大數據時代物流管理專業統計學課程教學改革對策研究

楚永杰，蘇 翀（南京郵電大學，江蘇 南京 210003）

0 引言

在數字化時代，大數據的作用正在擴散，幾乎所有領域都對大數據分析給予了很大的關注，物流管理領域也不例外，這主要是因為物流管理提供了實時產生大量數據機會[1]。隨著先進網絡技術和物聯網技術的快速發展，嵌入式傳感器、條形碼、射頻識別（RFID）等物流追溯智能設備被廣泛應用于物流管理中，物流管理變得更加網絡化，產生了大量實時數據，即大數據。這些海量的、實時的、非完全結構化的數據，超出了傳統數據管理工具的能力。物流行業需要先進的數據分析技術從大數據中提取有價值信息，以降低物流成本，提升物流管理效率，改善客戶服務質量。大數據時代物流行業面臨的挑戰給對物流管理專業的學生提出了新的要求，熟練掌握數據處理技術已經是物流管理專業學生的必備技能。統計學是收集數據、整理數據、分析數據的科學，統計學課程是數據分析的基礎課程之一，在物流管理專業課程中有著重要作用。

在大數據背景下，目前鮮有教學研究聚焦物流專業的統計學教學。物流管理作為未來大數據應用的主要領域之一，分析物流管理專業的統計學教學現狀，發現問題并提出改革對策，既是統計學教學的要求，也是物流領域的需求。

1 物流管理專業統計學教學現狀分析

統計學課程是物流管理專業的必修課之一，目的是讓學生掌握統計學理論，學會利用推斷統計方法分析和解決現實問題。在大數據時代，學校以及教師都已認識到，要把提升學生大數據分析的能力作為數據分析類課程教學的出發點和落腳點，正在不斷改善教學方法并取得了一定的效果。但是，具體到物流管理專業的統計學課程而言，目前在教學中還存在以下挑戰。

1.1 忽視學生學習特點，教學模式單一

在教學過程中，教師是教授知識的主體，學生是學習知識的主體。學生的學習風格與教師的教學模式是影響教學效果主要因素之一，學生和教師之間協同合作才能實現優秀的教學效果[2]。在班級授課制下，教學往往還是實行“以教師為中心”的教學模式，這種模式使得學生的主動性和獨立性受到限制，學生的探索性、創造性不易發揮，學生個體差異很難照顧。已有研究表明，教學風格與學生學習風格的匹配不僅可以明顯提升學生對課程的學習興趣，而且可以顯著提升學生的課程學習成績[3]。由于統計學不僅是物流管理專業的基礎必修課，也是其它管理類專業的必修課，因此，同一個統計學教研組的老師會給不同專業的學生教學，或者不同專業的學生同時在一個班級學習。與此同時，隨著家庭教育和社會教育的改變，不同的專業，甚至同一個專業不同年級的學生，在學習風格上也存在明顯差異。但是，教師往往忽略了這種差異，在不同專業、不同學年中使用幾乎相同的教學資料和教學模式授課，沒有根據學生的特點更新教學模式。這種以教師為中心，而不是以學生為中心的教學模式，無疑會對學生的學習產生較大的負面影響，造成事倍功半的后果。

1.2 教學設計同質化程度高，缺乏專業特色

統計學作為數據分析類課程的基礎課程之一，目前的定位依舊是數據分析通識類課。這種定位帶來的突出問題是教學內容與專業內容相對脫節，專業特色不明顯，降低了學生學習的興趣[4]。首先，在教材選擇，大多數經濟、管理類專業選擇的教材都趨于統一。這些少數被選擇的教材的確是優質教材，是編著者花費大量心血根據經濟管理類專業特點修訂完成的。但是具體到物流管理專業上，卻很難說這些優質教材體現出了物流管理行業的數據分析特點，因為物流管理中的數據除了企業運營數據之外，更多的是由于不同的傳感器產生的多模態數據。其次，在課程內容設計上，缺少專業特色。隨著大量在線開放課程的開發，教師和學生有了更多可以參考的外部資源。教師可以觀看統計學精品課程學習課程內容設計，學生也可以觀看這些課程進行自主學習。為了提升在線開放課程的觀看量，課程設計者往往傾向于面向多個專業的學生，以擴大受眾范圍，而不是針對某一個具體專業的學生[5]。優秀的課程是大量教師的參考和模仿對象，盡管這可以明顯提升老師的教學水平，但是教學內容上的模仿卻使得統計學課程的教學內容設計越來越缺少特色。這主要由于設計與物流管理專業內容相關的統計學教學內容需要花費大量的時間和精力。因此，在統計學教學中，相對統一的教材以及片面的模仿和參考精品課程，使各專業的統計學教學內容和方法大同小異，特色優勢不明顯，造成不同專業的統計學差異性小、替代性強，降低了該課程在物流管理專業中的認可度。

1.3 物流數據少，大數據分析實踐弱

物流管理專業學生學習統計學的重點不是統計理論的推導，而是統計理論和方法在數據分析上的實踐應用。盡管教師除了教授物流管理專業學生統計學理論之外，也會教授學生使用數據分析的統計工具，比如Excel、SPSS、Stata 等，但是在數據分析時，所使用的數據依舊以小規模的經濟、商業案例數據為主，這些數據少則僅數十條，多則僅數百條。學生利用這些小規模數據進行分析實踐，結果僅僅是熟悉了軟件操作流程。相較于小規模的數據，大規模數據在數據維度、數據分布等方面要更加復雜[6]。因此，當學生面對大規模數據時，仍然不知道如何下手，實現大數據分析還是存在明顯困難。此外，隨著物聯網技術在物流行業的大規模應用，物流行業已經累積了大量數據。然而，對于物流管理專業的學生而言，這些物流大數據只是一個專業名詞，一個概念，對于物流大數據包含哪些類型的數據、可能是什么樣子的、規模具體有多大等仍然是模糊的[7]。這種沒有結合物流大數據分析的統計實踐課程，脫離了當前物流行業對物流管理專業學生的要求，讓學生失去了提升數據分析能力的機會。因此，在統計學教學中，強化以物流大數據分析為主的統計實踐，既是大數據背景下教師提升教學質量的責任，也是物流行業對該專業學生提出的需求。

2 物流管理專業統計學教學改革對策

本文圍繞大數據時代物流管理專業統計學教學存在的問題，以及大數據時代物流行業對物流管理專業學生的能力需求，提出下述對策以提升物流管理專業統計學教學質量，提高該專業學生的數據分析能力。

2.1 判別學生學習風格，設計多樣化教學模式

學習風格指個體在學習過程中為了高效實現學習目標所采取的適合自己的、具有個性化的偏好和策略。目前被廣泛認可和使用的是菲爾德-希爾弗曼提出的四類學習風格，即感知-直覺型、視覺-言語型、活躍-沉思型、序列-綜合型[3]，每種學習風格對教學素材的種類、呈現方式、教學模式等具有不同的感知效果。根據學生的學習風格，設計統計學課程教學模式，不僅體現了以學生為中心的個性化教學，而且有利于提升教與學的效果。

首先，教師在上課之前或者上課初期，向不同班級的學生發放包含菲爾德-希爾弗曼學習風格量表的調查問卷，并基于調查問卷結果分析每個班級學生的主要學習風格傾向。其次，根據學習風格從教學素材、教學模式等方面進行個性化設計。教師往往默認學生都是言語型學習風格，通過大量的語言、文字闡釋知識點，然而，學生具有的風格是多樣性的。對于感知型學習風格，需要為重要知識點增加案例分析；針對直覺型學習風格，則要加強習題練習；針對活躍型學習風格，需要在課堂設計更多的小組討論，以增強這些學生對知識的理解；而沉思型的學習風格則相反，教師需要提供更多的課外參考閱讀資料，供這些學生自主學習和進一步理解知識點；針對序列型的學習風格，教師應該注重為這些學生梳理知識點，并提供適量的練習題；而具有綜合型風格的學生，教師應該準備一些具有挑戰性的習題，以激發這些學生學習的興趣和創造性；針對視覺型學習風格，可以為這些學生提供視頻課程資源作為補充。最后，在教學過程中，教師要持續地從學生收集教學效果反饋，以不斷評估目前基于教學風格設計的教學模式的合理性和有效性，并不斷完善和提高。值得一提的是，對于統計學課程，由于其知識點相對比較零散，而且應用型較強，基于學習風格的個性化教學模式設計，并不是一個教師可以完成的。這種多樣化的教學模式應該由一個課程教研組共同完成，然后每個老師根據各班學生的主要學習風格，自行選擇教學素材并設計合適的教學模式。

2.2 加強科研反哺教學，課程設計融入前沿科研案例

物流大數據的廣泛累積不僅為物流產業提供了新的挑戰，也為科研領域提供了新的研究問題。目前，有關物流和供應鏈管理的研究，越來越多聚焦于基于大數據的管理問題研究，以不斷解決物流產業界的實踐問題，推動物流產業發展。這些基于大數據的物流管理研究，為物流管理專業的統計學教學提供了全新的案例，不僅可以向學生展示目前物流管理產業面臨的問題，而且可以向學生展示統計學在物流產業中的具體應用，提升學生對統計學的理解和學習興趣。因此，以科研反哺教學，將前沿的物流管理科研成果融入統計學課程設計，是體現物流管理專業特色的統計學教學的有力措施。

首先，積極組織統計學教研組的授課教師收集應用統計學知識，解決物流和供應鏈問題的相關科研論文。那些發表在物流與供應鏈管理領域國際頂級期刊上的論文，因為解決了不同國家的物流產業面臨的問題，問題具有多樣性，同時，這些期刊發表了很多國內學者有關我國電商物流管理問題等的最新研究成果，因此更加具有參考價值。這些期刊包括《International Journal of Physical Distribution &Logistics Management》、《Transportation Research Part E-logistics and Transportation Review》、《Journal of Business Logistics》和《International Journal of Logistics-research and Applications》等。其次，授課教師根據經驗，對收集的前沿科研論文中使用的統計學知識點，根據統計學課程教學的先后進度進行分解和歸類，為統計學教學內容設計提供素材。根據作者的經驗，常用的統計學知識包括數據的集中趨勢度量、雙因素方差分析、假設檢驗、基于時間序列數據的預測方法、誤差的度量等。再次，授課教師根據學生的學習風格及設計的教學模式，對收集的科研案例進一步分類，區分適用于課堂展示和討論、課后閱讀并報告以及僅作為課后補充參考的案例。最后，授課老師不斷收集、整理案例，并建立物流管理相關的統計學科研案例庫，優化統計學課程教學資料和教學質量。

2.3 搜集物流大數據，強化物流大數據分析實踐

將課堂教學與實踐性教學相結合，是提升學生利用統計學知識分析問題、解決問題能力的關鍵，特別是提升學生的大數據分析能力。物流大數據現在已經不是稀缺數據，可以獲取物流大數據的來源一般有三個：數據競賽中公開的數據、科研成果中公開的數據和企業公開的數據。其中，數據競賽中公開的數據是統計學教研組獲取大數據的主要途徑，也是加強學生大數據分析實踐的優秀素材，例如，全國大學生交通運輸科技大賽“物流大數據”競賽方向競賽中公開的物流大數據。

加強物流管理專業學生對物流大數據分析的實踐能力，并不是提供物流大數據讓學生自行分析，而是讓學生在教學指導和自主探索中學習如何根據大數據分析問題和解決問題。首先，教師應該對問題進行分解，同時向學生明確統計學主要功能，知其所能和不能。統計學在大數據分析中的作用主要有兩個：第一，顯示數據所體現出的過去的趨勢；第二，基于過去的趨勢預測未來的趨勢。其中，體現過去的趨勢包含兩個內容，即描述性分析和診斷分析，而預測未來趨勢則主要是挖掘數據的關聯，進行預測分析和規定性分析，并輔助尋找解決問題的方案。但是統計方法是有邊界的，因為沒有任何統計算法可以100%確定地預測未來。其次，向學生明確解決問題的基本流程，通過教學指導和學生自主探索學習，提升統計學的應用實踐能力。利用統計學進行數據分析時，其主要流程包括數據預處理、數據探索、建立模型以及模型評估。教師應該指導學生如何利用統計學進行以上流程的實踐，同時為學生提供其它大數據分析的案例，這些案例可以與物流管理相關，也可以是其他領域的案例，讓學生能夠根據案例自主學習并提高數據分析能力。最后，建立一套合理有效的大數據分析實踐能力評估準則。評估結果是學生判斷其自身實踐能力的最直觀標準。在建立評估準則時，應該兼具分析過程和分析結果，但是更加重視分析過程。因為太重視分析結果往往讓學生失去了自主探索的動力，帶來千篇一律的分析結果；而分析過程則體現了數據分析的邏輯框架，重視分析過程可以鼓勵學生積極探索各種數據分析框架，這是大數據分析的核心和關鍵。

3 結束語

隨著物流行業對數據分析人才的迫切需求，統計學課程在物流管理專業教學中的地位越來越重要。提高物流管理專業學生對統計學的學習興趣、提升物流管理專業統計學教學質量是統計學教學人員關注的問題。本文結合物流管理專業的特點，并結合大數據時代物流行業對物流管理人才的需求，提出根據學生學習風格設計統計學教學模式，利用前沿的物流科研案例豐富統計學教學內容，以及通過物流大數據分析加強數據分析實踐三項措施，不僅可以體現統計學中的物流管理專業特色，而且有助于提升學生的學習效果。