新动能环境下经管类专业应用数据科学教学课程探索

吕洪渠

【摘 要】新旧动能转换带来了新的经济增长方式，催生了许多新科技、新业态，未来的就业市场也将发生巨大变化。大数据、人工智能产业是目前全国多个地区重点发展新动能产业。为适应未来的社会竞争和就业市场需求，经管类专业的大学生应当适当提高数据科学知识和数据分析技能。这需要对经管类专业课程结构进行改革，适度引进数据科学类课程。

【关键词】大数据；就业环境；数据科学；课程设置

一、引言

2015年10月李克强总理首次做出了“我国经济正处在新旧动能转换的艰难进程中”的初步判断。所谓“新动能”是有别于高耗能、高污染以及缺乏活力的传统产业的新技术、新产业、新业态、新模式。目前许多省份均从自身实际出发着手制定、实施新旧动能转换的方案与规划。新动能、新经济重在创新。2016年美国陆军智库公布了《2016-2045年新兴科技趋势》报告列出了未来影响世界发展的20大核心科技趋势，其中提到最多的前三类技术分别是大数据分析技术、人工智能技术和量子科技。事实证明这三类技术也是我国特别关注、重点发展的核心技术，未来市场潜力巨大。2018年初，力争做新旧动能转换排头兵的山东省已经将人工智能、大数据等十个产业列为今后重点发展的新动能产业。

二、新旧动能转换对经管类专业学生就业的影响

1.经管类专业本科生就业现状

进入21世纪以来，社会各行业为适应经济高速发展的需要，对大量经济管理类人才需求迫切，这种形势一度促进了经管类毕业生的就业。企业中的财务管理人员、会计岗位一直都是炙手可热的职位；销售经理职位的增多也大幅提高了市场营销专业毕业生的就业率；中国加入WTO后，国际贸易、国际商务、金融等专业的毕业生就业形势也得到相当大的改觀。然而随着传统经济发展模式的退热，传统行业、传统业态已经逐渐失去竞争优势，这些行业所创造的就业机会也面临大幅缩水的局面。经管类专业学生就业现状可以总结为以下几点：

（1）就业市场需求走低，毕业生就业压力增大。据估计，2018年中国高校毕业生人数将达到820万，比2017年增加了25万。共青团中央经统计调查发布了2018年高校各专业就业竞争力三十强榜单，尽管上榜的专业都是就业竞争力相对较高的，但是可以看出其中经管类专业较少：仅有经济学、金融学两个纯经济类专业，物流工程一个纯管理类专业，以及信息管理与信息系统一个交叉类专业上榜。而且经管类专业就业竞争力排名普遍不高，金融学排名第15位，经济学排名第17位，物流工程和信息管理与信息系统专业分别排名第24和25位。相比而言，曾经就业率较低的统计学专业就业竞争力有了大幅提升已经超过了金融学专业，上升至第12位。

（2）性别比例悬殊，影响整体就业率。从全国总体看，经管类专业各年级在读学生中女生数量普遍多于男生。而大多数用人单位的经济管理类职位在招聘时选择男生的倾向远远大于女生，这就导致了经管类专业相当大比例的毕业生就业困难。

（3）专业差异较大，学生目标定位高，社会实践少，影响就业率。根据《普通高等学校本科专业目录》经管类专业分支学科众多，经济学专业就包括了经济学类、财政学类、金融学类、经济与贸易类四个类别十个专业，管理学专业包括了管理科学与工程类、工商管理类、农业经济管理类、公共管理类、图书情报与档案管理类、物流管理与工程类、工业工程类、电子商务类、旅游管理类九个类别三十二个专业。在众多专业中整体上看管理类专业偏重于实践、经济类专业偏重于理论；而经济类专业和管理类专业中又有经济学、财政学、税收学、金融学、审计学、劳动与社会保障、档案学等偏重于理论的专业，又有金融工程、保险学、投资学、工程管理、工程造价、会计学、人力资源管理等偏重于实践的专业。

2.新技术、新业态对经管类专业毕业生就业的影响

当前，许多省市为实现经济可持续增长，均出台相应政策鼓励新动能产业发展，催生了许多新行业、新业态、新技术，就业环境随之发生了巨大改变，给经管类毕业生就业带来了新的危机和机遇。主要表现在以下几个方面：

（1）新业态的出现进一步压缩传统经管类专业毕业生的就业机会。传统行业出现的新业态、新模式对许多传统的就业机会造成冲击，压缩了许多传统的就业岗位，也使一些传统的岗位工作职责发生了质的改变。如零售行业近年来利用人脸识别技术、深度学习等新技术发展出来的“无人零售”模式已经得到亚马逊、大润发等知名企业的认可，并已投入运营，由此大幅减少了市场销售员的岗位；财务机器人作为人工智能领域和财务管理领域结合的产物已经开始担任一些企业的会计职务。随着未来区块链技术日趋成熟，财务管理和会计行业的就业机会必然会大幅消减，取而代之的是既懂得财务管理又懂得操控财务机器人、熟知区块链算法的高级财务经理。

（2）新行业、新技术的出现为经管类毕业生提供新机遇。新技术的出现催生了新行业的产生和新业态的发展。在淘汰许多旧岗位的同时，又创造出大量知识密集型、技术密集型的新就业岗位。例如大数据技术的兴起，首先催生了大数据产业这一新兴行业，进而将大数据技术推向各行各业。由此产生的新就业岗位，不仅仅需要懂得数据分析技术或者计算机编程技术的专业技术人员，也需要懂得相应技术并精通管理、财务、市场调研等专业知识的高层次管理人才。从全世界范围看，许多国家都在增加数据科学领域的生产要素投入，相关企业数目与日俱增。据中国商业联合会数据分析专业委员会估计，2018年国内大数据行业岗位缺口将达到150万。

三、经管类专业学生数据科学课程内容

1.课程设置现状

目前全国高校经济管理类专业开设课程一直以教育部1998年颁布的《全国普通高等学校专业核心课程教学基本要求》为准。根据教育部规定，经济类八门核心课程，包括：政治经济学、西方经济学、国际经济学、金融学、计量经济学、财政学、会计学、统计学，管理类专业核心课程包括：管理学、微观经济学、宏观经济学、统计学、运筹学、会计学、财政学、财务管理、管理信息系统、国际贸易、国际金融、组织行为学、战略管理。经济管理类核心课程中能涉及到数据科学内容的课程有三门，即计量经济学、统计学、运筹学。很多院校经管类专业会选择开设一些包含数据分析内容的选修课，如：市场调查、经济预测与决策、金融时间序列分析等。总的来说经管类专业学生所学的课程理论和实践并存，专业教育和通识教育兼备。

随着时代的发展，各地区的产业结构、经济增长方式与二十年前相比已经有了翻天覆地的变化。在新旧动能转换的关键期，全国各地要保持经济较快平稳发展已经不能用过去的生产、管理方式去维系。目前多个省市所做的新旧动能转换总体规划，对数据科学的重视已经达到了空前的高度。2018年有21个省份明确提出将大数据产业作为未来重点发展的方向。此外，人工智能也是与数据科学密切相关的行业，到2017年底已有北京、上海、广东等7个省份凭借省内技术优势成为了人工智能发展的重要基地。可以预见在未来一段相当长的时期内，数据科学领域将会得到突飞猛进的发展。与此同时，新技术的发展也对未来大学生知识结构和实践技能提出了更高的要求。按照这个趋势发展，目前大多数院校的经管类专业课程教学可能难以满足未来数据科学发展的需要，经管类专业的毕业生仅依靠所接受的学校教育也难以在数据科学行业中取得就业机会。

2.数据科学时代对人的能力要求

目前，尽管大数据技术尚处于起步阶段，但是数据在日常生活中的应用已经达到了前所未有的高度，数据科学时代已经来临。掌握一定的数据处理技术将成为这个时代的每个社会成员必备的生存技能之一。根据对数据科学应用的程度可以将涉及数据科学领域的经济管理从业者划分为五个层次。由于数据科学已经开始影响每个人的生活，因此第一层包括了几乎全部社会成员。第二层为经济管理人才，包括所有从事经济管理工作的从业者。第三层至第五层为专业数据科学从业者，其中第三层为业务数据分析师，包括政府、金融、电信、零售等行业前端业务人员，从事市场、管理、财务、供应、咨询等职位业务人员；非统计、计算机专业背景零基础入行和转行就业人员。第四层为大数据分析师，包括政府、金融、电信、零售、互联网、电商、医学等行业专门从事数据分析与数据挖掘的人员。第五层为数据科学家，专指从事各行业、企业整体数据资产的整合、管理的专业人员，面向用户数据创造不同的产品与决策，能够利用各种工具进行数据分析，并有能力研发数据科学新方法，带领数据创新团队的工作人员。

数据科学时代对数据领域各层次人员提出了新的能力要求。处于第一层的全部社会成员应当具备数据科学的基本常识，具备自我隐私保护能力。另外数据科学时代，每个社会成员作为生成数据的基本单位，还应具备为社会发展保留、提供必要数据资料的能力、履行提供数据资料的义务。处于第二层经济管理人才应当具备识别理解大数据信息的能力、利用大数据进行经济管理决策、收集整理数据的能力。处于第三至五层数据科学从业者应当具备更专业的处理数据能力。根据数据分析师行业协会提出的数据分析行业从业人员能力要求，目前业务数据分析师应当具备数学和统计理论基础，能够熟练运用至少一種专业数据分析软件，能够根据实际任务使用常用数据处理手段进行数据的整理与分析，并得出客观、规范的分析报告。大数据分析师要求掌握多元统计、时间序列、数据挖掘等复杂数据科学知识和业务能力，掌握前沿数据处理手段与数据挖掘算法，能够熟练运用至少一种功能较强大的数据分析软件，熟练使用SQL访问各类数据资源，结合业务，能从海量数据获得有价值的信息，善于针对多问题、多角度建模分析，撰写科学、规范、逻辑严密的数据分析报告。数据科学家需要掌握大数据分析师的所有理论及技术，还应了解计算机技术，软件开发技术，大数据分析架构及企业战略分析方法，能组建数据分析团队完成多重任务下信息的汇编与管理。对行业、业务、技术有敏锐的洞察力和判断力，为企业发展提供全方面数据支持（李御玺，2017）。

3.经管类应用数据科学课程体系建设

一直以来，经管类专业课程设置中与数据科学有关的课程主要有统计学、计量经济学等主干课程，这些课程不能很好的满足未来大数据时代的需要。作为新时代经管专业的大学生通过学校教育至少应当达到图3中第二层次的能力要求。经管类专业本科教育还应当帮助学生具备成为专业数据科学工作者的能力。与过去经管类专业开设的泛统计类课程不同，现在经管类专业应当建设数据科学课程体系。数据科学课程体系与统计类课程体系不同之处在于，除了保留原有的统计类课程理论及实验内容外，增加了大数据分析工具类课程，主要包括数据挖掘和机器学习两部分内容。

新课程内容及相互关系：

机器学习（Machine Learning）方法源于早期的统计学习，统计学习是统计算法课程的分支。机器学习方法需要大量的计算过程，因而离不开计算机技术，现如今计算机及软件科学的高速发展为机器学习方法的更新提供了平台。机器学习也就越来越与计算机科学相融合，成为了统计算法与计算机科学的交叉课程。通过数据训练的学习算法相关研究都属于机器学习，包括很多已经发展多年的技术，比如线性回归、K均值、决策树、随机森林、PCA、SVM以及ANN。

数据挖掘（Data Mining）是从海量数据中提取有用信息的过程。数据挖掘的任务是从数据集中发现模式，可以发现的模式有很多种，按功能可以分为两大类：预测性（Predictive）模式和描述性（Descriptive）模式。数据挖掘与机器学习一样是一系列开放、不断更新的方法统称，目前主要的技术包括决策树、神经网络、统计学习、聚类分析、关联规则等。

深度学习（Deep Learning）技术起源于机器学习中的神经网络技术，主要基础涉及BP反向传播算法、多层感知器、支持向量机、小波神经网络等技术，是机器学习的延伸。与传统的机器学习相比，深度学习技术可以完成更加智能化的分析如图像识别、自然语言处理、语音识别、数据预测等。

人工智能（Artificial Inteleigence）可以简单的定义为：运用多种技术将智力任务自动化的过程，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。之所以将人工智能技术也作为经管类本科生所学习的数据科学体系的一部分，是因为一方面人工智能技术以机器学习作为重要基础，是机器学习技术的主要应用方向之一，另一方面人工智能技术与经济生活密切相关，不仅是未来发展的重要产业，人工智能的很多应用领域如财务机器人也直接与经管类课程相关。

除了以上数据科学类的专业课程外，还有一些与经管类专业课程结合的交叉课程，如大数据金融、管理数据决策、大数据市场调查等。这类课程属于数据科学在经管类专业中的应用课程。

4.新动能环境下经管类专业数据科学课程设置

新舊动能转换催生新经济、新业态发展，对经管类学生的就业结构产生深远影响。为适应新的就业要求，经管类专业的数据科学类课程应做相应调整、补充，调整后的新课程及课程性质可参考表1进行设置。

表1列述了经管类专业为适应未来社会经济发展需要可考虑开设的数据科学类课程。课程分为基础课、专业必修课、专业选修课、实验必修课、实验选修课五个类别。其中，《概率论与数理统计》作为各种数据科学类课程的基础应当早于其他课程开设，通常可在大学第二学期或第三学期完成；《应用统计学》和《数据挖掘》为为专业必修课应当在《概率论与数理统计》完成后的一个学期同时开设，两门课程互为补充；《计量经济学》作为专业必修课可在《应用统计学》完成后的一个学期开设，最迟不应晚于大学第五学期完成；《机器学习》、《深度学习》可作为《数据挖掘》的补充在数据挖掘课程完成之后开设，由学生自选；《计量经济学专用软件学习与应用》作为实验必修课，应当与《计量经济学》同时开设；《经济管理大数据软件学习与应用》与《经济管理人工智能》作为实验选修课可在《计量经济学专用软件学习与应用》和《数据挖掘》课程完成后开设，由学生自选。

四、结语

随着新旧动能转换战略的实施，许多新产业、新业态将会如雨后春笋般出现，同时也会淘汰许多陈旧的行业。未来经管类专业的毕业生要寻求新发展，适应新的就业市场需求。数据科学作为未来核心技术，应当被广大经管类大学生接受、掌握并应用于社会实践中。建议经管类专业应当及时调整相对陈旧的课程设置方案，增加更多的数据科学类课程以及数据科学与经管类专业课的交叉课程，帮助学生掌握更多新理论和新技术，为未来社会经济发展培养专业技能更强的人才。

【参考文献】

[1]Cox， D. R. Big data and precision. Biometrika 2016， （102）： 712–716.

[2]Cox， D. R. and Battey， H. Large numbers of explanatory variables， a semi-descriptive analysis. Proc. Nat. Acad. Sci. 2017， （114）： 8592–8595.

[3]Goldthorpe， J. H. Sociology as a population science. Cambridge University Press. （2016）

[4] 韩翠峰.大数据带给图书馆的影响与挑战[J].图书与情报，2012，（5）：37-40.

[5]刘中宇，刘素娥. 基于云计算的多媒体教学环境设计[J]. 现代教育技术，2013，（02）：43-46.

[6] 何双泉.云计算辅助教学下协作学习的活动设计策略初探[J].中国教育技术装备，2010，（36）：142-144.

[7] 梁文鑫.大数据时代—课堂教学将迎来真正的变革田[J].北京教育学院学报 （ 自然科学版 ），2013， （1）： 14 -16.