QCA方法发展及其在卫生领域中的应用

王 晨 孙明雷 邹丹丹 赵 娟 于丹丹 赵子华刘俊萍 刘智新 梁立波

随着环境复杂性程度的提高，卫生领域面临的问题不断增多且更加错综复杂，传统的单一前因变量或其与少量前因因素的交互已难以对结果做出全面合理的解释。一些学者认为，需要将研究的核心逻辑从简单的线性逻辑逐渐演变为现在的全局逻辑，解决复杂因果关系、更加考虑动态性的构型研究得到关注[1]。定性比较分析（qualitative comparative analysis，QCA）方法被认为是探索这种事物背后联合效应和互动关系的有效方法，适合于复杂因果关系问题的分析[2]，近年来已经被广泛应用于管理学[3]、社会学[4]、新闻传播学[5]等领域，但在卫生领域的研究还需要进一步丰富和发展。因此，本文从QCA方法的起源和发展入手介绍QCA方法的原理和应用，为卫生领域学者对于QCA方法的了解和应用提供参考，推动QCA方法在卫生领域的进一步应用和发展。

1 QCA原理和操作步骤

QCA既可以作为一种思想创新社会科学上的研究，还可以作为一种逻辑工具分析社会复杂性和因果关系。从思想上来说，它综合了定性研究方法的案例导向性和定量研究方法的条件导向性。案例导向性主要体现在它的多重并发因果关系。多重并发因果关系包含3个方面：一是将事物看作导致现象（需要解释的现象）的条件组合（潜在的解释变量）；二是认为不同的条件组合可能产生相同的结果；三是根据具体情况，条件会对结果产生不同的影响。条件导向性体现在它的简约性和可复制性，它通过布尔代数和集合逻辑实现了将案例简化为变量形式（条件和结果），即最小化算法组合，这样的方式也使得其他研究者能够以相同方式验证或者证伪分析结果[6]。

在技术方面，QCA的核心思想为集合论和布尔运算，它主要将案例赋值为具有一定意义的数字（条件组合），通过软件程序或者分析技术进行分析运算，输出简化的表达式。目前存在的主要分析技术手段见表1，fs/QCA和TOSMANA是国内外比较常用的分析软件；此外，R语言的灵活性也使得R成为QCA分析的重要环境。

表1 QCA分析手段

其技术手段主要分为3类：csQCA（清晰集比较方法）、fsQCA（模糊集比较方法）和mvQCA（多值集比较方法）[7]。3种的操作形式基本类似（图1）。在确定研究对象后，需要筛选出合适案例，案例的选择需要遵循理论抽样原则，追求案例的清晰界定和案例间的最大异质性。再通过理论视角、实践视角或者混合视角搭建自己的研究框架[2]，确定条件变量，我国学者杜云周也总结了5条条件确定的参考办法[6]；在条件变量的数量选择上，需要遵循数量和案例之间的平衡性。赋值或校准是QCA的关键步骤，需要根据理论或者实践知识，合理透明地为案例建立赋值标准。目前对于定量数据赋值标准主要采用Ragin提出的3种校准方式——直接赋值、直接校准法和间接校准法。最常采用的直接校准法是通过逻辑函数设立1（完全隶属）、0.5（交叉点）、0（完全不隶属）3个定性锚点对于原始数据进行校准；对于定性数据的访谈方式一般分为3类：一是通过清晰集将划分为“0”“1”，二是采用BASURTO的操作指南，以“频率”作为标准进行模糊集的划分[8]，三是采用TOTH的通用隶属评价模板，以事情发展方向作为标准，进行六分类模糊集的划分[9]。构建真值表后对于条件进行必要性检验，确定必要条件后通过软件输出结果的3种表达式：简约解、中介解和复杂解并加以分析和解释。最后，可以通过调整相关参数等方式进行QCA结果的稳健性检验。

图1 QCA分析步骤

2 QCA的主要数据来源和方法补充

通过对QCA有关文献进行梳理发现，目前QCA文章的案例数据主要有两种来源：一是定性数据，通过公开文件或其他定性手段收集资料，建立案例库[10]；二是定量数据，对于通过公共数据或者公开数据库进行分析[11]，部分学者采用定量的问卷调查方式获取问卷数据[12]。在数据处理中，相关性分析和量表信效度检验等是问卷数据案例前期准备过程中的常用方法[3]。

由于QCA目前仍然处于一个不断发展和完善的过程中，在结果分析中有些学者会采用结构方程或者实验法作为QCA方式的补充，进行结果的进一步分析和验证。Dul教授2016年提出必要条件分析（necessary condition analysis，NCA）来判断条件变量中的必要条件，可以作为QCA方法中必要条件判断的补充[13]；TJ-QCA（trajectory-based QCA）作为一种在概念和方法上解决和整合QCA流程的新方向也在提出和讨论中。

3 QCA的优点和局限

相较于传统的定性研究或者定量研究，QCA具有一定的优势：首先，样本大小选择具有灵活性。既可以用于处理定性研究无法处理的大样本，也可以处理低于标准回归分析所需的样本大小的中等样本或者小样本[14]。第二，QCA特别适合于讨论因果复杂性问题。对于单一因果条件难以解释结果的情况下，QCA可以以组合的形式对于多条件的不同组合方式和作用机制进行探讨。第三，承认允许因果条件的不同组合的等价性。等价性意味着因果条件（路径）的不同配置可以导致相同的结果，这也为发现的复杂社会关系提供了可能。第四，承认因果不对称性。因果不对称性意味着导致特定结果的因果条件组合不一定可以通过逆条件推出反结果[15]。符合客观的事情发展逻辑，也使得结果更具代表性。

由于社会学所具有的社会复杂性和因果复杂性，QCA可以解决因果复杂性问题，但是理论和现实的偏差常常在实际操作中存在问题。Fiss提出了4种把握社会学现象、更加合理使用QCA的策略[16]，见表2。

表2 4种把握社会学现象的QCA策略

但是QCA在某些方面依然具有局限性：一是对于数据的校准过程有着较高的要求。数据校准既可以支持也可以减损结果的有效性，一个有缺陷的校准过程将导致扭曲的发现，因此在手动校准需要详细解释所采用的校准过程及其基本原理，在校准过程中更加谨慎。第二，随着条件数量的增加，QCA产生的结果变得越来越复杂。QCA主要基于布尔算法将案例的排列组合进行逻辑推演，推算出可能存在的条件组合和简约化的条件组合。因此随着条件数量的增加，排列组合方式增多，结果解释会变得更加困难。第三，由于QCA主要通过条件组态完成案例的分析，因此很难处理时间序列和面板数据，在连续数据处理上同样具有缺点。第四是对于某些难以聚类的条件变量，可能会因为观察的有限性造成某些细微条件的缺失。

4 QCA在卫生领域的应用研究

QCA方法在卫生领域起步较早，起初集中在药品价格领域[17-18]，随着社会嵌入在中国的发展和应用普及，现在在医疗费用[19]、中医传承[20]等方面都出现了对于QCA方法的应用，学位论文多见。在卫生领域不少学者都进行了尝试，但是和其他领域相比，卫生领域中QCA的应用在适用范围和技术规范上还有进一步改进的空间。

卫生领域面临的问题不断增多且更加错综复杂，传统的单一前因变量或其与少量前因因素的交互可能难以对结果做出全面合理的解释，QCA方法在卫生领域的使用还具有进一步的可能性。尤其是在成因、影响机制等研究上，QCA可以作为一种方法手段的补充，进一步了解解释变量间的联合效应。

5 总结和展望

QCA方法作为一种整体论视角下基于案例比较的分析方法，尽管在数据校准处理上具有一定的局限性，但是相较于传统的定性和定量手段，QCA在分析事物解释变量之间的联合效应上有着特殊的作用，适合于因果复杂性问题的研究。它的应用和普及也进一步说明了该方法作为一种研究思路的补充，得到越来越多学者的关注和应用，逐渐成为一种趋势。而在卫生领域中，卫生系统内部所具有的复杂性特征为QCA方法提供了良好的适用环境，不仅可以用于不同案例地区的卫生政策、卫生环境之间的比较的深度分析；对于某些卫生组织机构，也可以通过QCA进行组织内部结构或者运行机制的比较分析；除此之外，通过对案例对象的设置不同，一些卫生问题的成因和影响机制分析也可以通过QCA实现。总体来说，根据案例的选择和解释变量的设定，QCA可以作为探究具有多因多果的卫生系统复杂性问题成因和内部机制的重要工具，在微观、中观或者宏观系统中都可以适用。