楚永杰，苏 翀（南京邮电大学，江苏 南京 210003）

0 引言

在数字化时代，大数据的作用正在扩散，几乎所有领域都对大数据分析给予了很大的关注，物流管理领域也不例外，这主要是因为物流管理提供了实时产生大量数据机会[1]。随着先进网络技术和物联网技术的快速发展，嵌入式传感器、条形码、射频识别（RFID）等物流追溯智能设备被广泛应用于物流管理中，物流管理变得更加网络化，产生了大量实时数据，即大数据。这些海量的、实时的、非完全结构化的数据，超出了传统数据管理工具的能力。物流行业需要先进的数据分析技术从大数据中提取有价值信息，以降低物流成本，提升物流管理效率，改善客户服务质量。大数据时代物流行业面临的挑战给对物流管理专业的学生提出了新的要求，熟练掌握数据处理技术已经是物流管理专业学生的必备技能。统计学是收集数据、整理数据、分析数据的科学，统计学课程是数据分析的基础课程之一，在物流管理专业课程中有着重要作用。

在大数据背景下，目前鲜有教学研究聚焦物流专业的统计学教学。物流管理作为未来大数据应用的主要领域之一，分析物流管理专业的统计学教学现状，发现问题并提出改革对策，既是统计学教学的要求，也是物流领域的需求。

1 物流管理专业统计学教学现状分析

统计学课程是物流管理专业的必修课之一，目的是让学生掌握统计学理论，学会利用推断统计方法分析和解决现实问题。在大数据时代，学校以及教师都已认识到，要把提升学生大数据分析的能力作为数据分析类课程教学的出发点和落脚点，正在不断改善教学方法并取得了一定的效果。但是，具体到物流管理专业的统计学课程而言，目前在教学中还存在以下挑战。

1.1 忽视学生学习特点，教学模式单一

在教学过程中，教师是教授知识的主体，学生是学习知识的主体。学生的学习风格与教师的教学模式是影响教学效果主要因素之一，学生和教师之间协同合作才能实现优秀的教学效果[2]。在班级授课制下，教学往往还是实行“以教师为中心”的教学模式，这种模式使得学生的主动性和独立性受到限制，学生的探索性、创造性不易发挥，学生个体差异很难照顾。已有研究表明，教学风格与学生学习风格的匹配不仅可以明显提升学生对课程的学习兴趣，而且可以显著提升学生的课程学习成绩[3]。由于统计学不仅是物流管理专业的基础必修课，也是其它管理类专业的必修课，因此，同一个统计学教研组的老师会给不同专业的学生教学，或者不同专业的学生同时在一个班级学习。与此同时，随着家庭教育和社会教育的改变，不同的专业，甚至同一个专业不同年级的学生，在学习风格上也存在明显差异。但是，教师往往忽略了这种差异，在不同专业、不同学年中使用几乎相同的教学资料和教学模式授课，没有根据学生的特点更新教学模式。这种以教师为中心，而不是以学生为中心的教学模式，无疑会对学生的学习产生较大的负面影响，造成事倍功半的后果。

1.2 教学设计同质化程度高，缺乏专业特色

统计学作为数据分析类课程的基础课程之一，目前的定位依旧是数据分析通识类课。这种定位带来的突出问题是教学内容与专业内容相对脱节，专业特色不明显，降低了学生学习的兴趣[4]。首先，在教材选择，大多数经济、管理类专业选择的教材都趋于统一。这些少数被选择的教材的确是优质教材，是编著者花费大量心血根据经济管理类专业特点修订完成的。但是具体到物流管理专业上，却很难说这些优质教材体现出了物流管理行业的数据分析特点，因为物流管理中的数据除了企业运营数据之外，更多的是由于不同的传感器产生的多模态数据。其次，在课程内容设计上，缺少专业特色。随着大量在线开放课程的开发，教师和学生有了更多可以参考的外部资源。教师可以观看统计学精品课程学习课程内容设计，学生也可以观看这些课程进行自主学习。为了提升在线开放课程的观看量，课程设计者往往倾向于面向多个专业的学生，以扩大受众范围，而不是针对某一个具体专业的学生[5]。优秀的课程是大量教师的参考和模仿对象，尽管这可以明显提升老师的教学水平，但是教学内容上的模仿却使得统计学课程的教学内容设计越来越缺少特色。这主要由于设计与物流管理专业内容相关的统计学教学内容需要花费大量的时间和精力。因此，在统计学教学中，相对统一的教材以及片面的模仿和参考精品课程，使各专业的统计学教学内容和方法大同小异，特色优势不明显，造成不同专业的统计学差异性小、替代性强，降低了该课程在物流管理专业中的认可度。

1.3 物流数据少，大数据分析实践弱

物流管理专业学生学习统计学的重点不是统计理论的推导，而是统计理论和方法在数据分析上的实践应用。尽管教师除了教授物流管理专业学生统计学理论之外，也会教授学生使用数据分析的统计工具，比如Excel、SPSS、Stata 等，但是在数据分析时，所使用的数据依旧以小规模的经济、商业案例数据为主，这些数据少则仅数十条，多则仅数百条。学生利用这些小规模数据进行分析实践，结果仅仅是熟悉了软件操作流程。相较于小规模的数据，大规模数据在数据维度、数据分布等方面要更加复杂[6]。因此，当学生面对大规模数据时，仍然不知道如何下手，实现大数据分析还是存在明显困难。此外，随着物联网技术在物流行业的大规模应用，物流行业已经累积了大量数据。然而，对于物流管理专业的学生而言，这些物流大数据只是一个专业名词，一个概念，对于物流大数据包含哪些类型的数据、可能是什么样子的、规模具体有多大等仍然是模糊的[7]。这种没有结合物流大数据分析的统计实践课程，脱离了当前物流行业对物流管理专业学生的要求，让学生失去了提升数据分析能力的机会。因此，在统计学教学中，强化以物流大数据分析为主的统计实践，既是大数据背景下教师提升教学质量的责任，也是物流行业对该专业学生提出的需求。

2 物流管理专业统计学教学改革对策

本文围绕大数据时代物流管理专业统计学教学存在的问题，以及大数据时代物流行业对物流管理专业学生的能力需求，提出下述对策以提升物流管理专业统计学教学质量，提高该专业学生的数据分析能力。

2.1 判别学生学习风格，设计多样化教学模式

学习风格指个体在学习过程中为了高效实现学习目标所采取的适合自己的、具有个性化的偏好和策略。目前被广泛认可和使用的是菲尔德-希尔弗曼提出的四类学习风格，即感知-直觉型、视觉-言语型、活跃-沉思型、序列-综合型[3]，每种学习风格对教学素材的种类、呈现方式、教学模式等具有不同的感知效果。根据学生的学习风格，设计统计学课程教学模式，不仅体现了以学生为中心的个性化教学，而且有利于提升教与学的效果。

首先，教师在上课之前或者上课初期，向不同班级的学生发放包含菲尔德-希尔弗曼学习风格量表的调查问卷，并基于调查问卷结果分析每个班级学生的主要学习风格倾向。其次，根据学习风格从教学素材、教学模式等方面进行个性化设计。教师往往默认学生都是言语型学习风格，通过大量的语言、文字阐释知识点，然而，学生具有的风格是多样性的。对于感知型学习风格，需要为重要知识点增加案例分析；针对直觉型学习风格，则要加强习题练习；针对活跃型学习风格，需要在课堂设计更多的小组讨论，以增强这些学生对知识的理解；而沉思型的学习风格则相反，教师需要提供更多的课外参考阅读资料，供这些学生自主学习和进一步理解知识点；针对序列型的学习风格，教师应该注重为这些学生梳理知识点，并提供适量的练习题；而具有综合型风格的学生，教师应该准备一些具有挑战性的习题，以激发这些学生学习的兴趣和创造性；针对视觉型学习风格，可以为这些学生提供视频课程资源作为补充。最后，在教学过程中，教师要持续地从学生收集教学效果反馈，以不断评估目前基于教学风格设计的教学模式的合理性和有效性，并不断完善和提高。值得一提的是，对于统计学课程，由于其知识点相对比较零散，而且应用型较强，基于学习风格的个性化教学模式设计，并不是一个教师可以完成的。这种多样化的教学模式应该由一个课程教研组共同完成，然后每个老师根据各班学生的主要学习风格，自行选择教学素材并设计合适的教学模式。

2.2 加强科研反哺教学，课程设计融入前沿科研案例

物流大数据的广泛累积不仅为物流产业提供了新的挑战，也为科研领域提供了新的研究问题。目前，有关物流和供应链管理的研究，越来越多聚焦于基于大数据的管理问题研究，以不断解决物流产业界的实践问题，推动物流产业发展。这些基于大数据的物流管理研究，为物流管理专业的统计学教学提供了全新的案例，不仅可以向学生展示目前物流管理产业面临的问题，而且可以向学生展示统计学在物流产业中的具体应用，提升学生对统计学的理解和学习兴趣。因此，以科研反哺教学，将前沿的物流管理科研成果融入统计学课程设计，是体现物流管理专业特色的统计学教学的有力措施。

首先，积极组织统计学教研组的授课教师收集应用统计学知识，解决物流和供应链问题的相关科研论文。那些发表在物流与供应链管理领域国际顶级期刊上的论文，因为解决了不同国家的物流产业面临的问题，问题具有多样性，同时，这些期刊发表了很多国内学者有关我国电商物流管理问题等的最新研究成果，因此更加具有参考价值。这些期刊包括《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，授课教师根据经验，对收集的前沿科研论文中使用的统计学知识点，根据统计学课程教学的先后进度进行分解和归类，为统计学教学内容设计提供素材。根据作者的经验，常用的统计学知识包括数据的集中趋势度量、双因素方差分析、假设检验、基于时间序列数据的预测方法、误差的度量等。再次，授课教师根据学生的学习风格及设计的教学模式，对收集的科研案例进一步分类，区分适用于课堂展示和讨论、课后阅读并报告以及仅作为课后补充参考的案例。最后，授课老师不断收集、整理案例，并建立物流管理相关的统计学科研案例库，优化统计学课程教学资料和教学质量。

2.3 搜集物流大数据，强化物流大数据分析实践

将课堂教学与实践性教学相结合，是提升学生利用统计学知识分析问题、解决问题能力的关键，特别是提升学生的大数据分析能力。物流大数据现在已经不是稀缺数据，可以获取物流大数据的来源一般有三个：数据竞赛中公开的数据、科研成果中公开的数据和企业公开的数据。其中，数据竞赛中公开的数据是统计学教研组获取大数据的主要途径，也是加强学生大数据分析实践的优秀素材，例如，全国大学生交通运输科技大赛“物流大数据”竞赛方向竞赛中公开的物流大数据。

加强物流管理专业学生对物流大数据分析的实践能力，并不是提供物流大数据让学生自行分析，而是让学生在教学指导和自主探索中学习如何根据大数据分析问题和解决问题。首先，教师应该对问题进行分解，同时向学生明确统计学主要功能，知其所能和不能。统计学在大数据分析中的作用主要有两个：第一，显示数据所体现出的过去的趋势；第二，基于过去的趋势预测未来的趋势。其中，体现过去的趋势包含两个内容，即描述性分析和诊断分析，而预测未来趋势则主要是挖掘数据的关联，进行预测分析和规定性分析，并辅助寻找解决问题的方案。但是统计方法是有边界的，因为没有任何统计算法可以100%确定地预测未来。其次，向学生明确解决问题的基本流程，通过教学指导和学生自主探索学习，提升统计学的应用实践能力。利用统计学进行数据分析时，其主要流程包括数据预处理、数据探索、建立模型以及模型评估。教师应该指导学生如何利用统计学进行以上流程的实践，同时为学生提供其它大数据分析的案例，这些案例可以与物流管理相关，也可以是其他领域的案例，让学生能够根据案例自主学习并提高数据分析能力。最后，建立一套合理有效的大数据分析实践能力评估准则。评估结果是学生判断其自身实践能力的最直观标准。在建立评估准则时，应该兼具分析过程和分析结果，但是更加重视分析过程。因为太重视分析结果往往让学生失去了自主探索的动力，带来千篇一律的分析结果；而分析过程则体现了数据分析的逻辑框架，重视分析过程可以鼓励学生积极探索各种数据分析框架，这是大数据分析的核心和关键。

3 结束语

随着物流行业对数据分析人才的迫切需求，统计学课程在物流管理专业教学中的地位越来越重要。提高物流管理专业学生对统计学的学习兴趣、提升物流管理专业统计学教学质量是统计学教学人员关注的问题。本文结合物流管理专业的特点，并结合大数据时代物流行业对物流管理人才的需求，提出根据学生学习风格设计统计学教学模式，利用前沿的物流科研案例丰富统计学教学内容，以及通过物流大数据分析加强数据分析实践三项措施，不仅可以体现统计学中的物流管理专业特色，而且有助于提升学生的学习效果。