经济统计学专业大数据分析课程教学实践探究——基于案例分享式教学

孙红英，刘娟，刘佳

（广东财经大学 经济学院，广东广州 510320）

经济统计学专业是统计学在经济领域中的应用学科，也是财经类院校的热门专业。经济统计学专业侧重于统计分析方法在社会经济领域的应用，注重统计分析手段与信息技术的结合，在教学上“知理论、重实践”。其中大数据分析课程具有统计学、数学、计算机等多学科高度交叉的特点，其基本特点在于方法性和实际应用性强，是经济统计学专业重要实践课程之一，也是财经类院校其他专业的选修课程。

快速发展的大数据分析技术对大数据分析课程教学的前沿性提出更高的要求。数据分析的根本任务是从定量角度探索大量数据体现出的规律性。而财经类本科院校的绝大多数学生存在数学基础知识薄弱的问题，特别是经济统计学专业的学生在算法理论和公式推导方面常常感到困难，因此，需对理论部分推导过程进行深入浅出的讲解，增加案例分析，以满足经济统计学专业学生的学习需求。另外，大数据分析课程是全国大学生统计建模大赛、大学生数学竞赛等统计赛事的基础课。大赛中涉及的数据分析方法都可以在大数据分析课程中学习，因此，课程教学前移是非常必要的。考虑到实验教学能够激发学生的积极性、创造性，因此，本文探索以“优化内容+案例分析+软件实现”案例分享式教学为主、理论教学为辅的教学模式，以提高大数据分析课程的教学质量。鉴于此，本文结合财经类院校经济统计学科的特点和优势，提出“优化内容+案例分析+软件实现”的理论教学和实验教学相结合的教学方法，以案例+实验教学促进学生对数据分析算法理论的学习，以期为该课程的教学改革和标准化推广提供新的思路。

经济统计学专业大数据分析相关课程的教学研究主要集中于实验室建设、实践平台建设和课程教学资源建设三个方面[1-4]，有学者研究了大数据分析实践课程的教学模式，认为实践课应将前导、理论和实践紧密衔接起来[5-9]。另外，小组协作学习和项目主导学习的教学模式也被应用于大数据分析实践课程的教学中，甚至用于挑战性综合实验的设计研究[10-13]。

以上研究均值得借鉴，但财经类本科院校经济统计学专业需要结合学校培养目标以及学生实际情况，探索合适的大数据分析课程教学方法。经济统计学专业方向的人才培养目标是在广东财经大学经济统计学专业广东省一流专业建设点的基础上，培养具有良好政治素质与道德修养，掌握扎实的统计学理论知识，具备大数据应用分析技能，可满足国家大数据战略发展需要以及地方和社会经济发展建设需要的高素质人才。经济统计学专业方向学生通过此课程可掌握统计学分析及应用技能、大数据分析技术，在实际应用中，能利用统计推断的基本理论，对数据分析结果进行合理的诠释，撰写出规范科学的数据分析报告或者行业调查报告等。据此，本文结合广东财经大学经济统计学专业大数据分析课程的教学实践，提出以“优化内容+案例分析+软件实现”案例分享式教学为主、理论教学为辅的创新教学方法，将历年与知识点相关的统计赛事数据融入课程教学，对实验教学模式提出了见解和建议，以提升学生的学习自驱力和教学质量。

1 大数据分析课程开设的必要性

1.1 大数据分析课程简介

大数据分析课程在本科第6 学期开设，课程总学时为32 学时，全部为实验课。教学目的主要是为了让学生能系统运用统计学的基本理论，掌握大数据的处理与挖掘方法，为从事大数据分析、数据挖掘方面的工作，进行数据分析及挖掘等相关方面内容的科学研究打下基础。其中，多门统计学先修基础课课程与该课程联系较为密切，主要有高等数学、统计学、多元统计分析等。多元统计分析中的主成分分析、因子分析、聚类分析，统计学中的经典线性回归、广义线性模型等，都为大数据分析课程中的算法提供了丰富的理论基础。

1.2 教学过程以及考核

大数据分析课程的教学过程包括课前、课堂、课后三个主要环节。由于课堂教学全部是实验课时，所以，课前预习任务对于保证课堂教学效果较为重要，学生需要根据教师在雨课堂、腾讯课堂等教学平台推送的教材案例和练习案例进行课前预习，提前熟悉案例涉及的数据分析相关知识；课堂任务是通过案例分享和分析来学习数据分析算法知识，以小组为单位讨论建模思路，编写解决案例问题的程序；课后以小组为单位，利用课堂中的算法对练习数据集进行分析和挖掘，并在下次上课时与教师探讨遇到的问题。

由于该课程教学全部为实验课时，因此在考核中加大了学生平时学习和实验学习成绩的占比。课程的总评成绩由平时考核成绩、实验考核成绩、期末考核成绩三个部分组成，分别占总成绩的30%、30%及40%。平时和实验考核成绩按小组给分。期末考核需要每名学生根据所学习的数据分析算法知识对给定（或自选，数据量不低于2 000 条）的数据集进行分析与挖掘，并按照教师的要求撰写数据分析报告。

1.3 大数据分析课程的作用

学生通过大数据分析课程的学习，不仅能加深对大数据分析算法理论知识的理解，还能深化理论与应用相结合的实践意识，提高综合运用理论知识解决实际数据分析问题的能力。例如，通过该课程案例的学习，学生不仅对教材中的案例有了系统认识，并利用SPSS Modeler 或其他统计软件对案例数据进行处理与建模分析，进而获得有价值的结论，撰写规范科学的分析报告。而课堂练习数据一般选自当年比较热门的统计赛事，一方面，学生可以通过分析赛事数据选择适当的模型与方法，以培养实际应用能力；另一方面，课堂练习数据也为学生参与统计赛事提供思路和信心，培养学生科学创新的能力，并通过最终的期末考核报告让学生感受到一定的挑战性，以此更好地培养学生独立解决复杂问题、完成复杂任务的素质能力。

2 大数据分析课程的教学内容和教学效果

2.1 大数据分析课程教学内容

为提高学生的学习兴趣和学习内驱力，教师在使用教材案例的同时也会从历届全国大学生统计建模竞赛、大学生数学建模竞赛等官网中选择案例，将课堂实验课与赛事实际应用联系起来。结合大数据分析课程使用的教材《基于SPSS Modeler 的数据挖掘》[14]，本课程将典型知识进行模块化，教学内容主要分为4 个模块。

2.1.1 数据读入、集成和精简

该教学模块计划使用12 学时进行教学，分为课堂学习和课堂练习，并鼓励学生按小组进行课下实践。

（1）课堂教学。结合教材以及SPSS Modeler 自带案例，使用电信数据进行分析。该案例从读取客户数据、特征选择、数据过滤到数据审核，基本上涵盖了大数据分析的全部步骤。

（2）课堂练习。使用2020 年美国大学生数学建模竞赛A 题数据进行练习。教师在课堂给出1970—2020 年海洋温度数据，学生分成小组，结合教材内容，分别针对识别、预测鱼群位置两个问题在课上及课下进行练习。

2.1.2 决策树

该教学模块计划使用8 学时进行教学，分为课堂学习和课堂练习，并鼓励学生按小组进行课堂分享，以C5.0 算法为例进行说明。

（1）课堂教学。首先对C5.0 算法进行深入讲解，为帮助学生理解，使用思维导图和算法生成的树状结果图进行对比。其次运用SPSS Modeler 中C5.0 节点对电信客户的属性特征进行分析，从数据中分析客户管理策略，如提高服务质量、增加与客户的沟通。

（2）课堂练习。结合C5.0 算法，在前面实验练习已经识别、预测鱼群位置的基础上，对小型渔业公司是否应该改变他们的经营策略进行决策。学生分小组在课上及课下进行练习。

2.1.3 数学建模

该教学模块计划用6 学时完成，分为课堂学习和课堂练习，并鼓励学生按小组进行课堂分享，以人工神经网络模型为例进行说明。

（1）课堂教学。首先对人工神经网络的前沿研究进行概述。其次在前面数据选择、清洗和预处理的基础上进行数据抽样。将样本分为建模样本和测试样本，70%用来建模，30%用来对模型进行修正和检验。人工神经网络模型不同于C5.0，该模型需要对数据进行转换。

（2）课堂练习。结合人工神经网络算法，在前面实验已经识别、预测鱼群位置后对小型渔业公司是否应该改变他们的经营进行决策。学生分小组在课上及课下进行练习。

2.1.4 聚类分析

该教学模块计划用6 学时完成，分为课堂学习和课堂练习，并鼓励学生按小组进行课堂分享，以K-Means 聚类为例进行说明。

（1）课堂教学。首先对聚类分析的原理进行讲解，数据分析中常用的有K-Means 聚类、系统聚类、Meanshift 聚类等，其中，K-Means 聚类最为经典。其次结合教材案例，对电信客户数据进行讲解。先使用算法确定k 的取值，在本案例中使用轮廓系数法确认k=5，将数据按距离划分到最近的5 个类中，计算每个类的平均值，更新类的中心点，执行迭代直到收敛。

（2）课堂练习。将决策问题构建为单目标优化模型。使用K-Means 聚类来确定捕捞点的位置。例如，将鱼群分布设为一个矩阵，并考虑使用一定规则将矩阵变为二分类矩阵，得到01 矩阵。对01 矩阵进行K-Means 聚类分析，获取聚类中心点，即为捕捞点。学生分小组在课上及课下进行练习。

2.2 大数据分析课程教学效果

以“优化内容+案例分析+软件实现”案例分享式教学为主、理论教学为辅的教学方法，在经济统计学专业2019 级学生的大数据分析课程学习中已进行了一轮教学实践，取得了一定的教学效果。学生对此教学方法的满意度达到90%以上，不仅大数据处理与分析能力等有较大提升，而且2019 级学生参加全国大学生统计调查大赛、全国大学生统计建模大赛，均取得了较好成绩，获得多个奖项。

目前，在大数据分析课程教学中仍存在一些问题，由于实验考核以小组为单位，导致部分学生即使课程成绩较好，也未真正提升数据处理分析能力；还有些学生对于SPSS Modeler 掌握得较好，但是对于其他统计软件掌握得较差，对编程有畏难情绪。在今后的教学中，将继续探索和改进教学方法，考虑使用趣味性较强的案例进行教学，以营造轻松愉快的学习氛围，采取适当的激励方法，引导学生进行探索性学习，提升学生自主学习意愿，培养其成为具有大数据分析思维和创新思维的统计学专业人才。