Dongming, Yuan Chao. Research on seed tracing management platform based on private cloud[J]. Journal of Chinese Agricultural Mechanization, 2016, 37(9): 154－158. (in Chinese with English abstract)
[8] 莫学值，李兴无，蒋娟，等. 广西农业科学院种质库溯源信息管理系统设计与实现[J]. 轻工科技，2016(6)：83－85.
[9] 黄庆林，张立新，焦玉聪，等. 基于RFID技术的棉种质量安全溯源系统[J]. 江苏农业科学，2016，44(5)：395－400.
[10] 朱燕妮，雷坚，龙陈锋. 基于双向追溯模式的黑茶防伪溯源系统的构建[J]. 湖南农业大学学报:自然科学版，2014，40(5)：552－555. Zhu Yanni, Lei Jian, Long Chenfeng. A dark tea anti-counterfeiting traceability system build based on bidirectional model[J]. Journal of Hunan Agricultural University: Natural Sciences, 2014, 40(5): 552－555. (in Chinese with English abstract)
[11] Shin Kwangyong，杨静，Kim Hongwoo，等. 互动式整合营销传播在供应链管理中的应用模式研究[J]. 物流技术，2012，31(7)：304－308.
Shin Kwangyong, Yang Jing, Kim Hongwoo, et al. Research on application mode of interactive integrated marketing Communications in supply chain management[J]. Logistics Technology, 2012, 31(7): 304－308. (in Chinese with English abstract)
[12] 高洁. 种子企业占主导的种子分销渠道利润分配博弈分析[J].种子，2014，33(6)：61－64.
[13] Thomas Jech. Set Theory[M]. 北京：世界图书出版公司，2007.
[14] Pramod J. Sadalage, Martin Fowler. NoSQL精粹[M]. 北京：机械工业出版社，2013.
[15] 王昊，谷俊，苏新宁. 本体驱动的知识管理系统模型及其应用研究[J]. 中国图书馆学报，2013,39(2)：98－110.
Wang Hao, Gu Jun, Su Xinning. Research on the model and its application of ontology-driven knowledge management system[J]. Journal of Library Science in China, 2013, 39(2): 98－110. (in Chinese with English abstract)
[16] 颜波，石平，丁德龙. 物联网环境下的农产品供应链风险评估与控制[J]. 管理工程学报，2014,28(3)：196－202.
Yan Bo, Shi Ping, Ding Delong. Risk assessment and control of agricultural supply chain on internet of things[J]. Journal of Industrial Engineering and Engineering Management, 2014,28(3): 196－202. (in Chinese with English abstract)
[17] 王荣海. 基于Hybrid App技术的企业移动应用系统构建研究[J]. 软件工程，2016，19(7)：46－49.
Wang Ronghai. Research on the construction of enterprise mobile application system based on hybrid app technology[J]. Software Engineering, 2016, 19(7): 46－49. (in Chinese with English abstract)
[18] 龙桂杰. 企业自媒体的营销传播策略[J]. 新闻与写作，2015(9)：110－112.
[19] 方钰，张立平，郭书普，等. 构建种子物联网的探索与实践[J]. 安徽农业科学，2014，42(28)：10003－10006.
Fang Yu, Zhang Liping, Guo Shupu, et al. Practice and research for building the internet of crops seed things[J]. Journal of Anhui Agricultural Sciences, 2014, 42(28): 10003－10006. (in Chinese with English abstract)
[20] 农作物品种身份证编码规范DB34/T2082-2014[S]. 2014-02-17.
[21] 陆徐忠，倪金龙，李莉，等. 利用SSR分子指纹和商品信息构建水稻品种身份证[J]. 作物学报，2014，40(5)：823－829.
Lu Xuzhong, Ni Jinlong, Li Li, et al. Construction of rice variety indentity using SSR fingerprint and commodity information[J]. Acta Agronomica Sinica, 2014, 40(5): 823－829. (in Chinese with English abstract)
[22] 张立平，方钰，董伟，等. 农作物种子电子代码的实现与应用[J]. 贵州农业科学，2015，43(11)：209－211.
Zhang Liping, Fang Yu, Dong Wei, et al. Implementation and application of crop seeds electronic code[J]. Guizhou Agricultural Sciences, 2015, 43(11): 209－211. (in Chinese with English abstract)
[23] 陈锐志，陈亮. 基于智能手机的室内定位技术的发展现状和挑战[J]. 测绘学报，2017，46(10)：1316－1326.
Chen Ruizhi, Chen Liang. Indoor positioning with smartphones:the state-of-the-art and the challenges[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1316－1326. (in Chinese with English abstract)
[24] 毕京学，甄杰，郭英. Android手机GPS和A-GPS定位精度分析[J]. 测绘通报，2016(7)：10－13.
Bi Jingxue, Zhen Jie, Guo Ying. Accuracy of GPS and A-GPS positioning on Android Phone[J]. Bulletin of Surveying and Mapping, 2016(7): 10－13. (in Chinese with English abstract)
[25] Erik Dahlman, Stefan Parkvall, Johan Skold. 4G LTE/LTE- Advanced for Mobile broadband (second edition)[M]. 北京：人民邮电出版社，2015.
[26] 俞建国. 构建基于一物一码的防伪溯源新生态[J]. 标签技术，2016(4)：33－36.
[27] 苏维宣. 浅析农业生产者应如何应对产品价格周期性波动的市场风险[J]. 财经界，2016(2)：53－54.
[28] Driscoll's 运用食品遡源技术收集消费者反馈[EB/OL]. 国际果蔬报道，http://www.guojiguoshu.com/article/3054, 2017-04-18.
[29] 陈莹，张友华，郭书普，等. 基于智慧包装的小麦种子防伪预警系统设计与实现[J]. 安徽农业大学学报，2016，43(6)：1033－1038.
Chen Ying, Zhang Youhua, Guo Shupu, et al. Design and implementation of wheat seeds anti-counterfeiting early warning system based on wisdom packaging[J]. Journal of Anhui Agricultural University, 2016, 43(6): 1033－1038. (in Chinese with English abstract)
[30] 乌尔里希·森德勒. 工业4.0:即将来袭的第四次工业革命[M]. 北京：机械工业出版社，2014.
[31] 高琪娟，张友华，辜丽川. 基于物联网技术的农作物种子物流平台建设[J]. 洛阳理工学院学报：自然科学版，2015，25(2)：47－50.
Gao Qijuan, Zhang Youhua, Gu Lichuan. Logistics platform development of crop seeds based on IOT[J]. Journal of Luoyang Institute of Science and Technology: Natural Science Edition, 2015, 25(2): 47－50. (in Chinese with English abstract)
[32] 刘红卫. 微信小程序应用探析[J]. 无线互联科技，2016(23)：11－13.
Liu Hongwei. Analysis on application of WeChat small program[J]. Wireless Internet Technology, 2016(23): 11－13. (in Chinese with English abstract)
Bidirectional dynamic interaction model of seed traceability based on location analysis and its implementation
Fang Yu1, Zhu Jingbo1, Xu Xue2, Qin Ruiying2, Guo Shupu1, Zhang Liping1※
(1.,,230031,; 2.230031)
Agricultural product safety concerns the national economy and the people's livelihood. From the starting point of agriculture production, the quality and safety of products, i.e. seeds, are especially important and need to be traced. To realize the traceability of crop seeds and help the production enterprise to analyze the operation status and realize the interactive marketing, in this paper, we constructed a bidirectional dynamic model of seed traceability based on location analysis. Through the seed electronic code, the model divided the traditional logistics information chain data into different sets of geographic codes, which were nested according to the geographical location of the distribution. The commodity seed from the factory to the user will experience a lot of path node, each path node dealer was required to writes its own geographic code. The geographic code contained the company information of the dealers at all levels and the place name information of the sale’s area. In the pre-sale stage of the seed, the geographic code set information was independent of each other. When the end user queried the seed electronic code, the flag was activated and the model started to dynamically analyze the location of the user. By converting the user's latitude and longitude information, this model received the detailed address information, started match the geographical code set of information from small to large, and ultimately found the dealer information or returned warning information. The query action of the user connected the geographical code sets of all levels, and the whole traceability data chain provided the traceability result to both the enterprise and the user at this time. The enterprise-side model consisted of a collection layer, a data sharing analysis layer, and an application presentation layer. When the enterprise obtained the traceability information, it can communicate with users, collecting user’s behavior data, and pushing enterprise marketing information. The enterprise-side model can be combined with supply chain data for data analysis to help improve and guide production. By selecting the data of sales and feedback of Huacheng 3366 wheat in ten counties, the goodness-of-fit was 0.997 8, which showed that the feedback from the code scanning could promote the sales. Among all the 14 092 barcode scanning position information, only 21 of them cannot be converted into the appropriate place name fields, and the model geo-code position conversion rate was around 99.851%, which can basically meet the business requirements of collecting and analyzing feedback information, helped enterprise effectively avoid the risk of transregional behavior. During the 36 months of trial operation, the monthly average number of server downtime was about 0.27 times, and the safe running days ratio was 99.087%, which can meet the requirements of enterprise traceability stability. The model was layered and independent of circulation information, which ensured the integrity, authenticity and security of traceability. The model added the bidirectional interactive data link on the traditional traceability model, so that the enterprise can interact with the user when scanning and obtain the user behavior data and push the marketing information. The model’s commissioning of the geocode location conversion rate, the number of days, the site safe operation and other technical indicators can effectively help companies master the actual operation, effectively prevent the occurrence of the transregional behavior, optimize the enterprise distribution channels, it also provides a more reliable means of information for the regulatory department to manage the seed market.
seed; crops; models; seed traceability; location analysis; geographic code set; seed electronic code
10.11975/j.issn.1002-6819.2017.24.027
S126; TP391
A
1002-6819(2017)-24-0207-08
2017-08-22
2017-12-04
安徽省科技重大专项（15czz03117）；安徽省农科院院长青年创新基金（15B1424）
方 钰，男，安徽合肥人，助理研究员，主要从事农业信息和农业物联网研究。Email：tet625@163.com
张立平，男，安徽巢湖人，副研究员，从事农业信息技术研究。 Email：sangold@163.com
方 钰，朱静波，许 学，秦瑞英，郭书普，张立平. 基于地理位置解析的种子溯源双向动态交互模型及实现[J]. 农业工程学报，2017，33(24)：207－214. doi：10.11975/j.issn.1002-6819.2017.24.027 http://www.tcsae.org
Fang Yu, Zhu Jingbo, Xu Xue, Qin Ruiying, Guo Shupu, Zhang Liping. Bidirectional dynamic interaction model of seed traceability based on location analysis and its implementation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(24): 207－214. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.24.027 http://www.tcsae.org
