分析策略：模糊集定性比较分析

定性比较分析适用于中小样本的案例比较研究。该方法借助集合理论来建立解释条件和结果变量之间的必要关系与充分关系。就充分关系而言，定性比较分析有助于识别结果发生的多重并发原因，即不同解释条件的组合共同导致特定结果的发生，而同一结果的发生可能有不同的组合性原因。在定性比较分析中，大写字母表示条件发生，小写字母表示条件不发生，操作符“*”表示同时发生，操作符“+”连接两个可替代性因果路径。比如，“A*b+B*c=Y”表示有两个因果路径可以导致Y的发生，其中路径A*b表示A发生并且b不发生，路径B*c表示B发生并且c不发生。

为了克服传统明确集定性比较分析要求所有变量为二分变量这一缺陷，拉金^[65]提出了以模糊集为基础的定性比较分析。模糊集定性比较分析采取模糊集得分来表示结果和解释条件发生的程度，其得分原则上可以是0至1之间的任何数值，因此能较好地避免数据转变过程中的信息损失，更加准确地反映案例的实际情况。该方法已被应用于社会运动研究^[66]。

在分析中，研究者首先要明确模糊集赋值原则及取值的含义，然后根据一致性和覆盖率指标来判断结果与解释条件之间的关系。一致性指标可用于判断特定条件（组合）是否看作结果的充分条件或必要条件。若解释条件（组合）X是结果Y的充分条件，则X的模糊集得分应该小于或等于Y的模糊集得分，而对应的一致性用如下指标衡量：

Consistency（Xi≤Yi）=Σ［min（Xi，Yi）］／ΣXi

当该指标大于0．8时，说明有80%以上的案例符合一致性条件，可认为X是Y的充分条件。当一致性得到满足后，研究者可以进一步计算覆盖率指标：

Coverage（Xi≤Yi）=Σ［min（Xi，Yi）］／ΣYi

该指标描述了解释条件（组合）X对结果Y的解释力。^[67]覆盖率指标越大，则说明X在经验上对Y的解释力越大。类似地，我们可以计算Consistency（Yi≤Xi）来评估X是否可看作Y的必要条件。若该指标大于0．9，我们可认为X是Y的必要条件。

在探索性分析中，研究者可以使用上述指标来评估单变量的必要性和充分性。然而，在分析结果的多重并发原因时，研究者首先需要借助一致性指标建构真值表，以此呈现解释条件和结果变量的不同组合，接下来可使用布尔最小化算法对真值表进行简化，从而得到导致结果发生的因果路径^[68]。

在定性比较分析中，若所选择的解释条件较多，变量组合的数量将呈几何级数增加，从而使结果变得过于复杂而难以理解。现有方法论文献建议先从理论上阐明不同变量交互影响结果的机制，然后在分析中引入相应的变量^[69]。鉴于现有大部分抗争结果的文献仅指出影响结果的因素，少有阐明不同因素如何共同影响抗争结果^[70]，本文将先分别考察各理论的解释因素，然后再综合评估不同因素的交互作用。