大数据背景下高校学生对精准资助工作满意度的研究——基于重庆市高校学生的调查

陈宗霞

（重庆电子工程职业学院1.财经管理学院；2.创新创业联合研究中心，重庆 401331）

1 研究背景与问题提出

习近平总书记于2013年第一次提出“精准扶贫”。2016年的两会上、党的第十九次全国代表大会上，习近平总书记都反复强调要“打赢脱贫攻坚战”。高校学生工作的主要服务对象是学生，高校领域的“精准扶贫”就是要实现对贫困生的“精准资助”，即对高校贫困学生提供精准而有效的资助，实现真正意义上的“教育扶贫”。

1.1 高校精准资助工作的相关政策

对于高校贫困学生的资助工作，长期以来就受到了党和国家领导人的重视。

2007年，教育部和财政部联合下发的《关于认真做好高等学校家庭经济困难学生界定工作的指导意见》(教财[2007]8号)(以下简称《意见》)对高等学校家庭经济困难学生的认定工作提出指导意见，并提出了高校经济困难学生的具体认定办法和认定工作程序[1]。其中，根据《意见》制定了《高等学校学生及家庭情况调查表》及《高等学校家庭经济困难学生认定申请表》，这两个表格在高校进行贫困认定的资助工作中沿用至今。

2010年，教育部发布的《国家中长期教育改革和发展规划纲要(2010～2020年)》提出了要保障经费投入、健全完善国家资助和对高校家庭经济困难学生资助的政策体系，建立国家奖助学金制度[2]。2015年，《国家中长期教育改革和发展规划纲要(2010～2020年)》的中期评估报告中提出，要继续推进学生资助信息化建设，资助信息数据要实现与人口、低保、扶贫等部门的信息对接或共享，为高校确认学生的身份、进行家庭经济困难学生认定工作提供相关支持，提高高校资助工作的效率和“精准度”[3]。

2016年3月，国务院《中华人民共和国国民经济和社会发展第十三个五年规划纲要》中明确提出要促进教育公平，加强对特定人群特殊困难的帮扶，实施精准扶贫、精准脱贫，完善资助方式，实现家庭经济困难学生资助全覆盖[4]。2016年，教育部办公厅《关于进一步加强和规范高校家庭经济困难学生认定工作的通知》提出，要继续完善认定办法和方式，提高政策宣传和教育引导，明确高校受资助学生，把建卡贫困户、低保、孤残、农村特困救助供养、烈士子女以及家庭遭遇自然灾害或突发事件等特殊情况的学生作为高校精准资助的重点对象，高校相关资助部门可通过大数据获得和访谈等方式来了解学生家庭经济情况，明确困难但未受助、不困难却受助的学生，纠正贫困认定结果的偏差，在对家庭经济困难学生名单进行公示时，保护学生个人及家庭的隐私;评定学生家庭经济困难情况时，要讲究方式方法，不让学生当众诉苦;宣传学生励志典型涉及到贫困信息时，必须取得学生本人同意，等等[5]。

1.2 大数据背景下高校精准资助工作的文献综述

在党和国家领导人的高度重视下，对于高校精准资助工作，不仅有以上的政策参考依据，国内外学者也从各个方面进行了研究。根据以往研究，学者对大数据背景下的高校精准资助工作的研究主要集中在以下三个方面。

第一是集中于高校经济困难学生认定的指标体系研究。经查阅众多学者文献并结合调查访谈。国内外学者在对高校经济困难学生进行贫困认定时，主要参考学生家庭经济状况指标(包括家庭及户口所在地、家庭人口总数及劳动人口数、父母学历、家庭成员是否患有重大疾病、家庭是否遭遇突发事件等等)[6-11]，学生校内消费情况指标(包括学生的缴费情况、贷款情况、奖学金、贫困生信息、通讯费用、一卡通消费情况等)[6，7，9]，学生的校内表现情况指标(包括学生的宿舍信息，图书馆信息及上网信息等)[6，9]，辅导员对学生的评价指标(包括学生的在校学习成绩和综合表现等等)[9，10]，学校指标(学生所在学校的办学类型、办学层次、学校所在地消费情况及学生所学专业性质等等)[9]。

第二是集中于高校经济困难学生认定方法的研究。早期的学者主要提出民主投票、辅导员(班主任)判定、班级民主选举、贫困生证明法、最低生活保障线法等定性认定方法来对高校经济困难学生进行认定[11，12]。近几年，有学者通过计算相关指标进行定量认定方法以及定性与定量相结合的方法对高校精准资助工作进行研究，这在一定程度上避免了个人的主观好恶。毕鹤霞提出通过利用大数据，建立高校贫困生确认模型，运用模糊综合评判法与模糊层次分析法的集成，依据层次分析法和加权平均法分别对导致贫困的因素和指标进行加权测算，通过模型测算对学生贫困程度进行排序[8]。吴朝文等基于高校“智慧校园”的发展，在现有贫困生认定情况的基础上，结合大数据技术，通过分析学生的消费行为，从而评价其生活状况，用以进行贫困认定[6]。可见国内的文献对于高校经济困难学生的认定有着逐渐从定性到定性与定量相结合的方向在发展。

第三是利用大数据进行高校家庭经济困难学生的认定。随着互联网的飞速发展，高校的“智慧校园”建设也逐渐完善，学生的个人信息、生活习惯、校园消费明细、欠费贷款情况和在校各项表现等可通过“智慧校园”查询[6]，尤其是学生的“校园一卡通”消费情况，可以作为对学生进行贫困认定的重要参考[7]。此外，吴丽仙提出教育、公安、银行、住建、民政和税务等部门的大数据信息服务技术平台也能获取高校学生的相关数据[9]。

文献表明，大多是以高校学生贫困认定的指标体系、方法、流程、程序等的文献，至于这些资助措施是否得到高校贫困学生的认同，在资助实施过程中是否有效，研究的人寥寥无几。在中国知网(CNKI)以“高校资助”和“满意度”为关键词进行搜索，仅有18条结果，这些文献大多是进行的定性研究，或是简单的数据统计。截至目前，在大数据背景下对高校精准资助工作进行满意度及影响因素的实证研究，还处于空白阶段。

本文基于此，通过对现有研究进行补充和完善，设计“高校学生对精准资助工作满意度的调查问卷”，通过向重庆市部分高校学生发放调查问卷，并结合实证分析方法，建立计量经济学模型，了解重庆市高校学生对目前的资助政策和体系的满意度，以及影响学生对目前资助体系评价的因素，可以为高校经济困难学生认定提供相关研究资料，并为高校辅导员在评定国家奖助学金及学校资助等提供决策参考。

2 研究设计

2.1 问卷设计

本文课题组通过综合分析、总结国内外相关研究文献，并通过与学生访谈，根据心理学和管理学等量表设计方法设计了“高校学生对精准资助工作满意度的调查问卷”的预调查问卷。通过对重庆电子工程职业学院的学生随机进行预调查，预调查共发放问卷200份，回收有效问卷187份，有效回收率为93.5%，通过预调查问卷回收结果，结合与学校分管资助的教师、参加调查的学生的访谈结果，对预调查问卷不断处理完善，形成正式调查问卷。课题组于2018年10月对重庆大学、重庆师范大学、四川美术学院、重庆科技学院、重庆电子工程职业学院、重庆房地产职业学院、重庆医药高等专科学校、重庆商务职业学院等八所本专科院校的学生随机进行问卷调查。正式调查通过不记名随机发放问卷的方式，共发放网络电子问卷与传统纸质调查问卷600份，回收552份，有效调查问卷497份，有效回收率为82.8%。

本研究调查问卷包括两个部分：第一为样本的人口统计特征，包括性别、民族、年级、所学专业类别、是否为独生子女及户口类型;第二部分为影响高校学生对目前高校精准资助工作满意度的假设因素。

基于目前众多学者的已有文献研究成果和高校学生对精准资助工作满意度的预分析，影响高校学生精准资助满意度的因素中，客观存在的学生家庭经济状况及学生的个人消费特征为必须控制的变量;学生在校表现、学校对资助过程的评议民主情况、政策宣传及效果为解释变量。问卷设置采用李克特七点量表，针对目前高校进行精准资助的评定标准、评定方式等现实情况从1～7共七个等级分别为：非常不符合、不太符合、有点不符合、不确定、有点符合、很符合和非常符合，并假设这些变量均能显著正向影响高校学生的满意度。

本文根据研究假设及调查问卷设计得到的影响高校学生精准资助工作满意度评价的相关变量及其解释如表1所示。

2.2 模型设定

表1 被解释变量、控制变量及解释变量说明

续表1

根据文章研究假设，笔者设定以下线性回归模型作为本研究实证的计量模型：

Y=α'Z+β'X+ε

其中Y为被解释变量，即高校学生对精准资助工作的评价水平;Z是控制变量，包含高校学生的家庭经济情况及个人消费等变量;X是解释变量，包括高校学生的在校表现、学校对资助过程的评议民主情况、政策宣传及效果等因素，这被认为是决定高校学生对资助工作评价的主要影响因素，α和β分别是控制变量和解释变量的系数向量，代表着控制变量和解释变量对被解释变量Y的边际影响，ε是未纳入模型控制的其他影响因素，假设其服从零均值独立同方差的正态分布 ε-N(0，σ)。

3 实证分析

3.1 样本描述性统计

问卷回收497个有效样本，在高校学生对精准资助满意度的调查中，选“非常不满意”的有0人，选“不太满意”的有0人，选“有点不满意”的有11人，占比2.2%，选“一般”的有109人，占比21.9%，选“有点满意”的有152人，占比30.6%，选“很满意”的有173人，占比34.8%，选“非常满意”的有52人，占比10.5%。按照李克特量表赋值，被解释变量的平均值为5.29分，标准差为0.995，高校学生对精准资助评价的分值介于有点满意和很满意之间，高于中性值(4)1.29分，总体上表明高校学生对我国现在对于高校的精准资助工作比较满意。

在所有样本的人口统计特征中，男生212人，占比42.7%;女生285人，占比57.3%;汉族466人，占比93.8%，少数民族31人，占比6.2%;大一学生60人，占比12.1%，大二学生181人，占比36.4%;大三学生178人，占比35.8%;大四学生78人，占比15.7%;自然科学(理工类)203人，占比40.8%;社会科学(文史类)294人，占比59.2%;独生子女138人，占比27.8%;非独生子女359人，占比72.2%;农村户口339人，占比68.2%;城镇户口158人，占比31.8%。

3.2 效度检验

效度主要是指态度量表能反映测量理论的概念或特质的程度。Kaiser(1974)提出KMO值至少要在0.6以上，文章通过SPSS 17.0进行效度检验，检验结果如表2所示。本文的KMO值为0.810，呈现出性质“良好的”标准，Bartlett’s球形检验的χ2值为3298.311，(自由度为153)达到0.05的显著水平。此外，通过主成分分析方法提取变量，并根据因素分析检验标准，剔除不符合检验标准的项目后，高校学生精准资助满意度及影响因素量表的累计解释方差为65.175%，通过效度检验。

表2 KMO和Bartlett的检验

3.3 信度检验

通过SPSS 17.0对文章数据的总量表包括学生家庭经济状况、学生的个人消费特征、学生的在校表现、学校对资助过程的评议民主情况、政策宣传及效果等五个维度(共17个变量)及高校学生对精准资助的满意度进行信度检验，本文调查问卷数据的Cronbach＇s Alpha系数为0.800，量表信度较高。

3.4 回归分析结果

根据本文实证计量模型，在SPSS17.0软件中对问卷数据进行回归分析，回归分析如表3所示。

表3 回归分析结果

3.5 研究结论

根据本文的回归分析结果，本文得出以下研究结论。

(1)学生的个人消费特征变量中的贷款情况、每月生活开销及所拥有的电子产品价格，均与研究假设相符，能对高校学生的资助满意度产生显著正向影响，影响系数分别为0.065、0.261和0.073。高校在对学生进行资助时若能向申请助学贷款的同学倾斜，则会显著提高高校学生对精准资助工作的满意度。高校若将资助金更多地分配给每月生活开销较低 (如月生活费低于六百)以及拥有低价格电子产品或者没有电子产品的学生，也能够提高学生对资助工作的满意度。

(2)学生家庭经济状况变量中，与研究假设一致，若学校在对学生进行资助时，资助对象能从家庭人均纯年收入较低、建档立卡贫困户、低保、伤残、单亲、孤儿、烈士子女、国家贫困地区、多子女、多老人、多病人家庭、意外遭遇重大自然灾害、意外遭受重大意外事故或欠债(排除房贷及车贷等消费型欠债)较多等家庭中产生，则会显著提高学生对于高校精准资助工作的满意度。

(3)学生在校表现的变量中，均与研究假设不符。虽然目前很多高校在对学生进行资助认定时，会或多或少考虑学生的在校表现，但本文的实证研究结果却显示：若高校在对学生进行资助时更多地考虑在院校、班级或社团担任干部的学生，这会降低学生对高校精准资助的满意度，资助向学生干部多倾斜一分，则学生的满意度将降低0.072分。值得注意的是，高校在对学生进行资助时是否考虑学生的综合测评排名、学生是否挂科、学生的在校奖惩情况、学生在本年度是否获得过其他资助以及学生是否经常参与院校和社团活动等，这些与学生对高校资助工作的满意度无关，不会提高学生的满意度。这也充分说明高校学生期待高校精准资助工作逐渐向“真扶贫”的方向良性发展。

(4)学校对资助过程的评议民主情况变量中，与研究假设一致。若学校在对学生进行贫困认定之前，能够在班级进行公开、公平、公正的选举资助民主测评小组的成员;民主测评小组成员知晓学校相关资助政策并能够综合考虑到班级每位学生的经济状况;在对经济困难学生进行贫困认定之后能够及时对贫困生名单进行公示并及时进行追踪复查，这些均能显著正向提高学生对学校资助工作的满意度，正向影响系数分别为0.061、0.097和 0.087.

(5)学校政策宣传及资助效果变量中，与研究假设相符，均能显著正向影响高校学生对学校资助工作的满意度，影响系数分别为0.090和0.092。高校要使对学生的精准资助落实到实处，不能忽视在学校做好相关政策的宣传工作，使“教育扶贫”落到实处。

4 政策建议

4.1 利用学生信息数据,建立学校家庭经济困难学生的个人消费特征数据库

学生的个人消费特征数据，要以大数据收集为主导，通过学工部、财务处、教务处、后勤处、图书馆、二级学院等多部门形成合力，将涉及学生校内消费情况的学生管理信息系统、学校财务管理信息系统、学校教务管理信息系统、学生图文信息系统、学生后勤保障信息系统、智慧校园等学生信息进行汇总建立信息中心，便可获得学生的学习成绩、一卡通消费信息、食堂就餐信息、上网账号信息、图书借阅信息，等等。

4.2 整合利用多部门信息,建立高校学生家庭经济状况大数据信息资源库

充分利用大数据背景下获取数据的便捷性，学生的校外消费情况可通过相关网站及学生银行卡、支付宝、微信等消费记录获得，学生的贷款情况可通过生源地信息系统获得，学生的家庭类型可通过民政部门、扶贫办等部门的大数据获得，学生家庭成员的健康状况可通过医保信息获得。通过建立学校、政府等部门的联动机制，将这些信息进行整合，就可获得学生经济状况的相关大数据，并建立大数据信息资源库，实现精准资助。

4.3 利用现代化信息系统,合理参考学生的在校表现相关数据

值得一提的是，对于学生的精准扶贫资助，更多要考虑学生的经济状况，而不是在校表现。对于需要结合学生在校表现的资助比如励志奖学金等，可参考学生在校表现相关大数据进行精准资助，这些数据可通过高校学生的智慧校园、学生管理信息系统等获得。

4.4 借力大数据,建立高校精准资助全过程的保障机制

在机构方面，要成立专门的高校精准资助机构，该机构工作人员要能充分利用相关大数据实现学生的精准资助;在经费方面，不仅要保证国家奖助学金能够帮扶到贫困学生，还要进一步增加对贫困学生的软硬件、人力、物力和资金投入，更要拓宽学生资助渠道，向社会、机构及学校校友会等发出倡议，多方面开通学生精准资助的绿色通道。在人员方面，在对高校经济困难学生进行认定时，不仅需要相关工作人员向学生进行资助方式、资助政策、资助依据等的宣传，还要对每个班级的民主测评小组成员进行培训，确保高校精准资助工作民主、公平、公开、公正地进行。

4.5 通过不断的政策宣传与信息反馈,实现精准资助

大数据背景下的高校精准资助工作，不是一个静态的过程，而是一个需要不断完善的体系，因此对于高校学生的政策宣传工作是一个长期的工程。每次资助工作完成之后，要及时对学生的信息进行反馈，核实是否有贫困学生没有受到资助，受资助的学生是否是贫困大学生，以及资助经费是否被挪为它用等，确保将“奖、助、贷、勤、补、免”六位一体的高校学生资助工作真正落实到实处，实现精准资助。