下载掌阅APP，畅读海量书库
立即打开
（1）扎根理论分析方法概述
扎根理论分析方法是一种基于案例资料的定性研究方法，其认为成熟的、具有解释力的理论难以通过演绎推理直接得到并通过假设检验得以验证，从而认为所有理论都源于现实世界的案例资料。扎根理论分析方法的目的是构建接近实际世界、具有解释力的理论，而不是验证理论。扎根理论分析方法的基本原理在于，从现实世界中的实际资料出发，摒弃既定的概念和个人偏见，深度挖掘资料本身的含义与状态，通过对原始资料的概念化和抽象化分析，提炼出反映社会现象的核心概念，再通过不断对相关资料进行对比分析，发展出范畴及范畴之间的关联，从而以核心概念和范畴之间的联系为桥梁建构理论，最终形成具有解释力的理论。扎根理论分析方法是通过对现象的归纳、提炼和抽象构建新的概念和理论的一种质性研究方法。扎根理论分析方法适用于现有理论体系存在空白、难以通过已有理论有效解释实际现象的问题领域，现已广泛运用到关键因素甄别、作用机理发掘和现象成因分析等研究领域（曾月明、许素，2019）。
扎根理论分析方法不同于传统的量化实证研究方法。量化实证研究方法需要在现有理论的基础上提出理论假设，之后根据理论假设做进一步的经验验证；扎根理论分析方法是一种自下而上的归纳式研究方法，其不需要理论假设，而是直接从现实资料中进行经验概括和抽象，从而升华为理论。扎根理论分析方法能够克服传统定性研究方法存在的如下不足：一是缺乏规范的方法论支持和标准化分析程序，二是归纳出的理论模型难以跟踪检验，三是得出的研究结论说服力不强（张敬伟、马东俊，2009）。
随着扎根理论的不断发展和完善，逐渐形成了三个流派：一是以Glaser为代表的经典扎根理论流派，二是以Strauss为代表的程序化扎根理论流派，三是以Charmaz为代表的建构型扎根理论流派。其中，程序化扎根理论凭借操作性较强的三级编码流程，在管理学、经济学、社会学等领域得到了广泛应用。
（2）程序化扎根理论分析方法的基本原理
程序化扎根理论分析方法是一种通过三级编码分析程序，逐步提炼出相关概念类属，从而构建与完善理论框架的定性研究方法。这里所说的“三级编码”包括环环相扣的三个环节，即开放性编码、主轴性编码和选择性编码。首先，从对原始数据的描述中抽取概念，此为一级编码；其次，对上述描述进行分类，以获得归类范畴，此为二级编码；最后，建立上述形成的分类之间的联系，以获得概念网络，此为三级编码。程序化扎根理论分析方法的编码流程如图2-1所示。
图2-1 程序化扎根理论分析方法的编码流程
第一步：开放性编码。开放性编码首先需要将收集到的资料打散，通过定义现象进行分类；其次对现象进行不断的比较，以归纳出能够描述现象的概念；最后将归纳出的概念进一步范畴化。因此，开放性编码具体包括概念化和范畴化两个环节。所谓概念化，就是将原始资料“揉碎”“拆分”，将原始资料想要表达的最深层含义和内容展现出来（Miles and Huberman, 1994），然后对这些含义和内容进行标签化处理，并将标签整合为高层次概念。所谓范畴化，就是基于上述概念间的逻辑关系，确定概念对应的范畴。这里的范畴其实是一组概念，如果某些概念只涉及同一现象，就可以把这些概念聚拢为一组，这时就需要一个层次更高、更加抽象的概念进行统摄，这种概念即范畴。另外，也可以将范畴理解为涉及同一现象、具有强逻辑关联的若干初始概念的集合。
第二步：主轴性编码。主轴性编码又称“轴心编码”，就是在开放性编码分析结果的基础上，寻找范畴之间以及范畴和概念之间的内在关联，将对应范畴进行归并处理，最终形成抽象性更强、概念化程度更高的新范畴的过程，得到的新范畴称为“主范畴”。主轴性编码阶段的主要任务：一是建立概念和范畴之间的联系，二是分辨出主范畴，三是通过主范畴把握事件的发展脉络。
第三步：选择性编码。选择性编码又称“核心编码”，指在已发现的概念范畴中进一步进行系统分析，选择一个核心范畴，从而将分析集中到那些与该核心范畴有关的代码、概念和范畴之间。也就是说，在通过主轴性编码获得若干主范畴的基础上，进一步通过选择性编码在不同的主范畴之间建立内在联系，并通过反复比对、补充，验证主范畴之间的内在关系（方德斌、董炜、余谦，2016）。这一过程需要对原始资料进行进一步分析，通过专家研讨、小组反复讨论等，在不同的主范畴之间建立联系，并不断进行比对、补充和提炼，最终抽象提炼出能够概括所有主范畴的核心词（短语），即核心范畴。
fsQCA方法通过整合模糊集与真值表发展出了模糊集定性比较分析方法。fsQCA方法使研究者在进行定性比较分析时，对案例条件和结果的分类不再限定于简单的二元划分，从而极大地拓展了定性比较分析方法的应用范围和适用性。运用FsQCA方法进行因果分析，主要包括如下七个步骤。
第一步：案例选择与数据收集。基于案例收集研究数据是该方法的第一步，案例选择需遵循如下基本原则：①所选的案例具有代表性；②案例类型具有多元性；③案例具有阶段确定性结果，即所选案例需要在一定时间段内呈现确定结果；④案例资料具有全面性。
第二步：前因条件的识别与设定。一般可以结合实际观察以及文献分析、因子分析等进行前因条件的识别。比如，关于地方政府的领导重视程度，可以考虑采用两种方式识别：一是领导小组是否由主要领导担任组长；二是主要领导是否出席相关工作会议并发表讲话，可以通过搜索地方政府官网和其他官方新闻确定（王法硕，2019）。
第三步：提炼前因条件，形成集合数据。在识别出前因条件后，需要结合理论与实践分析，将其转换为集合数据。fsQCA方法将前因条件标定为成员归属度（membership score），这是一个在0~1连续变化的模糊集变量。值得注意的是，此处0~1的集合归属度变量与传统统计分析中的定距或者定序变量不同，要根据理论和研究需要决定各个前因条件以及被解释结果在各个集合中的标定标准，只将与被解释结果“相关”的差异纳入考虑。根据定性比较分析研究的惯例，前因条件的数量最好控制在3~8个（Rihoux and Ragin, 2009）。
第四步：赋值（校准）。在fsQCA方法中，赋值区间为0~1，赋值越高，表示案例隶属度越高。fsQCA通常采用四分法，即“四值模糊集校准法”（Four-value fuzzy set），对变量进行赋值（校准）。将条件要素和结果要素按照赋值（校准）标准进行具体赋值后，将会得到条件要素与结果要素的所有组合，即真值表。在进行模糊集赋值（校准）时，一般依据案例在特定条件和结果要素上的隶属度高低将所有案例划分为四个部分，并分别赋值“1、0.67、0.33、0”（也称为“模糊集分数”）。其中，1表示完全隶属；0表示完全不隶属；0~1数值越高，表示案例的隶属度越高。隶属度确定的依据为各案例在不同前因条件和结果上的得分值在总体样本中的相对位置。
第五步：单一条件必要性分析（必要条件分析）。所谓必要条件，是指在所有能够产生被解释结果的条件组合中，必须出现的条件。在运用fsQCA方法对条件组合进行分析之前，需要对单个前因条件是否为被解释结果的必要条件进行检测（唐睿、唐世平，2013）。在fsQCA方法的必要条件分析中，一般采用一致性（consistency）与覆盖度（coverage）两个指标。必要条件的一致性反映了在多大程度上条件是结果的子集，而必要条件的覆盖度反映了结果在多大程度上与必要条件相关。一致性指标用来衡量单一条件变量对结果变量的解释程度，类似于回归分析中的系数显著度，一般以0.9作为临界值，一致性指标大于0.9的条件要素被视为必要条件，表明该指标可以独立解释结果变量；一致性指标小于0.9表明该指标与其他条件要素一起才能解释结果要素。在有些情况下，一致性临界值也可以放宽到0.8。将被解释结果分别设定为高、低两个值，在fsQCA软件中运行一致性分析，可以得到被解释结果分别为高和低两种情况下各前因条件的一致性得分。覆盖度表示被解释结果被特定路径解释的比例，用于分析除必要条件以外的其他条件要素组合对结果要素的解释程度，类似于回归分析中的 R 2 统计量。覆盖度越高，表明解释度越高。覆盖度指标表示条件组合可以解释的案例数量占总案例数量的比例（王法硕，2019）。比如，条件组合的覆盖度为0.8，表明研究结果覆盖了案例中80%的样本。
第六步：条件组态的充分性分析（充分条件分析）。条件组态的充分性分析用于判定特定的条件组态在多大程度上是被解释结果的充分条件及其对被解释结果的解释力度，从而形成引致被解释结果的多条路径。在fsQCA软件中，运行真值表运算中的标准分析（standard analysis），可以得到三个方案（或称为“三个解”），即复杂解（complex solution）、简约解（parsimonious solution）和中间解（intermediate solution）。复杂解由于没有简化，所得组态比较复杂，不利于随后的路径分析；简约解由于将简单反事实与复杂反事实分析都纳入简化过程，所得简约解很有可能与现实不符，而且有可能将重要的必要条件精简掉。因此，介于复杂解与简约解之间的中间解（也称“优化解”）更受研究者青睐。
第七步：“反事实”分析及结果报告。如果不对设定的被解释结果进行任何形式的反事实分析，那么得出的往往是“复杂解”，为了简化筛选出来的条件组态，需要结合理论干预假设和经验判断，进行反事实分析，使求出的解在复杂程度上有所降低，从而得出简约解和中间解，并区分核心条件和边缘条件。这里，核心条件是指对结果产生重要影响的条件，边缘条件是指起到辅助作用的条件。结合反事实分析，通过中间解和简约解，可以解释相关条件在产生结果的过程中是核心条件还是边缘条件：简约解和中间解中共同包含的条件为核心条件，仅在中间解中出现的条件为边缘条件。fsQCA一般以中间解为依据，导出引致特定结果的若干前因条件，以其代表具有结果等效性的多种路径。
（1）MAMCA方法概述
MAMCA方法，是有效解决社会-技术系统中多角色多准则之间立场冲突，提供一致解决方案的决策评估方法（Cathy，Laurence，and Lebeau, 2012）。与常规评估方法相比，MAMCA方法可进行多个项目的评估、排序与择优选择。该方法在整个评估过程中纳入了多元利益相关者的决策目标，并基于一系列标准对研究问题的许多替代解决方案进行评估和比较，从而确定最佳解决方案（Macharis，Lauriane，and Verlinde, 2014）。目前，已有众多学者将MAMCA方法作为可进一步深入研究的决策分析方法，评估过程中涉及多个参与者共同参与决策，并且该方法已在能源、交通、电力系统等多个领域得到了成功应用。这些研究都强调了在选择合适方案对策时涵盖多个利益相关者观点的重要性。MAMCA方法具有以下优点。①纳入了不同利益相关者的观点。MAMCA方法在整个评估过程中允许利益相关者充分参与并进行观点交流，决策者能够以合理和透明的方式考虑特定问题的所有已知方面，从而达成一致观点。②可以处理多种类型的信息和数据输入，允许在评估过程中使用不同的值形式（包括非数字或非货币形式），这与许多其他决策评估方法仅识别定量值的输入不同。③适用于事前决策。
（2）MAMCA方法的操作原理
MAMCA方法包括七个操作步骤，其中，前四个步骤对于完成全面评估至关重要。第一步是针对研究问题确定多种解决方案，可能的替代方案包括一些政策措施、不同的技术支持等。第二步是确定利益相关者，包括政府、企业、非政府组织、个人等。不同利益相关者在组织中拥有不同的利益和关注点，会影响组织决策过程或受到其影响。第三步是基于利益相关者的深入分析，目的是确定每组利益相关者的关键目的（标准）并获得相对权重。根据前三个步骤的交互和循环过程，第四步设置了相对标准、指标和度量工具，根据参与者的不同观点，对每个替代方案进行评级。在此过程中，会为每个标准建立一个或多个指标或属性，具体可以是定量（如价格、碳排放量等）指标，也可以是定性（高/中/低值）指标。第五步是总体排名和分析，为可能的解决方案指定等级，并对不同的处理办法进行进一步的描述。第六步揭示所选替代方案的优缺点，同时，可以执行敏感性分析检验结果的稳定性。第七步是在考虑多个利益相关者不同立场观点的基础上，根据实际执行结果提出针对性建议。