正文
与其他国家类似，中国民众对各级政府的信任也是中国政权合法性的重要来源之一。因此，研究中国民众政治信任的特征及原委，对理解中国的政权稳定和政治发展具有重大的实践意义和学术价值。在以美国为代表的联邦制国家，相对中央政府而言，地方政府更深入地参与民众的日常生活，地方官员政治前途在相当程度上依赖其辖下民众的支持，因而对其辖下民众的需求有较高的回应意愿。实证研究显示，在上述国家中，民众对州政府等次国家级政府表现出较高的信任，对联邦政府的信任反而较低。不同于联邦制国家，中国是单一制国家。与基于美国和其他西方国家的研究发现形成鲜明对比的是，自20世纪末以来，一大批基于中国社会调查微观数据的实证研究发现，中国民众对不同层级政府的信任呈现相反的趋势：随着政府层级的降低，民众对相应层级政府的信任也随之降低。相关文献以“差序政府信任”（hierarchical governmental trust）这一概念来描述这一经验发现，并在中国研究领域引发了持续至今的讨论。
差序政府信任是基于中国本土政治经验提炼出的重要学术概念，对其进行系统梳理，讨论其缘起和流变，将有助于更好地理解中国民众的关键政治态度，更深刻地认识中国政治运行的微观心理基础。虽然在中国研究领域，有关差序政府信任的研究引发了诸多讨论，但此概念及其理论内涵并未在国际比较政治学界得到应有的关注。现有大多数实证研究仍局限于对中国政治相关议题的探讨，未能从理论和经验上拓展这一概念在比较政治研究中的意涵和价值。此外，现有研究在核心概念的测量及相应的实证方法上尚未达成必要的共识，限制了彼此之间有效的对话，妨碍了学术界在相关研究议题上的知识积累和整合。本文将对现有关差序政府信任的核心理论文献和实证发现进行系统梳理，探讨相关研究在理论建构、概念测量和实证方法上的差异，指出未来相关研究需特别关注的理论和实证问题，并提出针对性的研究策略和方案。
20世纪90年代，面对中国地方上各种巧立名目的税费摊派，一些农民依据中央颁布的政策条款来抵抗地方不合理的政策，并通过信访等渠道发声，维护其合法权益。随着对相关经验现象的深入讨论，一些研究发现，在相当部分农民眼中，中国政府并非单一整体，而是存在不同的维度和层级：“中央是恩人，省里是亲人，县里是好人，乡里是恶人，村里是仇人”的认识在20世纪90年代的中国农村相当普遍。在以上经验发现的基础上，以李连江为代表的一批中国政治学者提出了“差序政府信任”这一描述性概念，并总结其基本特征为：一般而言，中国民众对行政层级较高政府的信任高于对行政层级较低政府的信任。这一概念虽已提出十余年，但相关研究在学理上较多局限于对经验的描述，加上现实政治实践的复杂，使得学界在对具体信任对象的识别，以及对差序信任的操作化和测量这两个关键环节上尚未达成一致意见，难以进行有效学术对话。这不仅妨碍了相关学术知识的累积和丰富，也导致学界迄今为止仍未能建立对差序政府信任生态结构的有效和系统认知。
认知差序政府信任生态结构的第一要务是识别不同行政层级的信任对象。一部分研究主要借助问卷设计，或利用统计模型尝试从既有的数据中提取相对抽象的不同政府层级作为考察对象（比如中央与地方政府的区分）；另一部分研究则直接利用中国现有政府层级划分，把中央、省、市、县、乡（街道）作为不同的考察对象进行研究。大体上可分为“设计驱动”“数据驱动”和“体制驱动”三种不同的识别策略。
亚洲晴雨表调查对不同行政层级信任对象的识别策略颇具代表性，其调查数据也在相关研究中被广泛使用。ABS在问卷设计中以相对抽象的“中央政府”和“地方政府”为考察对象，询问受访者的相关信任。这种“设计驱动”的策略主要依赖受访者对不同层级政府的主观判断来识别信任对象，意在提高调查数据跨区域的可比性，但无力探究民众如何认知“中央”或“地方”政府。
一部分学者在数据采集过程中虽系统区分不同层级的政府（比如中央、省、市、县、乡和街道），但随后则借助特定的计量模型（主成分分析、因子分析、聚类分析等）进行信息整合和降维处理，进而识别相对抽象的“中央”和“地方”政府。这种“数据驱动”的识别策略虽能较清晰地呈现民众如何认知“中央”和“地方”政府，但最终结果在相当程度上依赖于数据本身的特点，对数据采集过程中关键节点的差异（比如抽样、量表等）及研究者解读方式的差异都相当敏感。
还有一部分学者则把中国的五级政府直接识别为不同的信任对象进行考察。他们借助平行回归模型考察一系列类似的因素（人口学因素、政治心理因素、政治参与经历、政策评估倾向等）在民众形成对五级政府信任过程中的差异性影响。此种“体制驱动”的识别策略在一定程度上降低了相关研究对数据的依赖，但其背后却有一个较强的隐含假设，即绝大多数民众能清晰有效区分五级政府各自的政治权责归属和政策影响力。考虑到现实政治实践的复杂性，及一般民众相关认知能力的局限和信息的匮乏，此隐含假设的有效性会受到相当的质疑。
识别不同行政层级的信任对象之后，另一个重要的决定就是使用何种策略对“差序信任”这一概念进行合理有效的操作化和测量。一部分研究从“差序”这一核心要素最基本的含义出发，用相对简单的算数或者统计法则来进对差序信任进行操作化，建立定距的经验测量。另一部分研究则借助一定的构型编码技术对差序信任进行操作化，从而建立定类的经验测量。大体上可分为“算数差”“关系梯度”和“构型编码”三种不同的操作化和测量策略。
现有相当部分有关差序政府信任的研究，直接把不同层级政府之间信任的算数差作为其核心测量。简而言之，若某民众对中央政府的信任在给定的6分量表上圈选了5，对地方政府的信任圈选了4，那在上述研究中，该民众的差序信任就被记为1。另外一些学者虽然没有使用简单的算数差，而是借助分析相关关系的统计工具，使用民众对不同层级政府信任的变化梯度来操作化和测量差序信任。其实质逻辑与简单算数差是一致的，只不过利用了稍复杂的统计方法来减少测量误差的影响。
不管是基于“算数差”还是“关系梯度”对差序信任的操作化和测量，其有效性均依赖两个很关键的隐含假设。其一，调查所用的量表能提供有效的定距测量，且不同民众对量表的解读和使用是可比的。其二，调查所用定距量表中距离尺度的意涵，不会因其在量表上所处的位置发生变化。以现有相关研究中广泛使用的6分信任量表为例。要满足第一个假设的要求，研究者需要假定，对所有民众而言，“6完全信任”和“5信任”之间的差距，与“5信任”和“4比较信任”之间的差距，在主观评估上是等价的。要满足第二个假设的要求，研究者还需假定对所有民众而言，“6完全信任”和“5信任”之间的差距，与“4比较信任”和“3比较不信任”之间的差距，在主观评估上也是等价的。这两个假设的有效性都会受到相当程度的质疑。相对而言，第二个假设有效性会受到更多的质疑。毕竟信任程度的差异，与信任和不信任之间的差异，在本质上有重大区别。
与上述基于“算数差”或“关系梯度”的操作化和测量策略不同，另一部分学者力图通过更深入的数据分析、借助不同的构型编码方法（人工编码、潜在类别分析、机器学习模型等）对差序信任进行定类的操作化和测量。比如，有学者根据民众对不同层级政府信任算数差值的正负，把相关信任结构划分为差序政府信任、同等信任、同等不信任和反差序政府信任。也有学者利用机器学习算法（聚类分析等）把民众对不同层级政府的信任结构划分为都信任、部分信任、怀疑、都不信任。
相对而言，基于“构型编码”对差序信任的操作化和测量，在一定程度上区分了信任和不信任及相应程度差异在本质上的不同，从而减少了对上述第二个假设的依赖。但无论是借助算数差还是聚类分析进行构型编码，仍依赖于民众对原始定距量表有效且可比的解读。因此，现有研究中的“构型编码”策略仍对第一个假设有相当程度依赖。在实际生活中，大部分民众对不同层级政府的态度往往仅有类型及程度上粗略的区分，比如，是信任还是不信任?如果信任，是信任更多还是更少?如果不信任，是不信任更多还是更少?一旦把被广泛使用的定距量表调整为定类或定序量表，相应的构型编码及对差序信任最终的测量结果，也将随之发生显著变化。
