我國高校數據治理成熟度的實證研究

陳桂香，吳晨璐，薛志謙

（1. 鹽城工學院人文社會科學學院，江蘇 鹽城 224051；2. 蘇州大學文學院，江蘇 蘇州 215031；3. 南京航空航天大學經濟與管理學院，江蘇 南京 210016）

“教育數字化轉型”與廣義的“數據治理”概念等同，數據治理（Data Governance，DG）作為一個新興熱點領域，已在高校科學決策、高效管理、創新服務和迅速應變等方面都顯示出了全方位的功效。[1-2]目前，學術界對于高校數據治理的研究主要聚焦在高校數據治理模型、高校數據治理路徑（或方式），這兩方面議題的核心則在于探索提高高校數據治理的綜合效率。在高校數據治理模型研究方面，學術界主要有兩種視角：一是強化技術實現的視角[3-5]；二是兼具管理與技術融合的視角[6-9]。后者更加注重管理因素的強化，認為高校數據治理實施模型應包括體制機制、統一數據平臺、數據標準、隊伍建設等要素。在高校數據治理的方式（路徑）方面，袁利平[10]、周江林[11]、包冬梅[12]等學者從制度體系、質量標準、數據應用、數據安全等方面提出高校數據治理對策，學者趙磊磊[13]則從人工智能賦能高校數字化轉型方面進行研究。高校數據治理評估方面的研究相對較少，胡水星[14]等以相關政策文件意涵與專家建議為立足點，構建了5個維度、17個關鍵要素的評估體系；秦中云[15]構建了大數據環境下高校圖書館數據治理成熟度模型。

當前，高校數據治理現狀的研究顯得相對薄弱，尤其實證量化研究更顯不足。本文借鑒DAMA-DMBOK2（Data Management Association，又名DAMA International，簡稱DAMA；The DAMA Guide to the Data Management Body of Knowledge(2nd edition)，簡稱DAMA_DMBOK2）[16]、DCMM（Data Management Capability Maturity Assessment Model，數據管理能力成熟度評估模型，GB/T 36073-2018，簡稱DCMM）[17]、美國斯坦福大學數據治理成熟度模型[18]等國內外經典數據治理成熟度評估模型，結合高校實際，設計高校數據治理成熟度評價問卷，綜合運用問卷調查、小組訪談等方式收集數據并進行分析，旨在探究我國高校數據治理整體水平及存在的問題，并提出對策建議，以期為高校數字化轉型提供參考。

一、研究方法

通過問卷調查和分組訪談建立數據樣本，運用統計分析軟件SPSS和質性分析軟件MAXQDA進行分析，實證研究我國高校數據治理成熟度現狀。

（一）數據來源

以全國東、中、西部地區代表本科高校校領導、智慧校園建設技術支持人員及管理人員、職能部門管理人員、普通教師為調查對象，充分保證調查對象對高校數據治理工作具有較深的了解。2022年8月15日至31日，通過問卷星網絡平臺發放問卷，共收回問卷307份，刪除信息缺失問卷，有效問卷302份，占比98.37%，調查樣本數據特征如表1所示。

表1 樣本單一變量統計特征

（二）研究工具

根據研究目標，參考借鑒DCMM模型、DAMA_DMBOK2模型及斯坦福大學數據治理成熟度模型等經典數據治理成熟度模型，設計了《高校數據治理成熟度評價調查問卷》，共有50個題目，圍繞組織建設、數據治理、數據架構、數據管理、數據應用等5個維度（一級測量指標）展開。“數據治理”有狹義和廣義之分，廣義的數據治理，包括數據建設、數據挖掘與數據治理三方面。但作為一級測量指標的“數據治理”是狹義的，是相對于數據建設、數據挖掘利用而言的。5個維度各有5個測量指標（二級測量指標），每個測量指標下又有2個觀測點（三級測量指標）。其中，組織建設分為數據素養、治理組織、數據戰略、戰略支持度及經費保障等5個測量指標；數據治理分為數據治理制度、數據治理溝通、數據標準、數據安全與隱私及治理技術等5個測量指標；數據架構分為數據模型、數據分布、數據集成與共享、元數據管理及主數據管理等5個測量指標；數據管理分為數據需求、數據設計與開發、數據質量、數據運維及數據退役等5個測量指標；數據應用分為數據應用人才隊伍、數據分析能力、交付方法、數據服務能力及數據開放共享等5 個測量指標。以上測量指標均采用李克特5級量表進行正向計分測量，用1-5 分分別表示“很不贊同”“不贊同”“普通”“贊同”“非常贊同”。運用SPSS 24.0進行統計分析。

課題組于2022年9月至2023年2月，對部分高校智慧校園分管校領導（12人）、信息化部門負責人（16人）、師生代表（14人）進行小組訪談。訪談對象涵蓋東中西部9 個省的25 所普通本科高校。訪談采用焦點小組訪談和電話詢問相結合的方式進行。訪談結束后，將訪談錄音整理成文字資料，運用MAXQDA 質性分析軟件進行文本分析。

（三）信效度分析

通過SPSS分析，整個問卷量化問題Cronbach’s Alpha系數為0.988，5個維度的Cronbach’s Alpha 系數分別為0.939、0.951、0.958、0.956、0.940，均大于0.9，表明問卷內部穩定性和一致性較高，即信度較好。通過探索性因素對問卷的結構有效性進行檢驗，經KMO 和Barlett 球形度檢驗，問卷KMO 值為0.98，顯著性P＜0.001，表明問卷結構較好，即問卷有效，可以進一步開展統計分析。

二、調查結果與分析

對我國高校數據治理成熟度進行整體性分析和差異性分析之后，再從組織建設、數據治理、數據架構、數據管理及數據應用5個維度具體分析我國高校數據治理成熟度。

（一）高校數據治理成熟度整體水平分析

DCMM將數據管理能力成熟度分為初始級、受管理級、穩健級、量化管理級及優化級五級。借鑒DCMM 數據管理成熟度等級劃分，根據調查得分均值確定高校數據治理成熟度等級，如表2所示。

表2 高校數據治理成熟度評價得分與等級對照

問卷調查發現，我國高校數據治理5個維度的均值及整體均值均超過3.7，如圖1所示。結合專家訪談結果，研究認為：大多高校數據治理各維度成熟度及整體成熟度都處于穩健級（3級）左右；高等教育數據治理成熟度在整個教育系統中處于中等偏上水平，對基礎教育、職業教育等發揮著重要高位引領作用，這與《中國智慧教育藍皮書（2022）》報告結果相一致（基礎教育、職業教育、高等教育2022年中國智慧教育發展指數分別為0.74、0.74、0.79）。這一結果表明，在國家大數據戰略、教育數字化戰略行動等引導下，高校通過數字化賦能教育教學改革的動力強勁，不論是在體制機制，還是在數據架構、數據治理、數據管理、數據應用等方面都取得了重要突破。其中數據治理平均值最高（=3.823），說明高校數據治理能力在規則和技術雙輪驅動下，實現了“規范化發展”。但是，數據應用平均值較低（=3.741），數字化與高校教育教學及科研的融合度不高。這一結果也印證了教育部科技發展中心的調研報告“接入統一身份認證的業務系統數量只占學校業務系統總數的1/3左右”[19]。

圖1 高校數據治理成熟度整體水平

（二）高校數據治理成熟度整體差異性分析

進一步單因素方差分析發現（如表3所示），不同類型的高校也存在差異性。總體上看，“雙一流”高校數據治理各方面的成效略優于非“雙一流”高校，這與教育部調查相一致。但是不同類型高校數據治理不同維度優劣勢不同：“雙一流”高校在組織建設和數據治理（=3.811、=3.833）2個維度比非“雙一流”高校（=3.769、=3.818）具有較明顯優勢；在數據架構維度略具優勢；在數據管理、數據應用維度，非“雙一流”高校又出現了“反轉”，尤其是在數據應用維度，非“雙一流”高校（=3.765）相比“雙一流”高校（=3.686），優勢顯著。究其原因，部分非“雙一流”建設高校因傳統信息化系統沒有“雙一流”建設高校“根深蒂固”，反而在校園應用系統的更迭換代等方面更具后發優勢。

表3 5個維度測量指標分組差異性分析

（三）高校數據治理成熟度分維度分析

1.組織建設維度

“從表面上看，數據治理的問題是由數據基礎薄弱、數據不完整和不一致造成的，實際上分析深層原因，是數據管理體制不健全、內部管理職能不清造成的。”[20]調查表明，組織建設維度5個二級測量指標、10個三級測量指標的均值均超過3.6，如圖2 所示。這表明我國高校高度重視組織建設，學校領導層及師生具有較高數據素養（=3.864），實施大數據戰略已形成共識，并得到來自校內、校外的支持合力（=3.894）。不容忽視的是，經費保障平均值相對較低（=3.680），這與專家訪談結果相吻合，62.07%的專家將理念、經費、制度、人才、技術作為當前高校數據治理水平的前位制約因素，其中經費是僅次于理念的重要影響因素。

圖2 組織建設二級測量指標分析

進一步單因素方差分析發現（如表4所示）：不同類型高校只有戰略支持度二級測量指標的均值基本持平；而其他4個二級測量指標的均值，“雙一流”高校均超過非“雙一流”高校，尤其是數據戰略和數據素養測量指標的優勢更為明顯。這表明：“雙一流”高校，尤其是部屬高校更接近中央，更能緊跟中央戰略決策部署，更能從戰略高度系統謀劃、統籌推進數字化建設，更具全局性、長遠性和奠基性，也更能輕松獲得中央的重點支持，更兼長期實力累積，因而有著比普通高校更強的籌資能力與“造血”能力，在數據治理的經費方面具有絕對優勢。

表4 組織建設二級測量指標分組差異性

2.數據治理維度

調查顯示（見圖3），我國高校普遍重視數據安全與隱私保護，均將其作為數據治理的重要因素看待，并有較完善的數據安全和制度及策略（=3.912）。然而，治理制度、治理標準和治理溝通3 個測量指標均值相對偏低（=3.780、=3.790、=3.796），這可能與我國數據治理法律制度和標準不夠完善有關，也反映了我國高校數據治理協同不夠，高校需要定期開展校內外利益相關者交流溝通活動，健全數據治理溝通協同機制。

圖3 數據治理二級測量指標

進一步分析可見：非“雙一流”高校只有安全與隱私指標的均值超過“雙一流”高校；治理制度均值，兩類高校基本持平；非“雙一流”高校其他3個二級測量指標的均值均低于“雙一流”高校，尤其是數據標準建設明顯落后，這表明非“雙一流”高校為促進數字化應用，更重視數據安全及師生隱私保護；“雙一流”高校在數據制度和數據標準制定方面走在前列，對其他高校起示范引領作用，如表5所示。

表5 數據治理二級測量指標分組差異性

3.數據架構維度

研究顯示（見圖4），我國高校比較重視數據集成與共享、主數據管理工作，這歸因于數據集成與共享是數據管理平臺的關鍵部分、主數據建設在數據戰略中處于核心地位有關。主數據，即核心業務實體數據或核心功能數據，具有高價值、超越業務、超越系統的屬性。[21]32尤其是這2 個二級指標的三級測量指標共享機制和可用性，均值都超過了3.8（=3.831、=3.848），表明了高校數字化轉型和治理取得了明顯成效。值得重視的是，我國高校對元數據管理卻顯得不足（=3.738）。元數據是“關于數據的數據”，是高校數據治理的指南；元數據管理是指創建、存儲、整合與控制等一整套流程的集合。[21]16調查表明，我國高校元數據管理水平較低，這與高校數據領導力及師生數據素養有關。

圖4 數據架構二級測量指標

通過單因素方差分析可知：非“雙一流”高校與“雙一流”高校在數據架構管理的5個二級測量維度上各有優勢和劣勢，雖然非“雙一流”高校在數據模型、數據集成與共享、元數據和主數據管理方面都領先，但優勢微弱，而“雙一流”高校則在數據分布方面顯著領先；兩者整體成熟度基本持平，這與數據架構側重于技術和基礎設施設計的“中性”屬性有關，不同高校的人才、經費、科技等綜合實力差異在短期內不能在該維度得到體現或顯著體現，如表6所示。

表6 數據架構二級測量指標分組差異性

4.數據管理維度

數據生存周期管理是將組織原始數據轉化為可用于行動的知識的一組過程。[21]2數據生命周期管理是一種系統、基于策略的信息收集、使用、保留和刪除方法。[22]由圖5可以看出，我國高校尤其重視數據運維（=3.858）。但是，我國高校在數據退役管理方面還比較薄弱（=3.752）。正如接受訪談的某高校信息化建設辦公室人員所說，“學校從未制定過數據銷毀相關制度，基本上數據一經采集、永不銷毀。雖然我們都意識到數據存儲應該有個期限，但學校主要精力還是在數據建設上”。當然，因數據價值具有相對性，目前關于數據的保存期限還有諸多爭議。

圖5 數據管理二級測量指標

進一步單因素方差分析表明：非“雙一流”高校在數據管理方面有著較高的成熟度，除了數據需求測量指標比“雙一流”高校略遜一籌外，其他4 個二級測量指標均超過“雙一流”高校，凸顯其在數據治理方面的“應用型”導向，如表7所示。說明非“雙一流”高校更加重視數據全生命周期管理，并將其作為數字賦能教學、科研、管理、服務和決策的前提，來扎實推進和夯實。

表7 數據管理二級測量指標分組差異性

5.數據應用維度

數據應用服務是數據資產價值變現最直接的手段，也是數據資產價值衡量的方式之一。通過良好的數據應用服務，對內提升組織的效益，對外更好地服務公眾和社會。經調研，發現我國高校在數據開放應用方面整體處于較低水平（見圖6，=3.741）；在數據分析應用人才隊伍和服務能力建設方面尤顯不足（=3.745、=3.702），特別是數據服務增值效果最不盡人意。表明大數據技術與高校教育教學管理服務業務還未能深度融合，數據流動開放和增值賦能水平比較低下。

圖6 數據應用二級測量指標分析

進一步分析顯示：不同類型高校存在差異性，非“雙一流”高校數據應用維度的5個二級測量指標和10個三級測量指標全部超越“雙一流”高校，這表明非“雙一流”高校在數字化應用賦能方面具有后發優勢。這可能是因為非“雙一流”高校沒有太多數字化建設的歷史包袱，可以輕裝上陣，跨越傳統慣性，在借鑒其他高校歷史經驗的基礎上，發揮小而靈活的優勢，從而實現在數據應用維度的相對領先，如表8 所示。這與訪談結果一致，多數非“雙一流”高校師生表示：學校注重用戶體驗，堅持“讓數據多跑路，師生少跑腿”，師生滿意度和獲得感不斷增強。

表8 數據應用二級測量指標分組差異性

三、存在問題及分析

從調查數據和訪談情況看，在國家系列數字化政策引領下，我國高校數據治理水平不斷提高，與其他先進行業數據治理水平的差距不斷縮小，但也主要存在以下幾個方面的問題。

（一）數據治理缺乏頂層設計

我國高校數據組織維度得分較低，在5個一級測量維度中居于倒數第二。目前，我國高校對數據治理的重要性認識和重視程度不夠，數據理念和數據思維缺乏，大部分高校未能從戰略高度對數據治理進行規劃部署，也未從人、財、物及制度等方面予以保證。數據治理需要技術、平臺、制度一體化推進，要求高校必須加強頂層設計與系統謀劃。數據治理允許有兩條線路演進，“自上而下推動”與“自下而上創新”。然而，諸多高校要么統一推進、整齊劃一，扼殺了基層單位探索的積極性和創新性；要么“放手”“甩手”，任由基層組織“各自為政”“各行其道”，因各基層組織數據制度、標準、規則不統一，導致數據資源無法集成和共享，數據價值無法充分挖掘，或者基層組織應用系統發展盲目、無序，導致重復建設、低端復制和資源浪費現象嚴重。

（二）數據融合創新程度不高

數據應用維度得分在5個一級測量維度中居于末位。當前，我國高校多處于夯基壘臺階段，無法積厚成勢；部分高校的數據集中尚未完成，集成共享與開放增值更無從談起；由于缺乏跨組織、跨部門的治理機構，我國大多高校業務流與技術流雙軌行進，從而導致業務與技術“兩張皮”現象；高校基于跨業務域數據支撐的決策支持類、總結考核類應用普及程度較低。[23]43這說明高校數據技術與業務融合度亟待提高。

（三）數據治理經費保障不力

調研發現，經費是當前高校數據治理水平的前位制約因素。目前，我國仍有超過1/3 的高校未提供IPv6 服務，已提供IPv6 服務的高校中有半數僅提供了一項服務。[23]38IPv6、人工智慧等新型基礎設施建設是“互聯網+教育”的載體，是實現高等教育教學質量躍升的重要前提。當前，國家推進高校新基建，要求高校要按照“適度超前，5～10年不落后”“同等條件下，應優先選用國產自主可控設備”[24]。硬件信息化基礎設施及軟件的升級均需高校具有雄厚的經濟基礎，數據中心（平臺）運行與維護也需要較大成本，經費不足成為高校數據治理極其重要的制約因素。

（四）高校治理水平參差不齊

整體來看，“雙一流”高校在組織建設、數據治理、數據架構三個一級測量維度比非“雙一流”高校具有較為明顯的優勢；而非“雙一流”高校僅在數據管理、數據應用維度略具優勢。分維度看，在信息化經費投入、人員配置及基礎設施建設方面，“雙一流”高校遠高于非“雙一流”高校；在制度建設、規劃制定和執行方面，“雙一流”高校整體情況要好于非“雙一流”高校；在建設成效方面，無論是數據治理的深度廣度，還是信息化對于教學和科研的支撐力度，“雙一流”高校都領先于非“雙一流”高校。這說明不同類型高校之間存在“數字鴻溝”。“數字鴻溝”不同于傳統鴻溝，對高校的優勢和劣勢具有“杠桿效應”“倍數效應”，這不利于我國高等教育的均衡發展。

四、數據治理建議

（一）加強數據治理頂層設計

傳統離散式、應急式數據治理應不能滿足高校當前敏捷化、動態化的業務創新需求，這要求高校須由單點治理部署轉向廣范圍、細粒度、一體化全面布局。首先，高校需組建跨組織、跨部門的治理機構，加強對數據治理和數字化轉型的頂層設計和統籌協調。主要包括數據治理委員會、數據工作小組、數據管理員，分別對應決策層、統籌層和執行層。其次，高校可探索實行CDO（Chief Data Officer，首席數據官）制度。在當下數字化2.0時代，國外高水平大學深入推行CDO制度，世界500強企業大都設置了CDO 職務，建議可在部分高校開展試點。最后，高校須堅持收放有度，“自上而下推動”與“自下而上創新”協調推進，避免校內二級組織數據治理各自為政、資源浪費和效益低下。同時，高校還需繪制治理“藍圖”，即數據治理中長期戰略規劃，并動態更新，定期進行評估，及時進行優化調整。

（二）注重數據開放與融合創新

從教育教學維度看，要以先進設備的集成、多種終端的組合改造傳統教育方式，實現規模化的個性教育。從科學研究維度看，要以信息技術拉近科研人員的交流距離，形成信息化創新生態視角下的科研創新活動的數字空間。從教育管理維度看，要重視用戶體驗，將復雜業務流程封裝為整體功能模塊，對高校業務流程進行再設計、再改造，為師生需求提供“一站式”解決方案。從教育決策維度看，須打破“數據孤島”，使數據信息系統高度集成、可視可算，不斷提升決策科學化和民主化水平。同時，高校要積極融入國家和地方教育數據資源平臺，實現數據全域、海量、多維，這是大數據成為“金礦”的前提。數據服務增值需要特定的技術和人才，高校應與第三機構合作，深度開發數據，為用戶提供針對性的數據增值服務。

（三）提升數據治理籌資能力

在我國高校大數據教育管理發展初期，有效的融資機制尚未形成之際，政府加大對高校大數據教育管理投入的資金支持是必要的。政府部門要一體化推進駐地高校數字化轉型（部屬高校經費支持與省屬高校等量支持）、完善項目式資源配置碎片化模式、市場化運作智慧校園建設融資模式。政府部門要發揮國家產融合作等平臺作用，完善相關優惠政策，調動合作對象的積極性，鼓勵引導資本規范參與高校數字化校園建設，構建社會資本有效參與的投融資體系。另外，爭取社會捐助是高校化解數據治理面臨資金困境的較好出路。高校可采取項目的形式，積極爭取企業對數據治理的資金投入。高校還應拓展銀校合作項目，爭取更多銀行對智慧校園建設的資金支持。

（四）促進數據治理協調發展

為消弭我國不同類型高校之間的數字鴻溝，首先，要堅持分類發展原則，出臺具有針對性的高校數據治理指導意見和考核評價標準，鼓勵不同類型高校特色發展、差異化發展；其次，要構建公平的高校教育資源競爭準入機制，對非“雙一流”高校一視同仁，在一些國家級項目、獎項等體現學校核心競爭力的領域打破非“雙一流”高校進入現有競爭賽道的“限額申報”約束，為其爭取更多辦學資源、促進數字化轉型提供更多機會；最后，要設立非“雙一流”高校數據治理發展通道，在國家實施教育數字化戰略行動的大背景下，進一步加大中央財政支持地方高校改革發展資金支持強度，并對資金管理辦法中支持方向、相關分配因素、權重等進行調整完善。同時，在教育強國推進工程中央預算內投資等方面加大對非“雙一流”高校的財力支持或有所傾斜。