组态视角下社区智慧养老服务的供需适配性调查与优化研究
摘要：伴随着信息技术的快速发展，智慧养老成为新时期养老领域的主要研究问题。为了更好地研究产业发展中供需适配性，文章基于组态视角，运用模糊集定性比较分析方法（fsQCA），探究高养老服务满意度生成的组态路径及其核心条件和边缘条件，形成智慧养老服务供需匹配的优化路径。
关键词：组态视角；供需适配性；社区；智慧养老
中图分类号：F719文献标识码：A文章编号：1005-6432（2025）18-0048-04
DOI：10.13939/j.cnki.zgsc.2025.18.012
人口老龄化背景下，养老需求显著增长，科技成为应对迫切养老服务需求的关键[1]。当前的研究多聚焦在如何将现代科技嵌入社区养老服务体系以缓解养老资源不足[2-4]、社区智慧养老模式探究[5]、养老主体和客体分类[5-6]等方面。结合前期研究基础，文章采用fsQCA方法，从组态视角深入分析惠州社区智慧养老服务，根据需求和供给的匹配度可看出满意度及满意率[7]，以及价格因素不是特别凸显的公共服务，供需适配强调供给对需求作出准确回应[8]，确定供需适配以产生高养老服务满意度为导向，探究不同条件匹配对满意度的影响，针对性提出建议，为优化社区智慧养老服务供需适配提供理论参考。
2模型构建与研究设计
2.1模型构建
养老是民生关键，优化养老服务供需适配性至关重要[9]。社区智慧养老运用信息化及智能化技术，拓宽服务渠道，整合养老资源，提升服务质量和效率，从而提高满意度。基于已有文献，文章选取“个体特征”“服务特征”“政策支持”“支付费用”和“服务质量”五个因素，构建科学的养老服务满意度评价指标体系（见图1），深入探究社区智慧养老服务高满意度的内在机理与实现路径。
图1社区智慧养老满意度模型构建
2.2研究设计
2.2.1研究方法
定性比较分析（QCA）是社会学家查尔斯·拉金于1987年提出的集合分析方法，最早应用于政治学、社会学等相关领域。它结合定性与定量分析的优势，可以揭示多个前因变量间的复杂关系对结果的影响。文章数据存在模糊性和不确定性，为避免产生矛盾组态或对分析结果产生影响，故采用fsQCA方法。
2.2.2数据来源与变量选择
文章选择惠州市惠城区、惠东县平山街道、稔山镇6个社区进行一对一问卷调查，发放问卷350份，通过对回收问卷的整理与数据分析，最终获得有效问卷320份。
以社区养老服务满意度作为结果变量，以影响社区养老服务满意度的因素作为条件变量展开研究，条件变量共分为五组：个体特征、服务特征、支付费用、政策支持和服务质量（研究变量选择、指标说明及赋值等具体如表1所示）。
3模糊集定性比较分析结果
3.1变量校准
fsQCA方法，校准是第一步，将收集到的数据依据模糊函数转化成针对变量属性集的模糊隶属度[0，1]，在实际的运算过程中，并不会使用1、0.5和0作为定性锚点，因此文章将选择0.95、0.50以及0.05作为“完全隶属”“交叉点”和“完全不隶属”三个定性锚点进行数据校准操作。在校准时为提高分析结果的准确性，对隶属分数0.5的数据都加0.001。
文中的6个变量均为模糊型变量。在确定定性锚点后，分别计算出6个变量所对应的校准锚点，并在fsQCA软件中的校准（calibrate）程序完成后进行模糊型变量的标准化运算，具体情况如表2所示。
3.2单变量必要性分析
变量校准是为了确定高养老服务满意度是否存在必要条件。单变量必要性分析的指标有一致性（consistency）和覆盖度（coverage）。一致性用于判断条件变量与结果是否具有必要关系，0.8以上表示为结果发生的充分条件，覆盖度越高则条件变量对结果变量的解释力度越高。
由表3可知，当结果变量为高养老服务满意度时，单个条件变量中一致性均低于0.8，无法单独作为高养老服务满意度的必要条件。
3.3真值表构建
在处理模糊集时，将隶属度分数在0.6～1的变量值标记为1。文章旨在探讨高养老服务满意度的影响因素，选取个体特征、服务特性、政策支持、支付费用和服务质量作为自变量。考虑到案例数量较大，设定案例频数阈值为3，并保持默认一致性阈值0.8，同时排除异常值，形成如表4所示的部分真值。
3.4条件组态分析
考虑到复杂解的普适性不足，而简约解缺乏足够的启示性，文章选择中间解进行深入分析。分析结果如表5所示，条件组态分析共得出4组产生高养老服务满意度的组态路径（S1，S2，S3，S4），其一致性水平分别为0.856，0.889，0.870，0.907，均高于fsQCA方法判断的最低阈值0.8。
3.5组态路径诠释
组态S1：前因构型为高个体特征*低政策支持*高支付费用，其中高个体特征和低政策支持为核心条件，高支付费用为边缘条件。形成该组态的