定性比较分析方法的研究逻辑及其应用.docx
《定性比较分析方法的研究逻辑及其应用.docx》由会员分享，可在线阅读，更多相关《定性比较分析方法的研究逻辑及其应用.docx（14页珍藏版）》请在冰豆网上搜索。
定性比较分析方法的研究逻辑及其应用
定性比较分析方法的研究逻辑及其应用
作者：
李蔚何海兵
来源：
《上海行政学院学报》2015年第05期
摘要：
定性比较分析（qualitativecomparativeanalysis，简称QCA）是一种以案例研究为取向的研究方法，它可以有效地对多案例比较的研究数据进行处理，能系统地分析中小样本数据。
它有助于加深研究者对案例的系统化理解，能帮助研究者在理论与经验之间进行对话。
作为一种新兴的研究技术，QCA正在得到越来越多的应用和重视，但目前中国社会科学界对QCA的介绍和应用还比较少。
本文介绍了采用布尔代数算法的QCA的基本原理及具体操作程序；说明了QCA方法论的发展及其应用情况；梳理了国内外社会科学研究中QCA的使用现状并简要分析了其优缺点及发展趋势。
关键词：
布尔代数；集合论；因素组合
在社会抗争研究等领域，研究对象往往涉及多案例，单独的个案已经不能满足研究的需要。
同时，作为一种复杂的社会现象，此类事件的成因存在着多元并发组合的原因变量，以线性因果关系为基础的定量统计分析方法也很难提供有效的分析结论，而定性比较分析方法（qualitativecomparativeanalysis，下文简称QCA）由于能够有效、系统地处理多案例比较的研究数据，其已在社会抗争研究等领域得到广泛运用。
QCA产生于20世纪80年代末，由查尔斯·拉金（CharlesC.Ragin）在1987年提出，它是一种以案例研究为导向的理论集合研究方法。
①它强调通过实证资料以及相关理论的不断对话，从小样本数据中建构出研究议题的因果性关系。
这是基于集合论与布尔代数的分析，即从集合而不是相关的角度考察条件与结果的关系，并使用布尔代数算法形式化人们分析问题时的逻辑过程。
QCA尝试超越传统的个案研究方法，系统地考察事件发生的成因以及内部生成因子之间的互动关系、可能性关系组合，试图解释促成事件产生的关键因子、因子之间的相互联系以及激发事件产生的复杂的成因组合，以期深化对事件产生的复杂因果关系的理解。
本文首先介绍了采用布尔代数算法的QCA的基本原理、分析逻辑及操作模式；其次，简单梳理了QCA方法论的演变过程及具体操作方法的发展情况；最后，总结了QCA在中国社会科学研究中的应用状况并简要分析了其优缺点及发展趋势。
一、QCA的基本分析逻辑
QCA采用布尔代数算法形式化人们分析问题时的逻辑过程。
在逻辑比较时，布尔代数方法将任何一个个案都看成是由多个原因条件与结果条件结合而成的。
如果个案数量较多，这种关于原因条件与结果条件的深度分析将超出人脑力的可乘载负荷，就需要以基于变量的定量分析来做替代。
而QCA的产生，使得在个案数较多的情况下仍然可以不用求助于传统的定量分析方法，它利用布尔代数运算法则简化原因条件与结果条件之间的关系。
以下将通过具体的例子对QCA的分析逻辑及具体操作程序进行说明。
首先，QCA方法的基础是将变量先做两分处理，即解释变量和结果变量各有两种，变量取值为0或1。
表示某条件发生或存在时，变量用大写字母来表示，取值为1；反之，表示某条件不发生或不存在时，变量用小写字母或-来表示，取值为0（其中，小写字母表示不发生，-表示不存在）。
+代表“或”，*代表“和”，→及=均代表“导致”。
比如A*B=Y表示A和B同时发生导致Y的发生。
其次，QCA的分析逻辑与定量分析不同，主要体现在对因果关系的理解上。
定量研究假定社会现象的因果关系是线性的，而定性比较分析则假定社会现象的因果关系是非线性的，原因条件对结果的效应是相互依赖的，且同一个社会现象的发生可能是由不同的原因组合所导致的。
由于QCA假定因果关系是多样的复杂的（complexity）且是可替代的（substitutability），所以更加关注社会现象发生的多重原因组合（multipleconjecturalcause），即一个条件对结果的影响同时取决于其他条件。
比如原因条件A和B同时出现导致结果Y的产生，C和D同时出现也能导致结果Y（A*B+C*D=Y），即同一个结果的产生可能是由多个不同的原因组合所致。
再比如在社会情景B下，原因条件A出现可能导致Y的产生，即A*B=Y；在社会情景D下，原因条件A不出现也可能导致Y，即a*D=Y。
也就是说，同一个原因条件的发生或不发生与不同的社会情景相结合，都能产生同样的结果，即A*B+a*D=Y。
再次，QCA的分析单位是条件组合而不是案例，研究者以所有的条件组合作为分析的基础，根据布尔代数（Booleanalgebra）算法简化条件组合。
布尔代数最基本的运算逻辑是寻找不同组合的共同点：
如由A*B+A*b=Y可以得到A=Y，即如果两个不同的原因组合A*B和A*b同时导致结果Y的产生，并且这两个组合当中有且仅有一个原因条件的取值不同（如本例中的B和b），则原因条件B是冗余的。
最后，QCA是基于必要条件和充分条件的推断逻辑，而不是统计推断的逻辑，因此，定性比较分析持“非对称因果关系”，即研究者不能从A=Y直接推断出a=Y。
反之，研究者既可以分析社会现象发生的原因（Y），也可以分析其不发生的原因（y）。
分析Y时，y对应的数据并不纳入分析过程，反之亦然。
二、QCA的基本操作程序
在操作层面，研究者首先要确定案例，案例的选择是以研究问题为基础的，这是一个在理论与经验之间不断互动的过程。
其次是确定原因变量，变量的选择可以遵照不同的原则（Rihoux&Ragin，2009），因为QCA的分析单位是条件组合而不是案例，所以研究者需要根据不同的策略确定原因变量，然后以个案为单位对数据进行汇总，得到原因变量与结果变量的所有组合（configurations），这些组合以表格的形式呈现出来，即真值表（truthtable）。
在这个过程中可能会需要处理同样的原因条件组合对应不同的结果，即矛盾条件组合的问题。
最后，研究者将所有的组合作为分析的基础，根据布尔代数对由所有条件组合所构成的真值表进行简化，从而得出导致结果变量发生或不发生的原因条件组合。
假设我们想知道导致社会现象Y产生的原因条件，A、B、C是Y产生的三个候补原因条件，导致Y产生的原因组合有多个，由A、B、C这三个原因条件的不同组合形式构成。
我们在具体观察到的事例中，对原因条件与结果条件存在与否分别赋值1与0，由此得到的各个事例的数据用真值表表示。
真值表的行数由原因条件的个数决定，如果有k个原因条件，那么真值表的行数就是2k，表示有2k个逻辑条件组合。
真值表的各行表示原因条件的各种不同逻辑组合，以及不同组合所产生的结果，即事件发生
（1）或不发生（0），-表示事件不存在。
事例数表示每一种原因结果的逻辑组合所实际观察到的事例的数量，Y发生的事例数表示每一种导致Y发生的原因条件组合所对应的实际观察到的事例的数量。
表1真值表（假设数据）
表1所用的真值表的例子，预设了同样的原因条件组合形式导致同样的结果。
但在实际分析应用中，存在同一个原因条件组合对应不同结果的事例。
这样的原因条件组合被称为矛盾条件组合（contradictoryrow），相应地，QCA发展出许多处理矛盾条件组合的方法。
上表第三行的原因条件组合形式对应的事例数为0，所以无法确定结果Y的值。
这样的组合被称作“逻辑剩余项”（logicalremainder），产生原因是事例收集不足。
小样本数据意味着有一部分原因变量组合是没法观察到的，即拉金（Ragin，1987）指出的所谓有限的多样性（limiteddiversity）。
在实际分析中，QCA既可以把没有观察到的案例排除在分析过程之外，即将“逻辑剩余项”所对应的结果变量赋值为0，也可以引入一些没有观察到的但与现有理论不相冲突的“虚拟”组合，即简化假设（simplifyingassumption）。
引入没有观察到的个案，有利于理论模式的简化、证实、或证伪。
表1所呈现的多重因果关系组合（multipleconjunctionalcausation）用布尔代数表示如下：
Y=ABC+ABc+Abc+abc
（1）
根据布尔代数的运算逻辑进一步将方程式简化为：
Y=AB+bc
（2）
运算过程用集合的图示法表示如下：
图1Y的原因条件组合的集合图示
参照集合图示，我们可以知道方程式
（2）表示“当A和B同时存在或者B和C同时不存在时，结果Y产生”。
如果进一步把逻辑残余项引入，则可以得到更简洁的方程式。
即把真值表第三行的原因条件组合对应的结果赋值为1进行简化假设（simplifyingassumption）处理，得到的方程式为：
Y’=A+bc（3）
引入简化假设以后，A单独存在就能导致Y的发生，A是Y的充分条件。
引入实际没有观察到的原因条件组合，可以得到更简约的理论模式，同时也有助于指导进一步的经验研究，以检验现有的理论模型。
然而，方程式（3）是在对实际没有观察的原因条件组合做简化假设后得到的，所以在进行因果解释时有必要做充分考虑。
三、QCA方法论的演化与拓展
QCA主要包括确定集（crispset）、模糊集（fuzzyset）和多值集（multivalue）三种具体操作方法。
拉金（1987）将布尔代数和集合理论结合起来，发展出二分变量的QCA技术，用于处理两分变量的解释变量和结果变量，即确定集定性比较分析（crisp-setsQCA，csQCA）。
此后，拉金（Ragin，2000）将模糊集合引入定性比较分析，提出了模糊集定性比较分析（fuzzy-setsQCA，fsQCA）技术。
克隆维斯特于2004年将QCA扩展到可以处理多值的条件变量，并提出多值集定性比较分析（multivalueQCA，mvQCA）。
其中，csQCA只能处理原因变量和结果变量均为二分变量的案例，无法处理统计分析中所出现的大量的定距变量。
而基于模糊集的定性比较分析方法fsQCA突破了这一问题，是对csQCA的一个拓展。
在现实生活中，往往能观察到的特征在不同个案中的差别是连续的，因此采用二分变量来刻画这些特征是不合适的。
拉金（Ragin，1987）提出可以采用多个值（比如，0、0.5、1）来刻画个案的某些属性。
比如，在fsQCA里，个案的某个特征是否可以被观察到的程度可以刻画为从0-1之间的任何数，而不局限于0或1这两个数，这被称为成员身份度（membershipscore）。
fsQCA的运算原理与csQCA一致，拉金（Ragin，2008a；2008b）提出可以利用成员身份度模糊集形成真值表，然后以真值表为基础算出结果特征是哪些原因特征组合的子集，最后通过布尔代数算法简化这些原因特征组合。
这主要是运用集合关系和集合间的逻辑运算规则来探索多个案中事先确定的原因条件对结果产生的影响。
此外，拉金等人还开发了fsQCA的计算软件fs/QCA2.0，并得到了广泛应用。
多值集定性比较分析方法mvQCA也是以csQCA为基础发展出来的新方法，是一种与fsQCA并行的方法。
多值集可以看作是确定集和模糊集之间的一个中间状态。
与模糊集不同的是，多值集方法并不是将变量的数值处理成0到1之间的隶属度分数，而是在确定集的二分法基础上，对变量的数值进行多分，以增加变量的信息。
多值集在扩展二分法的基础上，将原来的清晰集拓展成了一种可以处理类别变量的方法。
这种方法还可以通过分类的方式，将定距变量转化为类别变量而纳入分析模型之中。
由此引出的一些新的问题和技术，则可以通过由德国政治科学家莱塞·克朗克齐斯特（LasseCronqvist）开发的多值集方法及相应的操作软件TOSMANA（Toolforsmall-nanalysis）来进行操作。
QCA在处理时间序列数据方面也有一些方法上的新尝试。
主要代表是CarenandPanofsky{2}（2005）提出的把原因条件生成的时间顺序纳入考虑的TemporalQCA；Hino{3}（2009）则提出了时间序列QCA（TimeSeriesQCA），创造出将截面时间序列数据转化为QCA数据形式的法则。
如何有效处理时间序列数据将是QCA未来进一步发展与应用的重要课题。
四、QCA的优势及其局限
QCA界于定性研究的案例取向与定量研究的变量取向之间，具有一定的优势。
它对于样本规模的要求不高，在15-80个样本规模上都可以运用。
此外，在变量主要由二分，定类和定序等形式组成的中小规模样本的研究中，QCA具有较大的优势。
由于QCA对样本量的要求不高（只要在12-15个样本之上），所以研究者能够在研究过程中对总样本进行多次细分，形成不同的子样本级，从而得出更为精细和有趣的结论，也使得分析得出的结果更加符合情理，并且使之后的研究更具有目的性。
从根本上说，QCA能充分分析社会现象的多样性与因果关系的复杂性，它能提供不同的因素组合对结果的影响作用，以便于研究者更深入地挖掘变量与结果之间的作用机制，为更深入的研究提供方向。
与传统的单一案例研究相比，QCA在以下方面具备一定的优势。
首先，它采用多个案研究，避免了单一分析的面向，通过建立起因果关系的多元分析构成，充分地注意到了个案本身的异质性和复杂性；其次，QCA能分析多重因果关系组合，这是一种基于个案现象探寻逻辑条件组合，但又有别于事件“统一”整体的全面了解个案的方法；再次，区别于传统质性研究挖掘个案间变量关系的做法，QCA能以逻辑条件组合为基础，进行同一模式内不同个案之间以及不同模式之间的比较。
与传统的自变量及其影响为导向的回归分析相比，QCA也具备一定的优势。
回归分析是以案例和导致结果的原因为导向，它主要寻找某一结果产生的原因。
回归分析在大样本（large-Nsamples）和对变量平均作用的研究中具有较大的优势，但在中小规模样本（moderatelylarge-Nsamples）的分析中，由于样本量的限制以及影响因素的复杂性意味着统计建模和统计推断难以提供有效的分析结论。
QCA在这些方面则具有一些优势，它能够有效、系统地处理多案例比较研究数据。
首先，QCA关注于产生某一结果的充分和必要条件，能分析原因组合对结果的作用，这是回归分析做不到的。
因为回归是基于自变量间的相互独立（independenceofvariable）的理念，且易受到自相关与多重共线性的负面影响。
其次，在中小规模样本的分析中，QCA能够对结果的原因进行更深入的分析，它强调导致结果可以有多个因素组合，进而可以理清导致这一结果的多种方式和渠道。
并且，QCA还可用于多重原因的不同组合分析，当某一结果是由多种原因的不同组合所导致时，QCA可以测量不同原因组合对结果的净影响。
当然，QCA也存在一定的局限，比如无法有效处理时间序列数据和进行面板数据分析。
QCA在处理连续变量时，通常是用校准的方法将连续变量转化为二分或定类变量，这种做法包含太多的主观和武断的因素，因此，QCA在面对连续变量的时候并没有优势。
此外，由于QCA的前提是承认研究对象的因果关系的复杂性，以及某一社会现象的多重并发条件的存在性（黄荣贵、桂勇，2009），这就需要研究者对社会现象的多重并发条件的存在做出预判。
然而，并非所有的研究问题都存在着多重并发条件，所以，从这一角度看，传统的量化研究聚焦于单个变量的显著性就比QCA更合理。
如何有效处理时间序列数据将是QCA未来进一步发展及得到更广泛应用需要突破的最大瓶颈。
五、QCA在社会科学研究中的应用及其发展趋势
有越来越多的学者认同，即便同流行的统计方法相比，QCA都有着独特的应用价值。
事实上从国际层面来看，QCA已经被广泛应用于抗争政治的研究，如工业行动、社会运动、社会革命、抗争事件等研究领域。
其一，对工业行动发生原因的探究（RoscignoandHodson，2004；Dixonetal.，2004；HodsonandRoscigno，2004）。
在引入QCA方法以后，工业行动研究的关注焦点不再局限于车间组织结构或者车间社会关系，而是加入更多元化的解释。
即组织结构、车间人际关系与工会的存在、集体行动历史等因素联合解释了工人的抗争策略。
其二，对社会运动的影响因素及其结果的分析（Amentaetal.，2005；CressandSnow，2000；Ishidaetal.，2006；Hagan&Hansford-Bowles，2005；Osa&Corduneanu-Huci，2003；渡边，2001；Watanabe，2007）。
在引入QCA方法以后，社会运动研究通过跨城市的多案例比较，分析组织的、策略的、政治的以及结构的变量之间的相互作用以及相互联合关系，并由此对社会运动发生的原因进行系统化解释，得出了社会运动发生的多重路径，弥补了传统线性回归分析忽略原因变量之间的联合以及交互作用的缺陷。
其三，对社会革命结果的机制性解释（Wickham-Crowley，1991）。
QCA的引入使得社会革命研究更多元与深入，可以考察多重因素的联合效应对社会革命发生结果的影响，以及导致社会革命产生的多个因果路径，并且探究其发生或不发生的不同原因条件组合等。
其四，对集体抗议事件爆发机理的研究（AmentaandHalfmann，2000；Walton&Ragin，1990；野宫，2001）。
QCA通过案例比较，可以系统考察导致集体抗议事件产生的国际及国内影响因素，并对不同因素组合所产生的结果进行比较。
QCA不仅可以解释集体抗议事件发生的条件也可以解释其不发生的条件。
抗争事件一般为小样本数据，且抗争事件的发生是同时受多重因素影响的，由于样本量的限制及事件影响因素的复杂多元性使得传统的统计建模和统计推断方式无法提供系统、有效的分析。
而定性比较分析正好可以弥补这一缺陷，它可以系统、有效地处理小样本多案例比较的研究数据，进而系统地考察事件发生的原因、内部生成因子之间的互动关系、以及所有可能性关系组合，从而对抗争事件的发生机理进行深入阐释。
当然，QCA除了在处理样本数有限且宏观变量较多的数据时具有较大优势以外，在微观层面数据的分析上也有一些探索。
比如：
有学者利用QCA方法，对在日中国人收入水平的影响因素进行了考察（竹ノ下，2004），对“社会弱者”的形成条件的考察（高坂·与謝野，2000）等。
由于QCA能给出因素组合，其分析结果有利于研究者寻找更好的机制性的解释并指导进一步研究，因此，可以说QCA在微观层面的数据分析上也具备一定的优势。
我国目前使用QCA方法的学术研究还不是很普遍，仅在抗争政治、政治治理、管理绩效研究等领域有所应用。
其一，在抗争政治研究领域，黄荣贵和桂勇（2009）首次将QCA应用于抗争研究，通过比较15个业主集体抗争的案例，系统地检验了互联网与集体抗争之间的关系。
{4}这一应用突破了个人层面数据及个案资料数据对于抗争研究的内在局限性，系统地处理了多案例比较研究数据。
李良荣等（2013）采用QCA方法，系统考察了网络群体性事件的爆发成因及其内部生成因子之间的互动关系、可能性关系组合，并找出网络群体性事件爆发的关键原因。
{5}唐睿和唐世平（2013）把定性比较分析引入对历史遗产与转型的因果关系研究中，并采用模糊集与多值集分析技术更细致地讨论了这些历史遗产因素和不同历史遗产因素组合对原苏东国家民主转型的作用。
{6}QCA的引入使得抗争研究的数据类型从传统的个案拓展到多案例比较，极大地丰富了抗争研究的数据利用类型，提升了数据的使用效果。
此外，研究者一般难以接近抗争事件的现场，所以在抗争研究中，数据采集是一个难题。
QCA通过采用后编码回溯的方式对抗争事件进行再组织、再编码，一定程度上解决了抗争事件数据采集的困难。
其二，在政治治理研究领域，何俊志和王维国（2012）利用北京市各郊区乡镇人大的宏观资料，考察了乡镇人大的代表结构与履职绩效间的关系{7}。
王程韡（2013）通过引入模糊集定性比较分析，对腐败产生的社会文化机构性因素和经济监管等环境性因素进行了跨国比较。
{8}在已有的运用各种类型的统计方法所做的政治治理研究中，对各类因素在何种程度上影响政治治理这一问题上有着不同认识，此外，地区及国家异质性的影响也使得统计结果所能解释的样本比例很有限，而QCA的引入使得案例的特异性与复杂性能够得到兼顾。
其三，在管理绩效研究领域，李健（2012）采用模糊集定性比较分析，探讨民营企业规模、政治战略、政治联系和政治影响力之间的相互匹配关系及对企业政治行为有效性的影响。
{9}倪宁和杨玉红（2009）采用模糊集定性比较分析方法，考察了文化企业经营人才的胜任力与企业能力间的匹配关系。
{10}夏鑫（2014）阐释了定性比较分析的研究逻辑，并分析了其运用于经济管理学研究的优势。
{11}李健和西宝（2012）采用模糊集定性比较分析方法，解释了管制俘获成因。
{12}与传统管理绩效研究中对单一个案的深入研究不同的是，QCA采用多案例的比较研究，它可以弥补单一案例的选择性偏差问题。
此外，QCA以逻辑条件组合为基础，对不同模式间以及同一模式内的不同个案之间进行比较，这有助于寻找更好的机制性的解释，比个案分析及回归分析得出的结果更精细、更有趣、且更符合情理。
同样，QCA在处理微观层面数据方面也得到了探索性应用，李蔚（2015）以QCA作为分析工具，对移民群体的小样本案例做了一个探索性研究，考察了在日中国技术移民主观幸福感的影响因素。
{13}除了能有效、系统地处理宏观数据以外，QCA在处理微观数据方面也具备一定的优势，QCA给出的不同因素组合对结果的影响作用，有助于研究者发现变量与结果间的机制，有利于寻找更好的解释，借助QCA所得出的初步结论，可以重新检阅案例，使下一步的研究更具有目的性。
总之，QCA已经在国内外社会科学研究中得到了广泛运用，它代表着一种全新的研究逻辑，是传统的质性研究和量化研究的重要补充。
QCA结合了二者各自的优势，既吸收了定性方法以案例为导向的优势，又充分吸纳了定量技术的一套比较的方法，从而建立起综合性的分析方法。
QCA在对案例和变量描述的基础上，对现有的理论假设进行检验，并在此基础上不断提出新的理论主张，使研究得到不断推进。
最后需要指出的是，不管是QCA方法或者是传统的回归分析方法都只能给出原因变量和结果变量之间的对应关系，这都不能算是完整的因果解释。
完整的因果解释既需要包含原因变量又需要包括机制的分析。
因此，不论是QCA或是回归分析都不应该是分析的最后一步，完整的分析应该是以QCA和回归分析为基础，结合因素和机制，以构建更加完善的因果解释。
注释：
①RaginCharlesC.，TheComparativeMethod：
MovingbeyondQualitativeandQuantitativeStrategies，Berkeley：
UniversityofCaliforniaPress，1987.
②Caren，NealandAaronPanofsky，TQCA：
ATechniqueforAddingTemporalitytoQualitativeComparativeAnalysis.SociologicalMethods&Researc
升级会员 