引言 社区嵌入式养老服务是基于卡尔·波兰尼的嵌入理论发展而来的养老服务模式，其通过整合社区及周边的养老服务资源，以资源嵌入、功能嵌入等形式，为社区范围内的老年人提供个性化、专业化和全方位的服务，集合了机构的专业服务、家庭的情感维系与社区的便利，可以更好地满足老年人的需求，成为我国养老服务发展的趋势之一。社区嵌入式养老服务既能满足老年人原居安养的愿望，又能利用社区周边资源为老年人提供专业、便利的服务。作为一种新型养老服务模式，社区嵌入式养老服务是完善我国养老服务体系、促进社会保障事业发展的重要途径之一。 国外没有“社区嵌入式养老服务”一词，国内学界主要从概念界定、发展现状、设施建筑、发展路径等视角研究社区嵌入式养老服务。就其影响因素而言，学者们从不同出发点进行了探讨。胡宏伟等(2015)基于宏观视角，认为社区嵌入式养老服务的发展过程实质上是社区嵌入式养老服务制度的完善过程，必然会受到宏观制度的影响，所以，应发挥政府的引导作用，促进社区与养老服务企业建立分工协作机制。周悦等(2019)以提升养老驿站嵌入能力为切入点，提出如下主张：政府宜建立全面风险管理机制，发挥监督职能；利用现代科技，搭建门户网站和信息数据库；在人才培养机制上，增设养老服务人才培养专业教育、职业教育、社会培训等培养体系。王晶等(2019)通过调研我国发达地区和欠发达地区的养老服务现状，根据地区特征，探究政府支持、养老服务设施利用、人才队伍建设等对不同地区的社区嵌入式养老服务的影响。李翔(2014)将关注点放在养老服务本身，认为政府引导、市场投入、服务水平、人才队伍建设等对社区嵌入式养老服务发展的影响重大。赵小兰等(2019)主张，通过精准定位和细化功能、实现跨社区连锁经营、构建邻避冲突解决机制以化解邻避困境、促进政策落地实施等，突破社区嵌入式养老服务发展的困境。张乐川(2020)基于动态视角探析健康中国战略背景下的关键性政策对我国社区嵌入式养老服务发展的影响机制。他认为，要从政策供给上规范嵌入式养老服务的制度标准和协调基本护理保险制度中的各方利益，这两个方面都非常必要而紧迫。 总的来看，当前学界关于社区嵌入式养老服务的研究更多的是针对特定地区的案例研究，且多为定性分析，虽有一定的深度但缺乏广度。此外，现有研究多采用基于线性因果关系的统计分析方法，对于探析社区嵌入式养老服务这一复杂问题存在局限性。本文拟基于已有研究的有益经验以及存在的不足，以我国部分城市的社区嵌入式养老服务模式为研究对象，以定性比较分析(qualitative comparative analysis，QCA)为研究方法，构建社区嵌入式养老服务发展影响因素定性比较分析的研究框架，挖掘出不同影响因素组合下的多重实现路径。在研究方法上，本文是一次有益尝试。 一、研究设计 (一)研究方法 Charles C.Ragin于20世纪80年代提出定性比较分析方法。该方法适用于分析中小数量样本的案例。经过多年发展，定性比较分析方法逐渐进入社会学、管理学等领域，为学者们提供了新的研究思路。 QCA方法以整体的案例分析为视角，在分析问题时将各条件变量视为互为影响的因素，这种设定更符合社区嵌入式养老服务影响因素的实际情况。此外，定性比较分析方法结合了定性分析的逻辑性、定量分析的客观性以及外部推广性，更适合用来分析复杂的社会问题。目前，定性比较分析方法分为清晰集分析、模糊集分析和多值比较分析三类。本文拟利用模糊集分析(fuzzy-setsanalyse)探究社区嵌入式养老服务模式的影响因素与发展路径。 (二)案例样本的选择 本文最初选择全国除港澳台之外的31个省份的省级城市的社区嵌入式养老服务组态作为研究样本，由于拉萨市和南宁市的相关数据不足，因此剔除这两个城市，最终确定29个省级城市为案例样本。这么做的主要原因如下：1)条件变量取自权威机构公布数据，具有可信性；2)29个省级城市的发展阶段、发展环境各不相同，这些城市中既有社区嵌入式养老服务发展较好的京沪地区，也有欠发达的新疆、青海等地区，同时将这些样本组态相结合进行分析，有利于充分识别社区嵌入式养老服务模式的相关影响因素及其组合路径。 (三)结果变量设计 本文的被解释变量是社区嵌入式养老服务发展状况，但目前学术界对此尚没有统一的衡量标准。基于此，本研究选择的结果变量为《中国城市养老指数蓝皮书2017》(《中国城市养老指数蓝皮书》课题组，2017)中的样本城市养老指数。《中国城市养老指数蓝皮书2017》是由国研智库联合北京甲子征信公司，邀请相关部委领导及行业专家，经过较长时间的实地调研与系统研究，不断充实、完善，最终形成的我国第一个反应城市养老服务状况的指数系统成果，可信度较高。本文使用该数据代表各个城市的社区嵌入式养老服务发展水平。 为便于分析，需要将结果变量的原始数据(即城市养老指数)进一步校准(calibrate)为模糊集的隶属度分值。因为原始数据是连续变量，因此通过软件计算来校准。在校准之前，将0.95，0.50和0.05的定性锚点设置为原始数据的90％，50％和10％的分位数，即75.02，67.80和60.90(见表1)。
