管理研究方法：理论、前沿与操作（第2版）课件 第3、4章 QCA分析法、案例研究法

第3章：QCA分析法讲课人：****QCA分析法

虽然使用传统方法也可以分析少数变量(如三项交互)之间的交互效应,然而诸如营商环境、制度环境、数字生态等复杂系统往往会呈现出多种因素相互依赖、共同影响结果的非线性特征,这就需要研究者关注如何分析多种因素复杂的互动效应对结果的影响,但基于传统方法的实证研究无法较好地揭示这类因果复杂性问题。

为此,本章详细介绍了QCA分析法这一致力于解决该类问题的方法,以帮助读者从整体论和组态视角来分析复杂管理问题。学习目标

了解QCA分析法的哲学基础和基本原理。熟悉QCA分析法的内在逻辑和利用QCA分析法开展研究的主要步骤。掌握QCA软件的操作步骤并解读结果。

目录CONTENTS1234QCA分析法的哲学基础QCA分析法的主要步骤QCA分析法的实际操作和软件示例QCA分析法在研究中的应用QCA分析法的哲学基础01一、QCA分析法简介

(一)集合关系——集合关系的类型

◆第一种集合关系是定义性的,如初中生(集合)是学生(集合)的一部分。这种集合关系主要是用一个集合去定义另一个集合。◆第二种集合关系则反映因果关系。举例来说,在政府效率高的城市中,创业活跃度高。在这个例子中,我们需要用理论与实践知识去解释高的政府效率如何以及为什么会导致高水平的创业活跃度。一、QCA分析法简介

(一)集合关系——集合关系的特点在集合关系中,前因条件和结果被视为集合。集合关系认为,前因条件相互依赖,各前因条件的作用效应与其所处的与其他条件的组合有关。这一假定使得因果关系不再具有可加性,所研究与分析的也不再是单个前因条件的净效应。集合关系是不对称的。例如,高创新产生高企业绩效,低创新(如垄断)未必导致低企业绩效,这是一种非对称因果关系。如果采取传统的相关方法,回归得出创新与绩效正相关,就会将其解释为一种对称性关系——高创新高绩效,低创新低绩效。一、QCA分析法简介

(一)集合关系——集合关系的分析策略在共享特定结果的案例中,识别它们是否有共同的前因条件(组合)。这检验的是出现特定结果的案例是否是具有共同前因条件(组合)案例的子集,主要用于必要条件分析。示例：企业层面的研究案例A、B、C都具有高绩效(即它们共享高绩效),用集合的语言则表述为它们都隶属高绩效集合。同理,共享前因条件(研究复杂性问题时,通常为前因条件的组合)是指A、B、C、D都隶属特定前因条件(组合)集合：因为,结果集合(包括A、B、C)是前因条件集合(包括A、B、C、D)的子集,因此这里构成了一种必要但不充分的关系,通常可以简称为必要条件关系或必要性关系。一、QCA分析法简介

(一)集合关系——集合关系的分析策略在共享特定前因条件(组合)的案例中,识别它们是否会出现相同的结果。这检验的是存在特定前因条件(组合)的案例是否是具有共同结果案例的子集,主要用于充分条件分析。示例：例如,A、B、C都隶属结果集合,A、B都隶属特定前因条件(组合)集合：因为,特定前因条件集合(包括A、B)是结果集合(包括A、B、C)的子集,因此这里构成了一种充分但不必要的关系,通常可以简称为充分条件关系或充分性关系。一、QCA分析法简介

(二)模糊集和模糊集合关系

模糊集使用0.0(完全不隶属)和1.0(完全隶属)之间的值来表示。其中：隶属分数1.0表示完全隶属某个集合。隶属分数0.0表示完全不隶属某个集合。隶属分数0.5为定性锚点,代表一个案例隶属还是不隶属某个集合的最大模糊点。由此,模糊集结合了类别与隶属度,既可以基于集合理论进行定性分析(类别),又可进行实证研究的精细等级划分(隶属度)。一、QCA分析法简介

(二)模糊集和模糊集合关系

案例在前因条件集合中的隶属度,为前因条件隶属分数中的最小值。当案例在前因条件集合中的隶属度小于或等于该案例在结果集合中的隶属度时,说明前因条件集合为结果集合的模糊子集,从而进行充分性检验。一、QCA分析法简介

(三)集合关系表示与集合关系计算

集合关系表示：“≤”表示“是……的充分条件”。例如，A≤B表示A是B的子集,表示的是充分性关系。“≥”表示“是……的必要条件”。例如，A≥B表示A是B的超集,表示的是必要性关系。一、QCA分析法简介

(三)集合关系表示与集合关系计算

集合关系有三种常见的运算:逻辑与(交集)、逻辑或(并集)和非集。逻辑与(交集)用“·”表示。集合A和集合B交集运算的表达式为A·B。案例在交集中的隶属分数,由构成集合(如A、B)的最小隶属分数决定。逻辑或(并集)用“+”表示。集合A和集合B并集运算的表达式为A+B,它由构成集合(如A、B)的最大隶属分数决定。非集用“~”表示。某案例在某集合的非集中隶属分数的计算,等于1.0减去该案例在原集合中的隶属分数。例如，~A=1.0-A。二、QCA分析法的核心假设

概括而言，QCA分析法存在以下三个核心假设:并发因果关系。QCA分析前因条件的相互依赖和不同组合构成的多重并发因果关系。等效性。导致同一结果Y出现的前因条件组合(组态)并不唯一,即多种组态等效。因果不对称。这可以细分为以下两种情况:一是导致结果Y和非Y出现的原因不同,不能用导致结果的原因的反面来解释结果不出现。二是前因条件作用不对称，前因条件在某组态中起作用,但在其他组态中有可能起反作用或者不起作用。三、QCA分析法的逻辑基础

QCA分析法的逻辑基础来自哲学家Mill提出的“一致性方法”和“差异性方法”的思想。“一致性方法”是指如果被研究现象的两个或多个实例只有某一个共同情况,那么这个使所有实例都表现出一致性的情况,就是这些现象的原因(或效果)。“差异性方法”是指如果被研究现象的一个实例在一个情况下发生而在另一个情况下没有发生,而除此之外其他都相同,那么这个使被研究现象表现出差异的唯一情况,就是这些现象的结果、原因或是原因不可或缺的一部分。四、QCA分析法的优势

首先,QCA分析法既可以进行小样本案例数(如15个以下案例)、中等样本案例数(如15~50个案例)的研究,也可进行大样本案例数(如100个以上案例)的研究。其次,它是一种定性研究和定量研究相结合的方法,既可用于探索性的归纳式研究,又可用于检验性的演绎式研究;既聚焦于分析案例,确保了分析过程的透明性,又融入了量化方法,做到了分析过程的可重复性。最后,QCA分析法从整体视角出发,观察和解释多条件、多维度的复杂现象,为解释因果复杂性提供了新的思路。五、QCA分析法的三种分析技术

1.csQCA技术csQCA技术更适合处理二分类变量,例如性别。当前因条件和结果能够进行二元划分,即各前因条件和结果能够被赋值为0或1(赋值为1表示隶属某个集合,赋值为0表示不隶属某个集合)的时候,适合利用csQCA技术进行分析。这种分析技术也具有一定的缺陷,主要是因为csQCA技术只能进行二分类变量的分析。因此,连续变量将被分为两种类型(赋值为0或1),一些细微的变化将被忽略掉。五、QCA分析法的三种分析技术

2.mvQCA技术当前因条件和结果无法进行二元划分,而是需要进行多元划分,即各前因条件和结果需要赋值为0、1、2、3等的时候,适合利用mvQCA技术进行分析。由此可以看出,相比csQCA技术,mvQCA技术在对变量的赋值上更为精确,更适合处理多分类变量。五、QCA分析法的三种分析技术

3.fsQCA技术csQCA技术和mvQCA技术只能处理类别(kind)变量,而fsQCA技术不仅可以处理类别变量,还可以处理程度(degree)问题。当各前因条件和结果不易划分为0或1的隶属问题,并且还需要考虑处于0~1之间的情况时,则适合利用fsQCA技术进行分析。此时,模糊集的隶属度可以连续地分布在0到1之间。与只进行二元划分的清晰集不同,模糊集使用了更为严格的子集关系,其隶属度的连续性更加契合社会科学中的连续现象。六、QCA分析法的符号表达

1.条件的存在和缺乏实心圆表示前因条件的存在,用空心圆表示前因条件的缺乏。用大圆表示核心条件,用小圆表示边缘条件。即核心条件的存在表示为●˜,核心条件的缺乏表示为

,边缘条件的存在表示为●,边缘条件的缺乏表示为

。六、QCA分析法的符号表达

2.布尔表达式“*”表示“与(and)”,“+”表示“或(or)”。前因条件的存在用大写字母表示,前因条件的缺乏用小写字母表示。示例：A*B*c表示条件A存在、条件B存在、条件C缺乏在两个产生相同结果的布尔表达中,如果只相差一个前因条件,那么这个前因条件就可以在布尔表达中删去。示例：A*B*C+a*B*C可以简化为B*C,A*B*C+A*B*c可以简化为A*B,那么A*B*C+a*B*C+A*B*c可以简化为B*C+A*B。QCA分析法的主要步骤02QCA分析法的主要步骤

一、提出研究问题

QCA分析的是组态问题,即多种前因条件的组合共同导致某种结果。基于溯因逻辑,研究者不提理论假设,而是结合理论选择前因条件,探索什么样的前因条件组态会导致特定的结果,以及是否存在前因条件是实现特定结果的必要条件。这种模式是QCA分析法用于研究因果复杂性问题的主要模式。如果研究者有明确的理论基础,也可以基于演绎逻辑,提出必要性和充分性的关系假设,再进行理论检验。二、选择案例

几点一般性的建议:选择案例应基于理论。案例选择不是采用机械的程序进行的,它遵循的是理论抽样原则。“结果”具有清晰的定义。研究者必须明确阐述对特定结果的清晰界定。例如,研究者如果关注“高绩效”这一结果,就需要清晰地定义什么是“高绩效”。案例需具有共同的背景特征。确定案例选择范围,在这个范围内,案例之间具有某种程度的相似性,因而能够在特定的维度上进行比较。二、选择案例

研究者应尽可能最大化案例间的异质性,以实现所选案例的多样化。具体包括:既包括具有正面结果的案例(如具有高绩效的企业),又包括具有负面结果的案例(如具有低绩效的企业);前因条件是变化的。研究者可以对案例进行增加或删除。在小样本研究中,研究者可能需要根据理论饱和度进行补充调查,增加案例;也可能删除跟研究背景差别很大的案例。在大样本研究中,这种案例的微调可能比较少。对小样本和中等样本而言,研究者需要深入了解每一个案例;对于大样本而言,研究者无法充分了解每个案例,但熟悉其种类或类别有助于深化研究。三、选择前因条件

在QCA分析语境下,一般使用条件、属性而非自变量来表达前因。选择前因条件可以参考以下几点标准:可以通过归纳或演绎构建前因条件。归纳法依赖于过去的研究和经验知识,识别影响结果的重要条件,因此具有较大的探索性；演绎法基于一定的理论框架推导出案例的前因条件。纳入的前因条件应该是变化的。如果条件是不变的,那么它将是一个常数(背景),纳入分析会增加模型的复杂性,没有实际意义。条件数量应保持在适度的范围内。通常而言,4~7个条件往往比较合适,一般不超过10个条件。三、选择前因条件

条件数量的增加会导致条件组合数量以指数形式增多,条件组合数量会很快超过案例数量,便极易出现“有限多样性”问题。有限多样性问题是指观测到的案例数量小于条件组合数量,得出的结论则会成为针对单个案例的个体化解释,而非真正意义上的理论解释。3个前因条件存在8(23)个组合,5个前因条件存在32(25)个组合,7个前因条件存在128(27)个组合,9个前因条件存在512(29)个组合……在中等样本研究中,条件数量一般为4~7个;在大样本研究中,条件数量在此基础上可以增加。条件数量没有绝对的数值范围,通常需要研究者平衡理论的简约性和条件组合的复杂性。四、收集数据

在选择案例和提炼前因条件之后,研究者需要进行前因条件和结果数据的收集,以便形成原始数据。一手数据包括问卷调查数据、案例分析数据等;二手数据包括统计部门公布的资料(如统计年鉴),各类信息中心发布的市场和行业发展报告,各类期刊、书籍、报纸提供的文献数据,企业的经营数据,等等。在研究中,学者往往会综合多个数据来源。五、校准

校准是一种常规的研究实践,要对待测量变量进行校准,以使原始测量具有可解释的集合隶属度。(一)为什么要校准传统定量方法VSQCA方法研究者往往根据观察到变量的相对分数来分析X的变化与Y的变化的关系。分析使用的是未校准的测量。示例:企业A具有150万元的利润,企业B具有200万元的利润。这种未校准的测量只能表明企业之间相对的利润大小:A企业的利润小于B企业,但它并未说明A、B两家企业到底是高利润企业还是低利润企业。

在QCA分析中,我们需要先校准前因条件X和结果Y,再分析它们的集合关系。示例：研究者如果要分析产生高利润企业的原因,就需要先定义高利润企业集合及其边界,进一步评估研究的样本企业在这个高利润企业集合中的隶属度分别是多少,这个过程就是校准。

五、校准

校准的过程是给案例赋值(即集合隶属分数)的过程,即将前因条件和结果的原始数据转换为模糊隶属度。QCA分析主要使用直接法进行校准。直接法是指设定三个定性断点(阈值)进行校准,分别是完全隶属、完全不隶属和交叉点。其中,交叉点是指完全隶属和完全不隶属的中间点,处于该点上的案例是否隶属某一集合的模糊性最大。(二)怎样进行校准五、校准

校准是为了表明案例在某个集合中的隶属度,关键在于外部标准。外部标准可以是基于已有的社会科学知识,也可以是研究者自己从已有的案例研究中总结得出的知识。也就是说,校准必须结合理论知识和实践知识进行深入思考,而非进行机械、自动的操作。总而言之,研究者应明确阐释外部标准的来源,并且系统、透明地应用这些标准。(二)怎样进行校准五、校准

以问卷调查为例：假设使用李克特五点量表,评分为1~5,依次表示“非常不同意”、“不同意”、“不确定”、“同意”和“非常同意”。研究者可将量表锚点“非常不同意”(1)作为完全不隶属阈值,将“不确定”(3)作为交叉点,将“非常同意”(5)作为完全隶属阈值。然而,在问卷数据的实际校准中,研究者往往需要灵活处理量表锚点与样本数据实际分布的关系,一旦出现应答不服从正态分布,或者某些点数没有被应答,导致样本数据分布与量表点数分布不一致,便需要重新考虑阈值。(三)校准实践举例——定量研究中的一手数据五、校准

理想的阈值是基于理论知识和实践知识设定的。如果没有理论知识和实践知识的支撑,则需要基于案例的描述性统计来设定。示例：将前因条件与结果完全不隶属、交叉点和完全隶属的3个校准点分别设置为案例样本描述性统计的下四分位数(25%)、中位数和上四分位数(75%),具体选择什么比例的分位数则需要根据样本实际情况和研究问题确定。(三)校准实践举例——定量研究中的二手数据五、校准

对于案例研究,研究者需要基于深度的案例分析和比较,根据案例在研究条件和结果方面的实际情况校准,可以直接赋值。(三)校准实践举例——定性研究在实际研究中,可能会同时使用问卷调查、二手数据和定性数据,因而可能需要针对具体情况采用多种校准方法,对于不同条件集合的类型也可能不同,因而同一个研究中集合的类型可能同时包括清晰集、多值集和模糊集。无论是对什么数据进行校准,首先考虑将理论知识和实践知识作为校准的依据,然后才选择其他依据进行校准。六、分析条件的必要性

在此之前，我们先对必要条件关系和充分条件关系做出介绍。在必要条件关系中,前因条件集合X是结果集合Y的超集(Y≤X),因此,前因条件不存在,结果也必然不存在。必要条件关系考察的是结果相同的案例是否具有一致的前因条件,它关注的是单个前因条件的约束作用,能够识别出哪些要素是使结果存在的约束条件。在充分条件关系中,前因条件集合X是结果集合Y的子集(X≤Y),因此,前因条件存在,结果也必然存在。充分条件关系考察的是前因条件相同的案例是否具有一致的结果,它关注的是前因条件的组态效应,分析哪些要素的组合可以使结果存在。六、分析条件的必要性

对必要条件关系和充分条件关系的识别,本质上是对集合关系进行评估。评估集合关系,需要观测两个指标:一致性和覆盖度。一致程度越高,说明越近似于完全的子集关系。在前因条件集合(X)和结果集合(Y)中,充分性关系是评估Xi≤Yi的一致程度；必要性关系则是评估Xi≥Yi的一致程度。覆盖度评估是指测量前因条件组合对结果的解释程度。覆盖度类似于相关关系中的强度,反映了前因条件在解释结果中的重要性。六、分析条件的必要性

在清晰集中,必要性等于前因条件与结果共同发生的案例数(交集)除以结果集合中的案例数,充分性等于前因条件与结果共同发生的案例数(交集)除以前因条件集合中的案例数。(一)一致性

低分高分不接受课外培训1814接受课外培训216一个简单清晰集中的集合关系示例当我们评估“接受课外培训”对“高分”的必要性时,一致性分数=16/(16+14)=0.53。当我们评估“接受课外培训”对“高分”的充分性时,一致性分数=16/(16+2)=0.89。六、分析条件的必要性

在模糊集中,对一致性用隶属度来测量。其中,Xi≤Yi定义的是充分性。min表示选择两个值中较小的那一个。Xi是指在前因条件中的隶属分数,Yi是指在结果中的隶属分数。与表示充分性的不等式Xi≤Yi相反,不等式Yi≤Xi定义必要性。计算公式为:(一)一致性六、分析条件的必要性

在清晰集中,覆盖度为特定前因条件导致结果的案例数(交集)与结果案例总数或前因条件案例总数之比。(二)覆盖度

低分高分不接受课外培训1814接受课外培训216一个简单清晰集中的集合关系示例当我们评估“接受课外培训”对“高分”的充分性时,覆盖度为特定前因条件导致结果的案例数(交集)与结果案例总数之比,即覆盖度=16/(16+14)=0.53。当我们评估“接受课外培训”对“高分”的必要性时,覆盖度为特定前因条件导致结果的案例数(交集)与前因条件案例总数之比,即覆盖度=16/(16+2)=0.89。六、分析条件的必要性

在模糊集中：在充分性评估中,覆盖度计算的本质是,评估前因条件与结果的交集覆盖结果集合的程度,可看作两个集合重叠部分占结果集合的比例。计算公式为:在必要性评估中,覆盖度计算公式为:(二)覆盖度六、分析条件的必要性

当有一个以上的前因条件充分导致结果产生时,对每个解唯一覆盖度的测量能够说明它们相对的实证重要性。(三)分隔覆盖度覆盖度的计算示例假设：有两条路径产生结果Y,即Y:A·B+C，第一条路径A·B的覆盖度为0.25,第二条路径C的覆盖度为0.3，二者的并集(A·B+C)的覆盖度为0.35。路径A·B的唯一覆盖度,是两条路径的总体覆盖度(0.35)减去路径C的覆盖度(0.3),即0.05。同样,路径C的唯一覆盖度=0.35-0.25=0.1。此外,两条路径的重叠部分是两条路径的总体覆盖度(0.35)与两条路径的唯一覆盖度之和(0.05+0.1=0.15)的差值,即0.2。前因条件总覆盖度覆盖度除去替代项唯一覆盖度A·B0.350.250.30.05C0.350.30.250.1六、分析条件的必要性

在了解了一致性与覆盖度及其计算之后,我们再回到条件的必要性分析中来。在这一步骤中：首先要进行一致性检验。必要条件一致性检验检测的是前因条件对结果的必要性,说明结果实例是否为前因条件实例的子集。一般认为,必要条件一致性分数的阈值为0.9。在通过一致性检验之后,才可对覆盖度进行评估。与一致性分数不同,覆盖度目前没有公认的阈值。七、分析条件组态的充分性

真值表条件组态的充分性分析是得出研究结论的一个核心步骤,其分析过程通常通过真值表来进行。真值表是从集合隶属分数转换而来的。它展示了逻辑上所有可能的前因条件的组合。如果k为前因条件的数量,那么前因条件的组合数为2k。进行真值表分析的主要思路如下:首先,研究者通过设定案例频数阈值与一致性阈值对初始真值表进行简化。之后,利用反事实分析进行逻辑简化。反事实分析是对逻辑余项进行假设,最终得出三种不同的解:复杂解、中间解和简约解。

七、分析条件组态的充分性

需要考虑案例的总数及在组态间的分布、前因条件的个数、研究者对每个案例的熟悉程度、模糊集校准中可能的精准程度、测量和赋值误差的程度、研究者对结果模式(粗糙还是精细)的兴趣等。(一)设定案例频数阈值示例：假设在一个数据集中,存在4个前因条件和12个案例,那么此时案例频数阈值设置为1较为合理。这是因为,当存在4个前因条件时,逻辑上存在16个前因条件组合,12个案例相对16个前因条件组合,数量较少(存在有限多样性问题)。一般情况下,在确定频数时应至少保留75%或80%的观察案例。示例：假设在一个数据集中,案例总数为100,在设置案例频数阈值并去掉逻辑余项之后,剩余的观察案例数应至少为75或80。七、分析条件组态的充分性

原始一致性(rawconsistency)是充分条件子集合关系的一致性,表示共享前因条件的案例在显示结果时的一致程度。一般情况下,原始一致性阈值应≥0.80。在设定阈值时,研究者应该综合考虑样本量、研究目标等方面的影响。(二)设定原始一致性阈值对于原始一致性分数大于或等于阈值的前因条件组合,我们将其结果编码为1,认为它是结果集的子集;反之,原始一致性分数低于阈值的前因条件组合说明不构成子集关系,我们将其结果编码为0,认为它不是结果集的子集。七、分析条件组态的充分性

PRI是指不一致的减少率(proportionalreductionininconsistency,PRI),它是一致性度量的一种补充测度。一般情况下,PRI设定为0.70以上,0.75以上更为理想。在一些战略管理研究中,0.65也是可以接受的。(三)设定PRI阈值七、分析条件组态的充分性

矛盾组态是指某种前因条件组合同时出现结果值为0和1的情形。一方面,研究者可以在前因条件提炼这一环节增加新的条件,或改变前因条件和结果的校准;另一方面,研究者也可以主观删除所有的矛盾组态,或是利用程序自动对矛盾组态进行取舍。(四)处理矛盾组态七、分析条件组态的充分性

社会现象的有限多样性致使我们很难观察到所有逻辑上存在的案例。逻辑余项可作为一个潜在的“简化假设”池,即提出关于案例数小于案例频数阈值的前因条件组合的假设。反事实分析属于一种思想实验,可以评估这些逻辑余项可能导致的结果。但需要注意的是,在进行反事实分析时,研究者要对“简化假设”的合理性和可信度做出评估,评估标准应基于已有的理论和实践知识,并透明地报告出来。(五)反事实分析七、分析条件组态的充分性

反事实分析包括“容易”的反事实和“困难”的反事实。示例：假设有四个前因条件A、B、C、D和结果Y,结果显示,A·B·C·~D≤Y。通过反事实分析,我们假设前因条件A、B、C、D的存在导致结果Y存在,即A·B·C·D≤Y。这个反事实使得原有的逻辑简化:A·B·C·~D+A·B·C·D≤YA·B·C·(~D+D)≤YA·B·C≤Y(五)反事实分析如果有理论知识说明前因条件D的存在导致结果Y存在,那么A·B·C·D≤Y便是一个“容易”的反事实分析。但是,如果理论知识和实践经验说明前因条件D存在导致结果Y不存在,那么A·B·C·D≤Y便是一个“困难”的反事实分析。七、分析条件组态的充分性

通过反事实分析,我们得出三种解:复杂解、中间解和简约解。复杂解：复杂解不基于任何逻辑余项,只分析案例数大于等于案例频数阈值的前因条件组合。即禁止进行反事实分析。(五)反事实分析简约解：简约解基于案例数大于等于案例频数阈值的前因条件组合,以及所有的逻辑余项。即允许进行“容易”的反事实分析和“困难”的反事实分析。中间解：中间解基于案例数大于等于案例频数阈值的前因条件组合,以及基于经验或理论的逻辑余项。即采用“容易”的反事实,排除“困难”的反事实。七、分析条件组态的充分性

通过观察和对比简约解与中间解,研究者可以识别出核心条件与边缘条件。如果某个前因条件既存在于简约解的某个组态中,又存在于中间解对应的组态中,那么这个前因条件是该组态中的核心条件;如果某个前因条件只存在于中间解中,那么该条件为边缘条件。(五)反事实分析模型中的总体一致性(overallconsistency)是指所有组态解中的一致性,通常情况下,建议其值至少为0.80。总体覆盖度是所有组态解总体上对结果的解释程度,目前没有参考阈值。八、汇报结果

对研究结果的展示通常使用QCA标准符号以表格方式呈现,并报告一致性、原始覆盖度、唯一覆盖度、总体一致性和总体覆盖度:核心条件的存在表示为●˜,核心条件的缺乏表示为

,边缘条件的存在表示为●,边缘条件的缺乏表示为

。组态中的条件用形容词描述其状态,例如“高创新”“非高创新”等。真值表分析的最终结果是对不同前因条件组合与结果关系的描述,因此,研究者需要在逻辑上综合所有的因果陈述。研究者可以对最终的组态解进行命名并解读。八、汇报结果

研究结果汇报格式示例九、稳健性检验

因为QCA分析法是基于集合论的方法,所以基于集合论的稳健性检验方法被普遍接受。(一)基于集合论的稳健性检验方法举例调整案例频数阈值：适用于大样本,可以将案例频数阈值提升或降低。改变一致性阈值：除了调整一致性阈值,研究者也可以对PRI阈值做出改变。调整校准阈值：使用不同的交叉点、完全隶属阈值、完全不隶属阈值。剔除或补充案例：对于小样本和中等样本分析而言,案例的剔除或补充并不适合作为稳健性检验方法,但对于大样本来说是可行的。九、稳健性检验

稳健性检验参考如下两个方面做出评估:(二)稳健性检验结果评估一是集合关系。当稳健性检验方法产生的组态解之间具有清晰的子集关系,则可认为结果是稳健的,即使组态构成看上去不尽相同。示例：某组态A*B产生结果Y,通过稳健性检验发现某组态A*B*C也产生Y,组态A*B与A*B*C的构成看起来是不一样的,但A*B是A*B*C的超集。在集合论中,这种结果是稳健的。二是参数差异。如果不同的稳健性检验方法导致一致性和覆盖度等参数的差异不足以产生不同的实质性解释,则可认为结果是稳健的。示例：一致性从0.82提高到0.85,或者降低到0.8,这都是在满足一致性阈值(如0.8)的范围内,并不会影响对结果的解释。QCA分析法的实际操作和软件示例03一、创建数据集

关于数据集,现有的软件版本可以处理的数据文件格式如下:由Excel或其他电子表格程序生成的*.csv文件;由Word或其他文字编辑软件生成,且只能保存为文本格式的*.txt文件;由SPSS或其他统计软件生成的*.dat文件;由Stata生成的*.raw文件,但如果以逗号分隔格式保存,那么扩展名可以更改为*.csv。数据集第一行为变量名称,变量名称须为没有嵌入标点符号或空格的字母、数字字符。从第二行开始为数据行,且每一行代表一个案例,缺失的数据以空白单元格替代。此外,不同列的数据类型可以不同,但同一列必须为相同类型的数据。一、创建数据集

依次点击“File—Open”,导入原始数据。本例中的数据包括城市层面的营商环境与创业活跃度,用于分析城市营商环境与城市创业活跃度的关系,EA表示创业活跃度,GE表示政府效率,HR表示人力资源,FS表示金融服务,PS表示公共服务,ME表示市场环境,IE表示创新环境。其中,EA为结果,GE、HR、FS、PS、ME和IE代表了6个营商环境要素,为前因条件。二、描述性统计

依次点击“Analyze—Statistics—Descriptives”,弹出如左图所示的对话框。在该对话框中,选择前因条件和结果,点击“OK”。如右图所示,将得到描述性统计分析结果,内容包括:变量、均值、标准差、最小值、最大值、案例数量以及案例缺失数量。研究者也可以利用SPSS等其他软件获取描述性统计分析结果。此外,研究者还需报告校准阈值。三、校准

依次点击“Variables—Compute”,出现“ComputeVariable”对话框。在函数下拉菜单中点击校准函数“calibrate(x,n1,n2,n3)”。其中,x表示要校准的变量名称,n1表示完全隶属阈值,n2表示交叉点,n3表示完全不隶属阈值。在计算对话框中的“Targetvariable”处输入校准之后的变量名称。在左侧变量菜单中,点击某一变量,将其作为校准变量；用对应的阈值分别替换n1、n2和n3,点击“OK”完成该变量的校准。依次对其他变量进行计算,完成之后,点击“OK”,导出校准后的数据文件。四、必要条件分析

导入校准后的数据文件,依次点击“Analyze—NecessaryConditions”,出现如左图所示的对话框。在对话框中的“Outcome”菜单处,选择要研究的结果。在对话框中的“AddCondition”菜单处,选择条件,并点击“→”,将其传输到“Conditions”条件框中,依次完成对所有条件的选择。需要注意的是,“条件”和“~条件”都要选择。输入完成之后，点击“OK”，将显示右图所示的分析结果画面。五、条件组态的充分性分析

依次点击“Analyze—TruthTableAlgorithm”,“SelectVariables”对话框将被打开。在“variables”中点击某一变量,之后点击“Set”,表示将该变量存在作为结果,点击“SetNegated”则表示将该变量不存在作为结果。在“variables”中点击某一变量,之后点击“Add”,表示选择该变量作为前因条件。重复该操作,依次选择其他前因条件。此外,如果选中“Showsolutioncasesinoutput”复选框,并选择caseID变量,那么分析结果中将呈现出各个组态的案例构成,建议做此选择,它是识别典型案例需要进行的操作。五、条件组态的充分性分析

在指定结果和前因条件之后,点击“OK”,将生成真值表。五、条件组态的充分性分析

依次点击“Edit—Deleteandcode”,弹出如上图所示的对话框。在第一个字段中,设置案例频数阈值。在第二个字段中,设置原始一致性阈值。设置完成后,点击“OK”,将呈现如下图所示的真值表。五、条件组态的充分性分析

赋值完成后,点击右下方“StandardAnalyses”进入标准化分析。当同一组态可以简化为多个等效质蕴含(primeimplicants)项时,会弹出如图所示的质蕴含对话框。质蕴含示例:A*B*~C是A的一个子集,意味着A蕴含A*B*~C;同理,A*B*~C是B的一个子集,意味着B蕴含A*B*~C。质蕴含对话框与简约解有关,研究者基于理论和实践从等效质蕴含项中进行选择,并进行报告即可。在本操作实例中:因为在转型期我国政府力量仍然占主导地位,公共服务水平受政府逻辑的影响更大,也更直接,故选择了“政府效率GEfz*金融服务FSfz*公共服务PSfz*市场环境MEfz*创新环境IEfz”作为质蕴含项。五、条件组态的充分性分析

如图所示，在选择标准化分析后,会出现中间解的对话框。如果前因条件的存在促进结果出现,则选择“Present”(存在)。如果前因条件的缺乏促进结果出现,则选择“Absent”(缺乏)。如果前因条件的存在或缺乏都影响结果,则选择“PresentorAbsent”(存在或缺乏)。该对话框牵涉复杂解、中间解和简约解的区别,需要研究者通过上述操作对“容易”的反事实分析部分做出判断。也即，依据理论或者实践知识对每个前因条件的结果贡献做出假设性选择。五、条件组态的充分性分析

在做出选择之后,点击“OK”运行程序,之后点击窗口右上角按钮回到主界面,输出窗口从上到下依次为复杂解、简约解和中间解。五、条件组态的充分性分析

QCA分析汇报中间解,并通过对比简约解和中间解来区分核心条件和边缘条件,结果如表所示。

高创业活跃度前因条件S1aS1bS2S3GE（政府效率）

HR（人力资源）

FS（金融服务）

PS（公共服务）

ME（市场环境）

IE（创新环境）

一致性0.890.830.870.82原始覆盖度0.090.140.100.40唯一覆盖度0.040.050.010.28总体一致性0.84总体覆盖度0.52QCA分析法在研究中的应用04一、构建理论

在使用QCA分析法进行研究的整个过程中,基于研究情境、研究过程和研究结果,并与案例进行“对话”,研究者可以提出新的理论命题,发展新的理论论断。当将QCA分析法作为一种方法去构建或检验理论时,有三种不同的推理逻辑:溯因、演绎和归纳。一、构建理论

基于溯因逻辑构建和延伸理论是QCA分析法较普遍的运用形式,福纳里等(Furnarietal.,2021)提出了组态理论化的三个阶段:界定范围(scoping),即结合理论,界定可能构成组态的前因条件的范围;连接(linking),即解释前因条件之间如何连接,以及为什么会出现这种连接;命名(naming),即基于组态结果的整体性和独特性对组态进行命名,从而发展组态理论。以上三个阶段是一个迭代的过程,往往需要返回先前阶段重新考虑。一、构建理论

组态理论化通常需要结合多个理论,纳入多个条件,并明确不同类型的复杂因果关系,其核心是构建前因条件间和组态间的联系机制。这就要求研究者根据研究问题的新颖性、所涉及理论的成熟度,有针对性地采取溯因逻辑或归纳逻辑来发展组态理论。二、检验已有理论

基于演绎逻辑和归纳逻辑,帕克等(Parketal.,2020)根据因果配方(causalrecipes，在因果配方中,存在两种逻辑:因子逻辑和组合逻辑)和组态生态,提出了检验组态理论的模式。因子逻辑对应的是前因条件,说明了哪些要素对结果是重要的;组合逻辑对应的是组态,描述了前因条件如何通过集合关系“与”“或”“非”连接形成组态,从而导致结果产生;组态生态则是指组态间的关系,研究者可以识别不同组态背后所代表的不同理论,进而解释它们是竞争的还是互补的。二、检验已有理论

一方面,基于前因条件组合的复杂关系,QCA分析法可用于检验并解释条件间的作用机制,从而证实或细化完善现有理论。另一方面,QCA分析法也可用于证伪理论和假设。对此,研究者往往基于相关理论提炼前因条件和结果,提出假设,进行QCA分析。三、人工智能背景下的QCA方法应用

在人工智能(AI)持续重塑商业逻辑与社会互动的背景下,管理学与人工智能的交叉研究快速增长,AI除了作为QCA方法的研究变量外,还可以直接作为研究方法直接参与管理学研究,与QCA方法形成混合方法。三、人工智能背景下的QCA方法应用

一方面,当AI作为核心变量进入QCA研究视野时,研究者不再孤立地考察AI的“净效应”,而是将其嵌入QCA的多维前因与结果分析体系中,利用组态视角解构驱动高水平结果的复杂逻辑。另一方面,当AI作为一种技术手段与QCA方法进行结合时,两种方法的优势将得到进一步的扩大。最常见的做法是AI技术赋能组态研究的测量与数据处理。研究者利用大模型从文本中自动抽取特征,再使用QCA方法分析。该混合方法既扩展了QCA方法对大样本与非结构化数据的适用性,也强化了对复杂因果结构的解释力度。关键术语

定性比较分析(qualitativecomparativeanalysis,QCA):基于集合理论和布尔运算,QCA分析法将案例视为条件的组态,分析特定前因条件组合(组态)和结果之间的集合关系,有助于回答多因并发、因果非对称性和等效性等因果复杂性问题。清晰集定性比较分析(crispset,QCA):当前因条件和结果能够进行二元划分,即前因条件和结果为二分类变量(赋值为1表示隶属于某个集合,赋值为0表示不隶属于某个集合)的时候,适合利用清晰集进行分析。多值集定性比较分析(multi-valueset,QCA):当前因条件和结果无法进行二元划分,而是需要进行多元划分,即前因条件和结果需要赋值为0、1、2、3等的时候,适合利用多值集进行分析。模糊集定性比较分析(fuzzyset,QCA):当前因条件和结果为连续变量,需要考虑处于0~1之间的隶属情况时,适合利用模糊集进行分析,其隶属度的连续性更加契合社会科学中的连续现象。关键术语

真值表(truthtable):分析复杂因果关系的关键工具,展示了逻辑上所有可能的前因条件的组合(组态)。如果k为前因条件的数量,那么前因条件的组合数为2k。逻辑余项(logicalremainder):案例数小于案例频数阈值的组态,在真值表中表现为缺乏足够的案例。复杂解(complexsolution):不基于任何逻辑余项,即只分析案例数大于等于案例频数阈值的组态。中间解(intermediatesolution):基于案例数大于等于案例频数阈值的组态,以及有经验或理论支持的逻辑余项。简约解(parsimonioussolution):基于案例数大于等于案例频数阈值的组态,以及所有的逻辑余项。矛盾组态(contradictoryconfiguration):某种前因条件组合同时出现结果值为0和1的情形。关键术语

核心条件(corecondition):如果某个前因条件既存在于简约解的某个组态中,又存在于中间解对应的组态中,那么这个前因条件是核心条件。边缘条件(peripheralcondition):如果某个前因条件只存在于中间解中,那么该条件为边缘条件。一致性(consistency):用于测量具有相同前因条件组合的案例在结果显示上的一致程度。覆盖度(coverage):用于测量前因条件组合对结果的解释程度。思考题

QCA分析法的逻辑基础是什么?这一研究方法的原理是什么?QCA分析法可以用来解决何种类型的问题?QCA分析法主要分析什么关系?利用QCA分析法进行研究的主要步骤是什么?如何运用复杂中介模型分析复杂机制？

延伸阅读

[1]拉金.重新设计社会科学研究:模糊集及超越.杜运周,译.北京:机械工业出版社,2019.[2]里豪克斯,拉金.QCA设计原理与应用:超越定性与定量研究的新方法.杜运周,李永发,译.北京:机械工业出版社,2017.[3]塔雷诺.管理研究方法.王永贵,译.北京:清华大学出版社,2015.[4]杜运周,贾良定.组态视角与定性比较分析(QCA):管理学研究的一条新道路.管理世界,2017(6):155-167.[5]杜运周,李佳馨,刘秋辰,等.复杂动态视角下的组态理论与QCA分析法:研究进展与未来方向.管理世界,2021(3):180-197+12-13.[6]杜运周,刘秋辰,程建青.什么样的营商环境生态产生城市高创业活跃度?:基于制度组态的分析.管理世界,2020(9):141-155.[7]Crilly,D.,Zollo,M.,&Hansen,M.T.FakingItorMuddlingThrough?UnderstandingDecouplinginResponsetoStakeholderPressures.AcademyofManagementJournal,2012,55(06):1429-1448.延伸阅读

[8]Du,Y.,&Kim,P.H.OneSizeDoesNotFitAll:StrategyConfigurations,ComplexEnvironments,andNewVenturePerformanceinEmergingEconomies.JournalofBusinessResearch,2021,124:272-285.[9]Fiss,P.C.ASet-TheoreticApproachtoOrganizationalConfigurations.AcademyofManagementReview,2007,32(04):1180-1198.[10]Fiss,P.C.BuildingBetterCausalTheories:AFuzzySetApproachtoTypologiesinOrganizationResearch.AcademyofManagementJournal,2011,54(02):393-420.[11]Furnari,S.,Crilly,D.,Misangyi,V.F.,Greckhamer,T.,Fiss,P.C.,&Aguilera,R.V.CapturingCausalComplexity:HeuristicsforConfigurationalTheorizing.AcademyofManagementReview,2021,46(04):778-799.[12]Greckhamer,T.,Furnari,S.,Fiss,P.C.,&Aguilera,R.V.StudyingConfigurationswithQualitativeComparativeAnalysis:BestPracticesinStrategyandOrganizationResearch.StrategicOrganization,2018,16(04):482-495.延伸阅读

[13]Gupta,K.,Crilly,D.,&Greckhamer,T.StakeholderEngagementStrategies,NationalInstitutions,andFirmPerformance:AConfigurationalPerspective.StrategicManagementJournal,2020,41(10):1869-1900.[14]Leppänen,P.,George,G.,&Alexy,O.WhenDoNovelBusinessModelsLeadtoHighFirmPerformance?AConfigurationalApproachtoValueDrivers,CompetitiveStrategy,andFirmEnvironment.AcademyofManagementJournal,2021,Online.[15]Ong,W.J.,&Johnson,M.D.TowardsaConfiguralTheoryofJobDemandsandResources.AcademyofManagementJournal,2021,Online.[16]Park,Y.K.,Fiss,P.C.,&Sawy,O.A.E.TheorizingtheMultiplicityofDigitalPhenomena:TheEcologyofConfigurations,CausalRecipes,andGuidelinesforApplyingQCA.MISQuarterly,2020,44(04):1493-1520.谢谢第4章：案例研究法目录CONTENTS1234案例研究法概述案例研究法的类型案例研究方法的主要步骤案例研究法关键技术操作示例5生成式AI在案例研究法中的应用学习目标理解案例研究法的基本含义、主要特征和质量评价标准。掌握案例研究法的不同类型,能从不同哲学取向理解案例研究法各种类型之间的异同。掌握单案例研究与多案例研究在研究设计方面的异同。理解案例研究法的基本步骤,掌握每个步骤的主要特征。能够针对某个研究问题,进行案例研究法设计。能够针对某个研究问题,尝试做一个单案例研究或多案例研究。能够使用生成式AI对质性数据进行编码分析，并由人工进行检验。案例研究法概述01一、案例研究法的由来作为一种与质性研究法有密切关联的研究方法，以归纳逻辑和构建理论为主要特征的案例研究法逐渐成为管理学领域备受青睐的研究方法之一；在众多学术期刊中使用该方法的文章所占比例还不高，但由于该方法的独特性，使用该方法的文章往往更容易脱颖而出，在“质量”上更有优势。例如，在国际上两本公认的管理学顶级期刊AMJ、ASQ发表的文章中,使用质性和案例研究法的文章仅占12%,但在年度最佳文章中却占到了48%。在国内，案例研究法的使用和普及伴随着工商管理学科成熟发展而逐渐得到重视。二、案例研究法的定义与特征(一)案例研究法的定义殷(Yin，2014)认为，案例研究法是一种经验研究方法，它深入现实生活情境中正在发生的现象，特别是待研究的现象与其所处的情境之间的界限并不十分明显时。艾森哈特(Eisenhardt，1989)则提出，案例研究法是一种研究策略，其焦点是理解某种情境下的动态过程，案例研究目标包括描述情境、检验理论或者构建理论，其中构建理论是案例研究的主要目标。本章所指的案例研究法是理论构建型案例研究法(theory-buildingcase

study)，即本章所介绍的案例研究法是选取一个或多个案例，通过对一个案例或多个案例进行分析，提出新概念、概念间关系、过程机制以及背后的理论解释，从而实现构建理论目标的一种研究方法。二、案例研究法的定义与特征(二)案例研究法的主要特征1.主要以构建理论为目标

常被称为归纳式研究方法(inductiveresearchmethod)，通过对案例数据的归纳式分析，可以提出新概念、理论命题(概念间关系)、过程机制、演化机理等，这是案例研究法的独特之处。2.哲学基础和基本操作与定量研究方法有较大差异

前者强调以理论构建为目标的建构主义，后者则强调以检验理论为目标的实证主义。哲学基础的不同导致了案例研究法与定量研究方法的“长相”也有本质区别。三、案例研究法的质量评价质性与案例研究内部也存在不同哲学导向的影响，导致评价的维度也有差异。诠释主义导向的质性与案例研究中，林肯和古巴(Lincoln&Guba,1985)强调自然主义状态下进行的质性研究法可以从信任度(credibility)、可转移性(transferability)、可依赖性(dependability)以及数据的可确认性(confirmability)维度来评价。实证主义导向的案例研究中，殷（Yin）借鉴定量研究方法中信度和效度的概念，给出了案例研究法的信度和效度评价。三、案例研究法的质量评价第一，构念效度。构念效度是指构念能够形成一套正确的、可操作的研究指标，关键是构念的操作化质量。第二，内在效度。内在效度是从现象、事件、数据中找出因果联系，即需要发现某一特定的条件、情境和原因引起另一特定的结果。吉尔伯特等(Gibbertetal.,2008)认为内在效度关键在于研究者是否为研究结论提供了足够有力且令人信服的因果论证和逻辑推理。第三，外在效度。外在效度是指所构建的理论不仅能解释研究情境中的问题，还可能解释其他情境中的问题，也就是具有情境的可转移性。案例研究不具有统计学意义上的普遍性，不能由个案推导出对整体的结论。案例研究具有“分析普遍性”，通过对样本的分析来揭示背后的“一般性”。案例研究法的信度的关键维度在于透明度、可信度和可重复性。四、案例研究法的应用(一)构建新理论案例研究法的一个重要应用就是构建理论，如对理论进行深化、繁衍、竞争和整合。案例研究法可以提出新概念、新理论命题、新理论模型、新过程路径、新作用机理等，非常适用于探索和解释新的实践和现象、重大现实问题和挑战。我国进入新时代发展阶段，企业管理实践日新月异，制度和文化环境的独特性以及互联网等新技术兴起等带来了新变化，需要针对这些实践问题构建符合我国本土化情境的管理理论。王永贵和李霞(2019)提出要构建中国特色企业管理学。案例研究法恰恰能够在提出和构建中国特色企业管理理论方面起到重要作用。四、案例研究法的应用(二)能将学术成果与实践紧密结合案例研究法强调理论与实践的紧密结合，研究问题的源头是实践，同时也要回归理论;数据分析过程包括对来自实践的案例数据进行分析，还包括促使这些数据分析“涌现”出新的理论，并与现有文献进行对话，实现数据与理论的紧密贴合和匹配。案例研究法是一种“从实践中来，到实践中去”“理论与实践全面融合”的研究方法，因此该方法很好地解决了学术研究与实践的关联性(relevance)问题。四、案例研究法的应用(三)价值更加多元化案例研究有更加多元的价值和用途，能够为高校教师在人才培养、教学、社会服务等方面做出贡献。在案例研究开展过程中，调研获得的案例资料可用于建立案例数据库，该数据库记录了案例企业的成长，如果能够长期追踪和记录，则对该企业或行业是具有宝贵历史价值的资料;还可以开发教学型案例，在课堂教学中供案例教学使用，参加全国甚至国际性的教学案例开发大赛等。与此同时，还可以与案例企业建立紧密、长久的联系，在后续持续观察调研、人才培养、教学实践基地建立、管理咨询、培训授课、设立奖学奖等方面都可能起到重要的促进作用。对于高校教师来说，案例研究的开展，其价值是多元和全方位的，对于当前“四有”好老师要求下的高校教师全面成长而言也是一种非常合适的研究方法。案例研究法的类型02一、实证主义导向与诠释主义导向(一)实证主义导向案例研究法实证主义导向案例研究法以艾森哈特和殷的研究为代表。实证主义导向案例研究的部分特征有时也类似于定量研究。如强调运用案例数据对构念进行测量,甚至有时还会发放问卷以获取定量数据来测量构念;也会提出一些研究命题,且命题的陈述为变量之间的关系。但不管是测量还是提出命题,仍然是以理论构建为目标的、归纳式的案例研究法,这与定量研究方法有着本质的区别。实证主义导向案例研究文章在写作上会较多地使用变量语言，如“变量”、“定义”、“命题”、“方差”或“相关性”等，在数据收集上重视访谈作为一手数据来源并辅以其他类型数据；文章中常会出现研究步骤、实验设计思想、复制逻辑、三角测量、理论抽样、理论构建、案例内分析、跨案例分析等内容。（井润田和孙璇，2021）一、实证主义导向与诠释主义导向(二)诠释主义导向案例研究法诠释主义导向案例研究法强调对现象的意义的理解，研究者和研究对象进行深度互动、对话，从而强化在认知上从表层到深层转化的过程，共同建构结果，经常运用民族志、扎根理论、实地观察等方法来获取和分析数据。对案例中现象的认知、意义、动机和原因等进行建构和诠释，对案例情境进行“深描”(thickdescription)，进而归纳提炼出过程机制、深层机理等。这种类型的方法对研究者的理论构建能力、数据背后的意义建构能力要求很高，井润田和孙璇(2021)总结出诠释主义导向案例研究文章在写作上一般会使用理论抽样、半结构化访谈、实地观察、构建数据结构等技术,也会详细阐述从一阶、二阶编码到聚合维度以及数据分析的过程,常常采用“过程”“结构”“涌现”“洞见”“理解”和“解释”等频率较高的词语二、单案例研究法与多案例研究法(一)单案例研究法1.单案例研究法的原理与特点单案例研究法强调要讲一个好故事，通过“讲故事”来构建新理论。这里的“好故事”不仅包括描述案例情境、展开故事情节等在内的“案例故事”，也包括从案例故事归纳提出的概念及概念间关系、过程机制等“理论故事”。单案例研究所选择的案例的特征可用“黑天鹅”与“灰犀牛”来说明。单案例研究通过深入、细致、全面详尽的考察和研究，不仅能够获得有关个案非常丰富、生动、具体和详尽的资料(通常采用深描的方式对案例情境进行深入描述)，也能抽象出一般性的概念或者命题,为后续进行大样本的定量研究提供概念和理论假设。管理学中的单案例研究法在对案例企业的情境、发展过程、行动行为描述及背后的社会、心理、政治等深层次原因与影响机理分析等方面具有天然优势。二、单案例研究法与多案例研究法2.单案例研究的类型根据殷(Yin,2014)的划分，单案例研究可以分为整体性单案例研究与嵌入性单案例研究。嵌入型案例包括如下类型：(1)极端(extreme)或不寻常(unusual)单案例

这种单案例类型较为常见，这类案例与现有的常识、规范或日常事件有较大差异。(2)启发性(revelatory)单案例

当研究者第一次有机会观察和分析先前无法研究的现象或事件,有资源、有条件关注、进入某个独特情境下的企业进行研究时,适合采用单案例研究法。二、单案例研究法与多案例研究法(3)纵向(longitudinal)单案例

纵向单案例研究是针对两个或多个不同时间点、时间段上的同一个案例进行研究，这类研究能揭示所要研究的案例是如何随着时间的变化而变化的。特别是通过把时间分成若干阶段，可以分析每个阶段案例的变化特征，对比各个阶段的特征以及各个阶段之间的关系。嵌入性单案例研究则相对较为复杂,主要是考察同一案例(总分析单位)的多个子分析单位，对不同的子分析单位进行进一步的分析。通过对这些子分析单位的分析，可以聚焦该案例的“内部细胞”，深入分析这些“内部细胞”的异质性和互动关系。当然，子分析单位的特征和互动关系也会反过来影响案例(总分析单位)，因此需要从“局部”回到“整体”，即在对子分析单位进行分析后，还要抽象、归纳以回归案例(总分析单位)。二、单案例研究法与多案例研究法(二)多案例研究法1.多案例研究法的原理与特点(1)多案例研究法的原理多案例研究的设计原理与多元实验的设计原理较为接近,依据的是复制逻辑(replicationlogic)，即将每一个案例视为一个独立的实验，多案例研究则是一系列相互关联的多元实验，通过这些不连续的实验对将要产生的理论进行重复、对比和扩展。多个案例中的每一个案例，或者产生与前一个案例所得出的推论相同的结果，被称为逐项复制(aliteralreplication)，或者产生与前一案例所得出的推论不同的结果，被称为差别复制(atheoreticalreplication，也称理论复制)。二、单案例研究法与多案例研究法(2)多案例研究法的特点多案例研究法由于兼顾了研究的“严谨性”和研究与实践的“关联性”,在理论的普适性、研究设计的外在效度方面具有优势。实证主义导向案例研究大部分采用多案例研究法，使得多案例研究在一些研究步骤上和文章形式上“形似”定量研究。多案例研究和单案例研究有各自的特点和优势，不能一概而论地认为多案例研究就比单案例研究“更好”，似乎能做多案例研究就不做单案例研究。在理论的普遍适用性方面，多案例研究比单案例研究更有优势，但作为理论构建型案例研究，在讲一个好故事，提出有洞见、有启发性的概念或理论方面，单案例研究往往有独特优势二、单案例研究法与多案例研究法2.多案例研究的类型(1)变异设计(variancedesign)

这种类型的多案例研究设计在选择案例时标准是控制和排除与研究问题不相关的变量的变异，聚焦于找到多个案例之间的共同特征同时关注核心变量的变异，从而发现变量间的关系，清晰呈现概念间的因果关系链。艾森哈特的多案例研究设计较多采用此种类型。(2)竞争设计(racingdesign)

案例企业在起点具有相似的条件，但通过“竞争”，它们到达了某些自然状态下的“终点”，但从起点到终点的行为、路径等不同，产生的结果可能也不同。二、单案例研究法与多案例研究法(3)等结果设计(equifinalitydesign)类似于“殊途同归”,案例企业有相同或相似的结果,但起点的条件可能存在差异，实现结果的路径和机制也存在差异，因此目标就是挖掘造成同一结果的原因、过程、机制，这类研究设计较为常见。(4)极端案例设计(polardesign)研究者选择相互对比有极端特征的案例,比如高绩效和低绩效、快决策和慢决策等，通过创造和对比变异水平在两种极端情况下的相关结果的状态来构建理论。通常来说，这一类型在选择变量时要能够真正体现极端、可对比的特征。特别地，双案例研究法也常被学者采用，双案例研究是多案例研究的一种特殊类型，初学者或进入案例企业的机会较少的学者可以适当考虑双案例研究法案例研究法的主要步骤03案例研究法更多地体现为一套方法论，而不只是一项或某几项具体的分析技术或工具，因此需要对案例研究法的整体步骤进行全面把握。案例研究法的步骤主要包括：确定研究问题、准备理论基础、理论抽样与确定研究单位、数据收集、数据分析和理论对话。开展案例研究是一个循环的过程，是非线性的、不断迭代的，甚至可能反复迭代好几轮，这与定量研究方法有较大区别。案例研究法的主要步骤一、确定研究问题(一)案例研究法适合解决的研究问题第一，探索新概念、新构念。案例研究法的目标是构建理论，概念是理论的基石，新的概念、构念可以通过案例研究法来进行探索。第二，探索过程和机制。案例研究法可以对案例的复杂情境、长时段的变化过程等进行深描和归纳分析,在探索过程和机制相关问题方面具有优势。第三，探索未知现象、重大挑战等问题。“重大挑战问题”是指非常值得关注,同时有解决可能性的现实问题，这些问题因暂时无解且牵涉技术和社会层面的因素而显得非常复杂,需要跨学科的努力才能解决技术层面的问题,需要政治方面的参与才能解决社会层面的问题。一、确定研究问题(二)确定研究问题的几个策略1.运用“沙漏模型”来逐步聚焦研究问题首先,按照“沙漏模型”来确定研究问题。这和用定量研究方法确定研究问题的思路是一致的,即从领域到主题再到问题,范围逐渐缩小,在内容上逐渐聚焦。2.根据问题来源确定研究问题(1)从实践中寻找研究问题案例研究更加强调研究问题与实践的关联性,因此对案例研究法的使用者将实践观察和洞察、实践问题上升为理论问题,将实践中的资料抽象为理论命题等能力提出了更高要求。一、确定研究问题具体来看，可以从社会生活、新闻报道、行业杂志等方面找到企业经营管理中的热点、难点问题；在现实中与企业家交流,了解他们的真实困惑与深入思考，往往他们的思考会从另一个角度对学术研究有所启发;关注企业中反常规、反直觉的实践做法;获取普通人很难接触到的企业调研机会等。需要研究者深入与扎实地进行田野调查，能够与企业家、实践者进行正式和“非正式”的交流,通过“非正式”的交流往往能够获取更真实、更有价值、更有启发性的资料和视角。同时也要站在实践者的角度思考问题，