科学数据复用(DataReuse),也译为“数据重用”“数据再利用”“数据二次使用”,指的是科研人员为了新的研究目的对数据的二次使用[1]1],即科研人员利用由其他机构、个人调查或实验而产生的数据,开展具有原创性的研究。数据复用可以节省科研人员研究成本,避免重复劳动,扩展研究的可能性,规避个人数据收集能力的缺陷[2,3]2-3],其价值和贡献已成为学界共识。

从用户角度考察科学数据复用,国外研究有两条主线,一是关注科研人员的数据获取、评估、使用等数据复用行为特征,这部分研究主要集中在自然科学领域,如基因学[4,5,6]4-6]、生态学[7,8]7-8]、地球科学[9]9]、医学[10]10]等领域;二是关注科研人员数据复用意愿或行为的影响因素,这部分研究在自然科学和社会科学均有涉及,比如Curty[11]11]、Yoon等[12]12]、Kim等[13]13]、Joo[14]14]的研究。国内有关数据复用的研究则比较分散,林奇秀等[15]15]以经济、政治、社会、教育、心理五个学科期刊为基础,考察了复用论文与数据使用量的变化趋势以及数据来源、数据类型的学科差异;张晋朝[16]16]通过问卷调查法研究了高校科研人员对科学数据的获取意愿;魏园婷等[17]17]利用访谈法、问卷调查法调查了高校社会科学用户数据源选择偏好;沈婷婷[18]18]通过内容分析法分析了社会学研究者在二手数据的使用及评估上的实践特点及发展趋势;沈玖玖等[19]19]基于半结构化访谈,运用扎根理论构建了科研数据需求及其影响因素模型。综上,管理学作为社会科学数据复用的重要领域,对科研人员数据复用行为特征的深入探讨还比较缺乏。因此,本研究以国内管理学领域为例,遵循国外相关研究的第一条主线,探索本土社会科学科研人员数据复用行为模式和规律特征,以期更好地理解科研人员数据复用行为,为科学数据管理和服务机构提供有价值的决策参考。

1、数据来源与方法

本研究遵循内容分析方法的基本要素和步骤,从中国知网获取管理学领域的期刊文献,确定文献纳入标准,建构类目,制定编码方案,然后对文本进行编码并进行编码员间信度测试,最后利用数理统计方法分析数据。

1.1 文献纳入与排除标准

在咨询管理学专业学者与综合考虑期刊影响力的基础上,选取管理学领域的三种权威期刊《管理世界》《南开管理评论》《中国软科学》2017—2019年三年内全部刊载文献,通过人工辨识的方法,排除非研究性文章,如主编寄语、书评、启事等,再去除非实证论文,如规范分析、文献综述等,只保留实证论文,最终获得1188篇实证论文作为该研究的样本,样本数量与占比情况如表1所示。

1.2 编码体系构建

遵循内容分析法类目建构的穷尽性、互斥性原则,本研究构建了第一作者信息、数据复用基本情况、数据获取前的评估、数据获取后的处理、数据评估后的使用五个一级分类,再基于归纳法,对样本文献进行分析标记及归纳整理,最终形成了管理学科研人员数据复用编码表,如表2所示。

(1)第一作者信息:

按照社会科学论文归属注重第一作者的传统规范,本研究仅统计第一作者的人口统计学特征,包括年龄、性别、资历(职称)。其中年龄为期刊出版年份减去出生年份,资历(职称)的识别方法为:如果属于学生群体,则归入在读本科生、硕士研究生或博士研究生系列,如若已经参加工作,则按职称分类。《管理世界》《南开管理评论》未注明的项目,借助作者所在学校、机构的官网及中国知网辅助识别,未能检索到的信息识别为空值。

(2)数据复用基本情况:

①数据复用的界定:在纳入研究范围的文献中,二手数据的使用一般有两种形式,一是作为基本的数据来源与主要分析对象,二是作为一手数据的补充,共同作为研究的数据来源。按照数据复用的定义,本研究将这两种都纳入数据复用范畴。如果科研人员仅用二手数据来铺陈研究背景、强化或佐证论述[15]15],则排除在外。②数据来源:数据来源按照收集汇编数据的来源组织,划分为商业数据库、政府及组织、个别研究者、高等学校及科研机构、互联网、其他等六个类别。一篇论文若同时使用不同来源的数据,则识别并记录每个类别;若同时使用多个同类型的数据来源,则不作重复识别。③复用数据类型:分为单纯使用量化数据、单纯使用以文本形式存在的质性数据、二者皆有使用这三类。

(3)数据获取前的评估:

在数据获取之前,科研人员会对目标数据进行评估辨别,以确认该数据是否可供研究使用。借鉴现有研究[5,20]5,20]的处理方式,将其划分为四个维度,分别是可得性、准确性、有效性、数据量。

(4)数据获取后的处理:

数据获取后的处理行为编码不涉及研究过程中具体的数据运算分析过程,指的是在这之前针对所获数据的处理。编码范围限于文本中所提及的项目。

(5)数据评估后的使用:

按照数据引用方式分为三类分别是,在正文中进行数据说明或加注释、以文献形式(如期刊论文、图书等)引用、标准引用格式按照《科学数据引用》国家标准1引用。

1.3 编码信度测试

在试点编码阶段,作者中的两位研究生同时编码了整体样本中随机抽取的30篇文献,对于不一致的地方协商解决,拟出初版编码方案,然后一边编码一边改进,在试点测试的信度水平足够之后,确定最终编码体系,继而对所有样本进行编码。在整体样本中随机抽取150篇文献,由两位编码员分别编码,采用霍尔斯蒂系数(Holsticoefficient)[21]21]对编码员间信度进行测试,ΡA0=2AnA+nB,公式中PA0为两位编码员之间的信度,A表示两位编码员编码一致的单位数,nA+nB表示两位编码员各自编码单位数之和,计算得到PA0=0.905,编码信度良好(信度系数达到0.90以上[21]21])。

1.4 数据分析

对于编码完成后的数据分析,运用描述性与推断性两种统计方法,包括频数、百分比、排序以及逻辑回归与卡方检验。利用逻辑回归和卡方检验,探究年龄、性别、资历(职称)对是否数据复用有无显著影响,以及年龄、性别、资历(职称)对复用数据类型的选择有无显著影响。

2、结果与讨论

2.1 描述性统计分析

(1)第一作者信息

编码结束后,共得到实证论文(总样本)1188篇,其中数据复用论文881篇。复用论文作者的年龄、性别、资历(职称)分布情况如表3所示。作者年龄段中,位居前两位的是30—39岁、40—49岁,可以看出,30—49岁这个年龄段是复用数据应用的主力。性别方面,男女性别比为2.47。资历(职称)方面,高级职称占比最大,其次为副高级职称;在读学生中间,发表复用论文的博士研究生数量远高于本科生和硕士研究生。

(2)数据复用基本情况

2017—2019年三种期刊共刊发1188篇实证论文,其中881篇为数据复用论文,占全部实证论文的74.16%。由表4各年度复用论文占实证论文的比例来看,2017—2019年,复用论文占比呈现逐年上升的趋势。另外,从数据复用类型来看,量化数据的占比高达84.90%,质性数据占比仅为12.15%,还有2.95%的研究既使用了量化数据,又使用了质性数据。

在所有复用论文数据来源中,来自政府及组织的数据占比最高,为38%;其次是商业数据库,占比为34%。两者占比之和达到72%。来自高等学校及科研机构的数据,占比为6%;占比最低的是个别研究者的数据,仅占3%。具体如图1所示。

图1复用论文数据来源分布

(3)数据评估判据

复用论文中的数据评估判据排名最高的是准确性,占比达到38%;分居二、三位的是可得性和有效性,占比分别为30%、21%;排名最后的是数据量,占比为11%。具体如图2所示。

图2数据评估判据

(4)数据处理行为

对复用论文中的数据处理行为分析发现,位居首位的是筛选,占比达到76%,其余依次是匹配、校正、补充、合并,如图3所示。说明目前在管理学科研人员数据处理行为中,筛选这一行为最为频繁,它包括选择并保留符合条件的数据、剔除缺失值与异常值等。

图3数据处理方式

(5)数据引用方式

在所有复用论文中,绝大多数作者采用在正文中说明数据来源或加注释的方式引用(96.5%),比如“数据来源于国泰安数据库和中国资金管理智库数据平台(http://cmttc.ouc.edu.cn/data)③……”,注释③是关于中国资金管理智库数据平台的介绍;以图书、期刊论文、报告、词典等正式参考文献方式引用的占3.5%,如“人口假设来自联合国《世界人口展望2015》[*]”,上标[*]以报告的形式作为参考文献标引在文末;按照《科学数据引用》国家标准引用的为0。

2.2 回归分析与卡方检验

在描述性统计分析之后,分别对所有实证论文和复用论文采用SPSSStatistics21进行二元Logistic回归分析和卡方检验。

2.2.1 基于实证论文作者的分析

(1)在采集第一作者年龄、性别、资历(职称)信息完成后,获得有效样本803个。以年龄、性别为自变量,是否数据复用为因变量(复用取值为1,未复用取值为0),利用二元Logistic回归分析,检验年龄、性别对是否数据复用有无显著影响,预测准确率为76.1%,模型预测效果较好。结果如表5所示,年龄、性别对是否数据复用的影响无统计学意义(p>0.05)。

(2)资历(职称)这一项中,考虑到在读本科生、硕士研究生样本数量太少,学生群体只剩下博士研究生,所以把这三类样本排除在外,但可以看出,在读博士研究生是学生群体中数据复用的主力。样本中初级职称数量为0,所以包含的指标为中级职称、副高级职称、高级职称。筛选后的样本数量为704个。卡方检验结论显示,尚不能认为职称与是否数据复用有关(χ2=1.914,df=2,p=0.384)。

2.2.2 基于复用论文作者的分析

(1)利用二元Logistic回归分析,检验年龄对复用数据类型的选择有无显著影响。分析样本仅包含使用单一数据类型的样本,剔除二者皆有使用的样本。因变量为复用数据类型(量化数据取值为0,质性数据取值为1),自变量年龄为连续型变量,预测准确率为87.2%,模型预测效果良好。结果如表6所示,年龄对复用数据类型的选择有显著影响(p=0.02<0.05)。

为进一步分析年龄与不同数据类型使用的变化趋势,将年龄等距划分为五个组别,分别是20—29岁、30—39岁、40—49岁、50—59岁、60岁及以上。统计不同年龄段两种数据类型的使用情况,如图4所示,60岁以下的科研人员中,随着年龄段的增加,科研人员对量化数据的使用呈现下降趋势,而对于质性数据的使用则明显上升;30岁以下的科研人员,对于量化数据的使用占比高达96.36%,说明30岁以下的科研人员更偏向于量化数据的复用。

图4量化数据与质性数据使用分布

(2)利用卡方检验,检验性别、资历(职称)对复用数据类型的选择有无显著影响。样本仅包含使用单一数据类型的样本,剔除二者皆有使用的样本。因样本中初级职称数量为0,职称仅包括中级职称、副高级职称、高级职称。结果表明,性别对科研人员复用数据类型的影响没有统计学意义(χ2=0.062,df=1,p=0.804);资历(职称)对科研人员复用数据类型的影响也没有统计学意义(χ2=4.273,df=2,p=0.118)。

3、讨论与启示

3.1 讨论

(1)数据复用高度普及且呈上升趋势

在管理学三种高水平期刊实证论文中,七成以上都为数据复用论文,而且近三年来,数据复用在管理学研究中呈逐年上升趋势,占比越来越重。关于社会科学领域数据复用的年度趋势,周长辉[22]22]对2008—2011年四年间国外管理学领域主要学术期刊的数据复用情况进行统计发现,数据复用论文占实证论文的比例从2008年的67.81%上升到2011年的72.43%,总体呈上升趋势,与本研究对数据复用发展趋势的考察取得了一致结论。回顾林奇秀等[15]15]对台湾经济、政治、社会、教育、心理五大学科的研究发现,数据复用占实证论文的平均比例为17.38%,其中,经济学占比最高(79.60%),与我们考察的管理学数据复用占比(74.16%)相近,因此可以得出,国内经济管理领域的数据复用领先于社会科学整体水平,已成为高度普及的现象。究其原因,可能是计算社会科学研究范式整体转变作用的结果[23]23],社会科学中的管理学和经济学研究尤为突出,数据复用在科研实践中的增长是必然的趋势。

(2)数据来源以政府和商业数据库居多,个人或团体数据偏少

政府及组织提供的数据和商业数据库,是管理学领域科研人员最为信赖的数据来源,两者占比之和达到72%,其他来源的数据加起来占比不到三成,个别研究者的数据占比最低。原因可能是多方面的,一是宏观层级、超大规模数据的整理、保存、维护、更新,需要大量的资金和人力支持,政府和专业数据机构有得天独厚的优势;二是政府和知名商业数据库具有权威性、公信力,受到更多科研人员的青睐;三是受当前数据开放共享的政策和文化环境、基础设施环境影响,个别研究者的数据在开放共享、传播交流上存在一定障碍。

(3)复用数据类型以量化数据为主,质性数据为辅

在管理学科研人员所复用的数据中,量化数据达到八成以上(84.90%),占据主体地位。正如Fear[24]24]指出,从数据库中取用量化数据是社会科学最常见的数据复用类型。量化数据就其维护的系统性、指标的完备性,以及使用的便利性受到研究者更多的青睐。但值得思考的是,目前质性数据复用所占比重低,是否意味着质性数据的可重复使用性很小,笔者认为不尽然,一是本研究发现复用质性数据的研究近年来呈现增长的趋势,二是国外已有成熟的质性数据共享平台。因此,质性数据复用占比低可能与科研人员的意识、研究领域、质性数据能否获取到等因素有关。

(4)数据准确性、可得性是数据评估的重要判断依据

准确性和可得性作为数据复用的必要条件,是数据复用的前提,准确性体现了对数据本身的要求,可得性体现了对数据的获取渠道的要求,比如是否有成熟的数据共享平台可以获取到二手数据。管理学数据评估判据排名前两位的是准确性和可得性,与其他学科数据评估研究取得了一致的结论。如在基因学、凝聚态物理学领域,Huang[5]5]、Stvilia等[20]20]对数据质量的评估判据排名中,都是准确性位居首位,可得性位居第二位。另外,数据量的大小在数据评估判据中排第四位,关于数据量与数据复用的研究,Fear[24]24]指出,与较小的数据集相比,大的数据集、频繁发布的活动数据更有可能被复用。

(5)筛选在数据处理中最为常见,非标准数据引用最为普遍

科研人员数据处理最为频繁的操作是筛选,筛选这一行为既包括选择出符合研究需要的样本,也包括存在数据缺失、偏误或异常等状况需要予以剔除。之所以这一处理方式最为常见,是因为选择符合研究所需的样本是最为基础的一步,而直接剔除缺失、偏误或异常数据比补充、校正更为省时省力,也更具操作性。林奇秀等[25]25]对社会科学学者的访谈得出,对数据进行的基本处理包括检查数据错误、处理遗漏值及变量转换等,与本研究的结论类似。对于科学数据的引用,目前还没有按照《科学数据引用》国家标准进行数据引用,这与《科学数据引用》国家标准发布不久,科研人员普遍还没有形成规范引用意识、学术期刊尚未建立规范引用制度有关。Piwowar等[26]26]对自然科学领域(基因学、地球科学、遗传学)的数据复用研究时也提到,数据尚无标准引用格式,导致复用论文的辨识相当困难。

(6)不同年龄段的科研人员对数据类型偏好有差异

年龄作为人口统计学的一个重要变量,对数据复用的影响受到了学者的关注,Tenopir等[27]27]发现不同年龄的科研人员在数据复用意愿和实践上是有差异的,年轻学者更倾向于数据共享和复用,但与较年长的学者相比,他们提供的数据较少。而本研究发现,年龄较大的科研人员更倾向于质性数据复用,年龄较小的科研人员更倾向于量化数据复用。原因可能是,质性研究需要更高的理论功底,更适合年龄较长的资深科研人员,而对于科研资历比较浅的学者来说,量化研究的程序化方法更容易掌握。这个结论是对现有研究的细化和补充。

3.2 启示

(1)促进科学数据开放共享,加强社会科学数据共享平台建设

共享是复用的前提,2014年科学数据开放共享的多利益相关群体提出了科学数据管理的“可发现(findable)、可获取(accessible)、可互操作(interoperable)和可复用(reusable)”的FAIR原则[28]28],借鉴这一理念以及本研究得出的可得性是数据评估的重要判据等相关结论,笔者认为提高数据可得性的重要措施是建设数据共享平台,并且达到FAIR建设目标应遵循以下策略:①来源于政府、组织和商业数据库的长期性、大规模的数据集,被大量且频繁复用,是科学数据共享平台建设的着力点所在;来源于个人或团体的研究数据是平台建设的重要组成部分;②政府构建社会科学数据共享平台应以先满足量化数据使用为目标,逐步开展质性数据复用调研,按照调研结果决定质性数据平台建设的必要性和可行性;③数据共享平台除了揭示数据产生的必要背景信息,还应揭示数据存在的缺陷和障碍信息以及引用信息,让科研人员在进行数据评估、处理和使用时能够有章可循。除了以上微观策略外,有必要借鉴国外成熟的社科数据平台的运作模式,如美国跨校政治与社会研究联盟定量数据共享平台(ICPSR)、社会科学定性数据档案资源中心(QDARC)。

(2)提升科研人员数据引用意识,倡导规范引用科学数据

从调查样本看,目前管理学领域的科研人员还没有按照2017年12月份发布的《科学数据引用》国家标准引用数据,以普通参考文献引用的也仅占3.5%,大部分仅对数据进行了说明或注释,说明在管理学领域,科学数据引用不规范问题十分严峻。对于数据的创建者而言,记录整理个人或所在团队的研究数据耗费大量时间精力,却不能获得正式引用,一定程度上阻碍了数据共享的意愿,从而影响了数据的开放共享。原因可能是科研人员的数据引用意识没有建立起来,在学科内没有形成像文献引用一样的内在规范。因此,图情机构应大力倡导科学数据规范引用,把使用的数据集与参考文献放在同样重要的位置,同时建议出版发行机构将《科学数据引用》国家标准同参考文献引用标准一同放入投稿指南,对科研人员的数据引用进行规范。

(3)拓宽信息素养培训内容,实行差异化培训

管理学复用数据来源以政府、组织和商业数据库居多,比如《中国统计年鉴》、联合国贸易商品统计数据库、国泰安数据库等,这些数据库属于事实型数据,目前图情机构的信息素养培训主要还是集中在普通文献数据库或摘要索引数据库的培训,对于事实型或数据型数据库培训较少,应面向科研人员的数据素养,进一步拓宽信息素养培训的内容。研究还发现不同年龄段的科研人员对数据类型偏好有差异,年轻学者更倾向于使用量化数据,年长学者更倾向于使用质性数据,因此,应针对不同年龄的科研人员进行差异化培训。

4、结论

文章以管理学领域代表性期刊文献为样本,对有关数据复用和引用行为的数据进行抽取、整理和统计,从管理学领域数据复用科研人员的人口统计学特征、数据复用的发展趋势、数据来源、数据类型、数据复用评估与处理、数据引用方式以及不同年龄段科研人员对数据类型的偏好等方面,揭示了管理学科研人员数据复用的规律特征,可为后续社会科学科研人员数据复用调查研究提供线索。在对上述规律特征进行详细分析的基础上,从微观视角提出强化数据平台建设、提升数据引用意识、拓宽信息素养培训三个改善数据复用与开放共享的策略,从而促进社会科学数据管理和服务。

本研究存在一定的局限性,样本文献中作者的年龄、性别、资历(职称)等信息有两本期刊未曾注明,依靠网络检索获得,可能在一定程度上影响了回归分析与卡方检验结果的准确性;对于作者的考察只考虑了第一作者的计量特征对数据复用的影响,对于合作论文的其他作者(比如通讯作者)则未全面考虑,也会影响统计分析的准确性;利用内容分析,样本局限在文本之内,对于文章之外科研人员数据复用的动机、影响因素、行为过程、认知和情感变化等无从考察,应进一步利用访谈、实验等研究方法进行挖掘。

参考文献：

[1]孙玉伟,成颖,谢娟.科研人员数据复用行为研究:系统综述与元综合[J].中国图书馆学报,2019,45(3):110-130.

[15]林奇秀,赖璟毅.台湾社会科学量化资料再用之研究:2001-2015年[J].教育资料与图书馆学,2018,55(1):39-69.

[16]张晋朝.高校科研人员科学数据获取意愿研究[J].情报杂志,2013,32(6):70-75,106.

[17]魏园婷,李桂华,魏静.高校社会科学用户数据源选择偏好研究[J].图书馆理论与实践,2018(12):39-44.

[18]沈婷婷.社会学研究者对二手数据利用行为分析[J].情报理论与实践,2016,39(5):95-100.

[19]沈玖玖,王志远,戴家武,等.基于扎根理论的科研数据需求及影响因素分析[J].情报杂志,2019,38(4):175-180,160.

[21]周翔.传播学内容分析研究与应用[M].重庆:重庆大学出版社,2014:217-229.

[22]周长辉.二手数据在管理研究中的使用[A]//陈晓萍,徐淑英,樊景立主编.组织与管理研究的实证方法.北京:北京大学出版社,2012:216-217.

[23]孟小峰,张祎.计算社会科学促进社会科学研究转型[J].社会科学,2019(7):3-10.

[25]林奇秀,赖璟毅.台湾社会科学学者资料再用行为之研究[J].图书资讯学研究,2017,11(2):95-138.

张莹,戚景琳,孙玉伟.管理学科研人员数据复用行为特征探析[J].信息资源管理学报,2020,10(04):79-87.

基金:国家社科基金一般项目“社会科学科研人员数据复用过程模型与行为影响机理研究”(19BTQ086)的研究成果之一.