第３３卷第３期 ２０１７年８月 广东农工商职业技术学院学报 Ｊｏｕｒｎａｌ ｏｆ Ｇｕａｎｇｄｏｎｇ Ａｇｒｉｃｕｌｔｕｒｅ Ｉｎｄｕｓｔｒｙ Ｂｕｓｉｎｅｓｓ Ｐｏｌｙｔｅｃｈｎｉｃ Ｖ０１．３３ Ｎｏ．３ Ａｕｇ．２０１７ ［高职教育理论与实践］ 大数据背景下的高校教育统计 彭雪涛 （华南师范大学，广东广州５１０６３１） 摘要：教育统计是高校管理的重要一环。目前，高校教育统计偏向为教育行政管理部门服务，高校缺乏自我研究的主动 性，基于时点的静态总量统计又导致统计数据价值有限。该文对大数据时代高校教育统计工作如何发展进行了探索，提出教 育统计应从战略定位、工作方式、队伍建设、技术保障四个方面积极应对大数据时代的挑战，响应高校管理对数据的需求，更 加实际地支持高校管理提升。 关键词：教育统计；高校：大数据 中图分类号：Ｇ６４７ 文献标志码：Ａ 文章编号：１００９—９３ｉｘ（２０１７）Ｏ３一Ｏ０４５一Ｏ３ 教育统计是高校管理的重要一环。“加强教育 统计工作，是教育科学管理和决策的重要基础和前 提，是实现教育事业全面、协调、可持续发展的重要 保证之一。”＿１］响应高校管理对数据的需求，是教育 最常见的描述是“及时上报各类统计报表”，可见教 育统计重点是向业务主管部门提供统计数据。而不 是高校自我研究行为；仅８所高校在职责中列出数 据分析，占３０％，仅４所高校提出统计辅助决策，占 １５％；可见教育统计仅仅停留在统而计之层面．对高 统计无法规避的责任。笔者以高校教育统计的现状 与存在的问题为切人点，分析教育统计面临的技术 大环境，探讨教育统计的发展趋势。 一、高校教育统计现状与问题 （一）机构设置与职责界定 在机构设置方面，教育统计工作多依附于学校 综合性部门，很多高校由校长办公室承担这一工作 职能。以广东省本科院校２０１５年“高等教育基层统 计报表”工作情况统计，广东省共有本科院校３７ 所，其中，３３所院校的教育统计工作由合署办公的 党政办公室或单独设置的学校办公室归口管理．２ 所由发展规划处归口管理，２所由档案部门归口管 理。没有一所学校成立带有行政管理职能的教育统 计分析机构。 在工作职责界定方面，笔者对２６所广东本科院 校官网相关文本进行分析，如中山大学“负责开展 学校各类数据的信息统计和报送工作”；华南师范 大学“负责高等教育基层统计报表工作，收集教育 发展信息，开展统计调查与分析”；暨南大学“负责 搜集整理高等教育和兄弟院校的重要数据信息，并 进行统计分析，为学校决策提供依据”；广州大学 “负责学校高等教育基层统计报表工作、基础数据 库建设管理与维护工作”等等。可以发现：职责中 收稿日期：２０１７一Ｏ１—１０ 校决策支持力度有限；没有一所本科院校设有专职 统计人员，教育统计只是其工作中的一部分，甚至是 小部分。高校统计人员也大部分没有统计专业背 景，没法对数据进行深层次分析。 （二）工作模式与统计内容 目前高校教育统计多是通过学校综合部门“组织 协调”基层业务部门“定期汇总”，即按事先定制好的 表格，基层业务部门整理本部门数据，层层填表上报， 由综合部门整理形成学校层面的宏观信息，向学校、 各级教育行政主管部门、社会公众提供报告文本。 如高等教育基层统计（以下简称高基统计），是 我国高教领域的一套较为全面的统计体系，是教育 统计重要的工作内容。以２０１５年高基统计为例。共 有４１个报表，涉及各类学生规模、专业结构、学生年 龄结构、生源情况、教师规模、教师年龄结构、学历结 构、学校资产情况等等。高基统计口径清晰，指标解 释完整，校验公式严谨，组织实施有力，在高等教育 发展中具有重要作用。但高基统计仍有其局限性： 报表由上级部门编制，是从外部视角审视高校，是自 上而下行政推动，目的在于让上级了解、掌握高校发 展状况，并非高校出于管理自身事务的自发行为：收 集的是学校层面的宏观信息，不采集各类业务细节 数据，指标覆盖面小，仅能反映高校基本情况：报表 一作者简介：彭雪涛（１９７９一），女，广东汕头人，助理研究员，硕士，研究方向：管理信息化。 广东农工商职业技术学院学报 第３３卷 是事先定制的、静态的，数据量有限，不能满足任意维 度交叉分析和数据粒度调整；统计工具是单机版软 件，依靠数据库的导人导出操作完成数据交换，操作 复杂，历年数据难以保存；统计周期性进行，数据无法 达到“伴随性收集”；主要用于信息上报和少量信息 公开，信息利用需求薄弱，对实际工作指导性有限：数 据的真实性难以即时检验，难以规避“数据利益”。 一方面，基于时点的静态总量统计数据价值有 限。另一方面，高校经过十几年的信息化建设。海量 的小粒度数据又沉淀于各业务管理系统．难以在全 校整合利用和关联分析。数据形成粗细两头分化、 统计两级隔离的局面，对数据的采集分析基本采用 半自动半手工模式，应用有限。如学校综合部门根 据采集到的“在校生数”和“专任教师数”，计算出全 校的生师比。而当数据分析需求调整为“各学院生 师比多少”时，基于时点的任务式的静态报表则无 法应答。 尽管教育统计传统的工作模式在一定时期内发 挥了作用．在大数据时代，高校教育统计工作必须有 所作为 二、大数据与商务智能 随着移动互联网、云计算、物联网等技术的深入 应用．数据迅速增长 巨量数据逐渐进人人们视野。 自２００８年《科学》杂志发表文章《Ｂｉｇ Ｄａｔａ：Ｓｃｉｅｎｃｅ ｉｎ ｔｈｅ Ｐｅｔａｂｙｔｅ Ｅｒａ｝）以来，大数据（Ｂｉｇ Ｄａｔａ）概念开 始广泛传播。大数据，或称巨量资料，是指那些大小 已经超出了传统意义尺度。目前主流软件工具难以 捕捉、存储、管理和分析的数据。 ２ 数据的“大”主要 体现在三个方面：大量（Ｖｄｕｍｅ），同一类型的数据 量在增大；高速度（Ｖｅｌｏｃｉｔｙ），数据增长速度在加快； 多样化（Ｖａｒｉｔｙ），数据的来源和类型在增加，大数据 的意义在于发现第四个“Ｖ”——价值（Ｖａｌｕｅ）。大 量（Ｖｏｌｕｍｅ）、高速度（Ｖｅｌｏｃｉｔｙ）、多样化（Ｖａｒｉｔｙ）、价 值（Ｖａｌｕｅ），这４个“Ｖ”，被研究者认为是大数据的 明显特征。＿３ 为了高效处理和有效利用海量数据，商业智能 （Ｂｕｓｉｎｅｓｓ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＢＩ）技术应运而生。商业智 能，即以数据为对象，以信息技术为支持，将数据转化 为信息和知识，从而辅助机构科学决策的技术和方 法。从全球范围来看，商业智能在各个领域的应用持 续升温。近年来，甲骨文、ＩＢＭ、微软、ＳＡＰ、惠普等公 司已经在数据管理和分析领域投入超出１５０亿美元。 商务智能以数据仓库（整合）、联机分析（分析）、 数据挖掘（挖掘）、数据可视化（展示）为核心。 数据仓库（Ｄａｔａ ｗａｒｅｈｏｕｓｉｎｇ，简称ＤＷ），是一个 面向主题的、集成的、相对稳定的、反映历史变化的数 据集合。数据仓库不同于数据库。前者是以数据分 析、决策支持为目的来组织存储数据．而数据库的主 要目的则是为运行性系统保存、查询数据。¨４ 数据仓 库是商务智能的基础。 ］各业务系统的数据经过 ＥＴＬ过程，且ｐ抽取（Ｅｘｔｒａｃｔｉｏｎ）、转换（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ） 和装载（ ａｄ），形成数据仓库，得到事物的全局视图。 联机分析（Ｏｎｌｉｎｅ Ａｎａｌｙｔｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ．简称 ＯＬＡＰ），即分析。“维”是人们观察事物、计算 数据的特定角度。例如，从类型或从年龄分析学生 群体，这些分析角度，就是维度。关系型数据库也可 以采用维度分析数据，但是必须由软件开发者事先 设定报表，无法根据需求灵活定制。联机分析解决 了静态的报表与动态的需求之间的矛盾。联机分析 维度可以交叉，例如“学生类型”和“学生年龄”两个 维度交叉．分析“网络教育生中超过３５岁的学生是 多少”；维度可以“下钻”（ｄｒｉｌｌ ｄｏｗｎ）得到更细粒度 的数据状态和特点，也可以上卷（ｒｏｌｌ ｕｐ），总体了解 到更加宏观的情况。 数据挖掘（Ｄａｔａ Ｍｉｎｉｎｇ，简称ＤＭ），是从大量的 数据中通过算法发现隐藏于其中的信息和知识。其 主要目的，一是揭示规律，二是预测趋势。＿５］数据挖 掘把数据分析的范围扩大到“未知”，推向了“将 来”，是商务智能之所以具有“智能”的关键技术。 数据可视化，即借助计算机图形学技术，将复 杂、抽象的数据转化为直观的图形，描述数据关系， 反映数据规律。数据可视化既有准确的数据，又有 丰富多彩的形式，是知识表达、知识展示和知识传递 的有效手段 三、美国高校的院校智能 ２０世纪５０年代，美国高等教育开始从精英阶 段向大众化阶段过渡，规模急剧扩张，一些高校自发 开展运行状况数据收集、资源利用效率分析等工作， “院校研究”的概念开始形成，其后随着专门机构的 成立．院校研究成为美国高校管理系统的一项基础 性专业性工作。从工作职能上看，美国高校的院校 研究与我国高校的教育统计有部分重合，也有一些 高校院校研究办公室完全是以“教育统计”来命名， 如加州大学洛杉矶分校和德州大学奥斯丁分校。但 美国院校研究和我国教育统计相比较，前者收集和 分析的数据要比后者复杂得多，其功能和领域也拓 展到院校管理、决策辅助、社会服务等多个方面。 院校研究需要足够的数据和对数据的科学分 析。近年来，经过信息时代的洗礼，院校研究进入了 新的发展时期，结合商业智能，形成院校智能 第３期 彭雪涛：大数据背景下 匦 墼宣 ！： （Ｉｎｓｔｉｔｕｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，简称ＩＩ）新领域。 院校智能技术在美国高校得到广泛应用。如肯 恩大学在每学期注册期间，严密监测学生注册情况， 通过数据分析预测有辍学倾向的学生，对其采取有效 措施，从而提高学生保留率。 ６］密歇根大学通过采集 与学生学习行为有关的数据，评测学生学习参与度， 推导出参与度与学习效果之间的关系，从而为学生提 供更有针对性的指导意见，为教师提供更及时的学生 学习状态信息。 ］￣Ｉ，ｋＪ，Ｉ大学在本科招生中应用数据挖 域数据管理，院校研究机构负责数据分析和决策支 持。ＩＴ部门提供技术支持。同时提供反馈渠道，形 成一个完整的闭环体系。 ‘ （三）系统培训，保持统计队伍专业性 当前．美国高校院校研究办公室的从业人员主 要具有数据库或统计学专业背景，他们称自己为院 校研究员（ＩＲｅｒ）。从我国高校目前情况来看，绝大 多数教育统计员不具有专业技术背景。教育统计应 建立起成熟的培训体系，对教育统计员进行系统的 掘技术，［８ 对申请学生的个人信息、学习成绩、家庭信 息、就读学校信息等进行分析，对申请学生能否被志 愿分校及专业录取进行预测，向可能“落选”的学生 宣传推广“冷门”分校的情况，鼓励他们到这些分校 就读．从而较好地保证了各个分校生源。 虽然院校研究起源于高校的自我研究，在高等 教育和人才竞争日趋激烈的全球化时代，院校研究 视野也逐渐转向校外，如通过多种方式对同层次同 类别高校进行研究。制定标杆参照体系等。美国高 校在不泄漏学生隐私的情况下。建立了校际数据共 享机制。美国和非营利机构也为数据共享搭建 了持续稳定、内容丰富的平台。 院校研究和教育统计都有收集和研究院校数据 等职能。都以辅助决策为最终目的。可以说，院校研 究是教育统计的高级阶段。 四、高校教育统计的积极应对 （一）转变观念，明确教育统计战略定位 目前，我国高校管理缺乏数据支撑，对大学内外 部环境的复杂性把握不足．对多变性反应迟钝，暴露 出种种弊端。只有过程监控和动态管理，才能使高 校积极应变，而过程监控和动态管理都必须以准确 及时、系统全面的数据和深入透彻的分析为基础。 教育统计在大数据时代其实大有可为。教育统计要 破除内视的、静态的、被动的局面，主动出击。开展高 校自身发展数据研究和外在环境数据研判，更加实 际地支持高校管理提升。 （二）统筹协调，形成数据管理合力 在大部分高校。信息化部门负责系统的建设和 运维．但不参与行政管理；综合部门服务于宏观决 策，但不参与数据管理：各业务部门数据管理往往只 关注本部门的管理便利。三者没有形成教育统计的 合力。教育统计既是归口于综合部门牵头，综合部 门应是最有条件推进全校建立跨部门的数据协调机 制与合作范式。如美国纽约大学的数据治理体系， 在首席校务数据管理官（Ｃｈｉｅｆ Ａｄｍｉｎｉｓｔｒａｔｉｖｅ Ｄａｔａ Ｍａｎａｇｅｍｅｎｔ Ｏｆｆｉｃｅｒ）统一协调下。业务部门负责主题 专业的培训，如培养教育统计员的数据规范意识，数 据安全意识，数据管理能力，数据分析能力，在实际 工作中利用数据解决问题的能力等等，使其成为高 技能知识人才，胜任大数据时代的教育统计工作。 （四）主动出击，拥抱院校智能技术 要发挥数据在决策辅助、质量评估、绩效考核、 教学管理、舆情分析等方面的作用，需要有完整、准 确、权威的数据及对数据的充分分析和有效解读。 我国高校教育统计应借鉴美国高校院校研究，积极 主动应用院校智能技术．聚合业务数据，控制数据质 量。建立综合层面上的能反映高校实时状况的信息 平台，利用ＳＱＬ快速查询、Ｈａｄｏｏｐ深层分析查询、数 据挖掘工具、ＯＬＡＰ工具等，从大量的管理和教学数 据中获得有利于高校提升管理水平、调整发展策略 的信息。 参考文献： ［１］王青逯．加强教育统计工作努力实现教育事业全面协调 可持续发展［Ｊ］．吉林教育，２００６（１０）：４－６． ［２］涂子沛．大数据［Ｍ］．南宁：广西大学出版社，２０１３：８５．１００． ［３］刘凤娟．大数据的教育应用研究综述［Ｊ］．现代教育技 术，２０１４，２４（８）：１３．１９． ［４］卢蓓蓉，沈富可．如何让数据真正说话［Ｊ］．中国教育网 络，２０１２（７）：１８．１９． ［５］胡雄伟，张宝林，李抵飞．大数据研究与应用综述（上） ［Ｊ］．标准科学，２０１３（９）：２９．３４． ［６］国家中长期教育改革和发展规划纲要工作小组办公室． 国家中长期教育改革和发展规划纲要（２０１０－－－２０２０） ［Ｎ］．中国教育报，２０１０．０７．３０． ［７］张俊超．大数据时代的院校研究与大学管理［Ｊ］．高等 工程教育研究，２０１４（１）：１２８．１３５． ［８］Ｐｅｒｒｙ Ｓａｍｓｏｎ．Ｐｒｅｄｉｃｔｉｎｇ Ｓｔｕｄｅｎｔ Ｏｕｔｃｏｍｅｓ Ｂａｓｅｄ ｏｎ Ｓｔｕｄｅｎｔ Ｐａｒｔｉｃｉｐａｔｉｏｎ ａｎｄ Ｅｍｏｔｉｏｎａｌ Ｓｔａｔｅ［ＤＢ／ＯＬ］．ｈｔ－ ｔｐ：／／ｃｒｌｔ．ｕｍｉｃｈ．ｅｄｕ／ｓｉｔｅｓ／ｄｅｆａｕｌｔ／ｆｉｌｅｓ／ｒｅｓｏｕｒｃｅｆｉｌｅｓ／ —１４１０２４．ＳＬ￣ｔＭＳ２．一ｐｄ￡（２０１４—１０－２４）［２０１６—１０－２４］． ［９］常桐善．数据挖掘技术在美国院校研究中的应用［Ｊ］．复 旦教育论坛，２００９（２）：７２．７９． （责任编辑：郭丽冰） （下转第６８页） ６８ 广东农工商职业技术学院学报 第３３卷 Ｒｅｓｅａｒｃｈ ｏｎ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ ｆｏｒ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ Ｂａｓｅｄ ｏｎ Ｘｉｎｇｙｕａｎ Ｐｒｏｇｒａｍ ｉｎ Ｚｈｕｈａｉ ＬＡＩ Ｚｈｉｊｉｅ ，ＹＡＮＧ Ｙｕｌａｎ （１．Ｇｕａｎｇｄｏｎｇ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｉｎｎｏｖａｔｉｏｎ Ｍｏｎｉｔｏｒｉｎｇ ａｎｄ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ． Ｇｕａｎｇｚｈｏｕ，５１００３３；２．Ｊｉｎａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｇｕａｎｇｚｈｏｕ ５１０６１９，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｕｓｉｎｇ ｉｎｎｏｖａｔｉｖｅ ｔｅｃｈｎｏｌｏｇｙ ｆｏｒ ｄｉｇｉｔａｌ ｄｅｓｉｇｎ，ｉｎｔｅｌｌｉｇｅｎｔ ｃｏｎｔｒｏｌ，ａｃｃｕｒａｔｅ ｏｐｅｒａｔｉｏｎ ａｎｄ ｓｃｉｅｎｔｉｆｉｃ ｍａｎａｇｅｍｅｎｔ ｉｎ ａｇｒｉｃｕｌｔｕｒａｌ ｐｒｏｄｕｃｔｉｏｎ，ｗａｒｅｈｏｕｓｉｎｇ，ｌｏｇｉｓｔｉｃｓ，ｍａｎａｇｅｍｅｎｔ，ｄｉｓｔｒｉｂｕｔｉｏｎ，ｅｔｃ．ｔｏ ｒｅａｌｉｚｅ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｐｅｒｃｅｐｔｉｏｎ ｏｆ ｔｈｅｓｅ ｅｌｅｍｅｎｔｓ，ｐｒｅｃｉｓｉｏｎ ａｎｄ ｉｎｔｅｌｌｉｇｅｎｃｅ ｉｎ ｃｏｎｔｒｏｌ，ｗｈｉｃｈ ｉｎ ｔｕｒｎ，ｈｅｌｐｓ ｔｏ ａｃｈｉｅｖｅ ｈｉｇｈ ｑｕａｌｉｔｙ，ｈｉｇｈ ｙｉｅｌｄ，ｈｉｇｈ ｅｆｆｉｃｉｅｎｃｙ，ｅｃｏｌｏｇｉｃａｌ ａｎｄ ｓａｆｅ ｄｅｖｅｌｏｐｍｅｎｔ。ｐｒｏｍｏｔｉｎｇ ｔｈｅ ｍｏｄｅｒｎｉｚａｔｉｏｎ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ａｇｒｉｃｕｌｔｕｒｅ． Ｋｅｙ ｗｏｒｄｓ：ｉｎｔｅｌｌｉｇｅｎｃｅ；ｓｙｓｔｅｍ；ｉｎｔｅｒｎｅｔ ｏｆ ｔｈｉｎｇｓ；ｃｏｎｔｒｏｌ；ｍｏｄｅｒｎ ａｇｒｉｃｕｌｔｕｒｅ （上接第４７页） Ｓｔａｔｉｓｔｉｃｓ ｏｆ Ｈｉｇｈｅｒ Ｅｄｕｃａｔｉｏｎ ｉｎ Ｂｉｇ Ｄａｔａ Ｅｒａ ＰＥＮＧ Ｘｕｅｔａｏ （Ｐｒｅｓｉｄｅｎｔ’Ｓ Ｏｆｆｉｃｅ，Ｓｏｕｔｈ Ｃｈｉｎａ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｇｕａｎｇｚｈｏｕ ５ １ ０６３ １，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｓｔａｔｉｓｔｉｃｓ ｉｓ ｏｎｅ ｏｆ ｔｈｅ ｉｍｐｏｒｔａｎｔ ｗｏｒｋ ｏｆ ｈｉｇｈｅｒ ｅｄｕｃａｔｉｏｎ．ｂｉｇ ｄａｔａ Ｅｒａ ｈａｓ ｇｉｖｅｎ ｒｉｓｅ ｔｏ ｃｈａｌｌｅｎｇｅｓ ａｎｄ ｏｐｐｏｒｔｕｎｉｔｉｅｓ ｆｏｒ ｍｏｄｅｒｎ ｕｎｉｖｅｒｓｉｔｉｅｓ，ｗｈｉｃｈ ａｔｔａｃｈ ｍｏｒｅ ｉｍｐｏｒｔａｎｃｅ ｔｏ ｅｆｆｅｃｔｉｖｅ ａｎｄ ｉｎｔｅｌｌｉｇｅｎｔ ｕｓｅ ｏｆ ｄａｔａ．Ｔｈｅ ｃｏｕｎｔｅｒ ｍｅａｓｕｒｅｓ ｆｏｒ ｔｈｏｓｅ ｃｈａｌｌｅｎｇｅｓ ａｒｅ：ｓｔｒａｔｅｇｉｃ ｐｏｓｉｔｉｏｎｉｎｇ，ｗｏｒｋｉｎｇ ｍｅｔｈｏｄｓ，ｓｔａｆｆ ｍａｎａｇｅｍｅｎｔ ａｎｄ ｔｅｃｈｎｏｌｏｇｙ ｉｍｐｒｏｖｅｍｅｎｔ． Ｋｅｙ ｗｏｒｄｓ：ｅｄｕｃａｔｉｏｎ ｓｔａｔｉｓｔｉｃｓ；ｕｎｉｖｅｒｓｉｔｙ；ｂｉｇ ｄａｔａ
