从假设检验走向最佳解释推理：战略溯因研究的 PEEBI 证词结构

作者： Sandeep Devanatha Pillai¹ | Brent Goldfarb² | David A. Kirsch² | Seojin Kim³ | Evan Starr²

¹ 杜兰大学弗里曼商学院（Freeman School of Business, Tulane University），美国路易斯安那州新奥尔良

² 马里兰大学帕克分校罗伯特·H·史密斯商学院管理与组织系（Department of Management & Organization, Robert H. Smith School of Business, University of Maryland—College Park），美国马里兰州帕克分校

³ 德雷克斯尔大学勒博商学院（LeBow College of Business, Drexel University），美国宾夕法尼亚州费城

通讯作者： Sandeep Devanatha Pillai，杜兰大学弗里曼商学院，美国路易斯安那州新奥尔良。电子邮箱：sdpillai@tulane.edu

收稿日期： 2024年12月24日　修订日期： 2026年7月6日　录用日期： 2026年7月11日

DOI： 10.1002/smj.70114

本文根据知识共享署名许可（Creative Commons Attribution License）条款开放获取，该许可允许在任何媒介中使用、分发与复制，前提是适当引用原始作品。 © 2026 The Author(s). Strategic Management Journal published by John Wiley & Sons Ltd.

摘要

研究摘要

尽管学者们普遍运用溯因推理（abduction），但对于如何报告其研究发现，学界并无公认的结构。此外，传统的假说—演绎（hypothetico-deductive）推理结构与溯因推理的认识论并不相符。我们提出一种溯因证词结构，称之为 PEEBI，它由五个部分构成：作者在其中运用先验知识与理论，确立值得关注的情境与观察，识别并评估对观察到的模式的可能解释，确定最佳解释及其接受该解释的推理，并将最佳解释抽象为更具可推广性的理论贡献。与溯因认识论一致，PEEBI 以谦逊、循序渐进的方式推进知识。PEEBI 突出透明度与作者判断的沟通，并通过向读者提供作出更明智判断所需的信息，从而提升读者的角色。

管理启示摘要

研究人员常常从一个令人惊讶的观察出发，反向推理到最佳解释，从而作出发现。然而，该领域对如何撰写这类研究尚无统一的方式，而传统的假设检验模板与这类推理的实际展开方式并不匹配。我们提出一种报告结构 PEEBI，它由五个部分构成：作者在其中运用先验知识与理论，确立值得关注的情境与观察，识别并评估对观察到的模式的可能解释，确定最佳解释及其接受该解释的推理，并将最佳解释抽象为更具可推广性的理论贡献。PEEBI 使作者的判断透明化，为读者提供权衡证据并得出自身结论所需的信息。

关键词： 溯因（abduction）、叙事（narratives）、科学哲学（philosophy of science）、推理（reasoning）、证词（testimony）

1　引言

"溯因"一词在战略研究话语中日益受到重视（Berry et al., 2021; Choudhury et al., 2023; Mantere & Ketokivi, 2013; Mitchell et al., 2022; Peirce, 1934/1903; Pillai et al., 2024; Sætre & Van de Ven, 2021）。我们沿用皮尔士（Peirce）关于溯因的原始构想及其后来发展为"最佳解释推理"（Inference to the Best Explanation, IBE）的演进，用"溯因"一词指代一种迭代的认识论方法，它将创造性的假说生成与对竞争性解释的严格评估结合起来（Harman, 1965; Lipton, 2004; Peirce, 1931–1958, 1934）。

学者们日益认识到溯因推理在战略研究中的价值，因为传统假说—演绎（H-D）模型的要求——研究者在收集数据之前就明确假说与抽样方案——在实践中很少得到满足（Bettis, 2012; Goldfarb & King, 2016）。本文的出发点是：作者认识到其研究不符合 H-D 认识论的要求，却可能不知道如何呈现真实可信（胜任且真诚）的证词（King et al., 2021）。  我们提出一种替代性的证词结构——PEEBI，即谜题（Puzzle）、证据（Evidence）、解释（Explanations）、最佳解释（Best Explanation）与诠释（Interpretation）——旨在匹配溯因推理的逻辑。我们认为，真实可信的溯因证词通常包含这五个要素，并据此提出我们偏好的证词结构：首先将论文锚定在特定情境（焦点时间与地点），凸显情境中的关键事实，并描述这些事实为何值得学界关注——无论是出于现象学还是理论上的理由（谜题）。  然后描述可获得的证据，并列举对这一证据的各种解释（解释）。接着，以一节篇幅描述并权衡这些解释的解释性美德，以支撑对解释的偏好主张并对其进行排序（最佳解释）。最后，讨论这一偏好解释是否以及为何具有可推广性——其范围条件是什么——以及它是否具有更普遍的意义或理论相关性（诠释）。

PEEBI 证词结构与溯因推理的认识论逻辑（见第2节）紧密平行。它为沟通推理过程及其背后的推理逻辑提供了一种透明、高效的方式。虽然没有一种证词结构是完美的，但 PEEBI 可以通过阐明认识论挑战始于解释而非理论，来引导作者真实可信地呈现溯因推理。理论是一套旨在解释广泛现象或跨情境相似模式的宽泛原则；而溯因则以解释的形式产生知识——解释是对特定观察集合的事后说明，因而在本质上受情境约束。此外，与 H-D 认识论所要求的"理论先行"证词方式不同，由于 PEEBI 将证词根植于其具体情境以生成解释，PEEBI 凸显了几乎每一种证据基础都会对由此产生的知识主张施加的限制。尽管由此类结构得出的主张必然更为谦逊，但这种谦逊能够促成更清晰的一致之处，并最终带来更具建设性的学术对话（Hannah, 2024）。此外，PEEBI 使研究者判断的沟通成为论文的一个关键目的，并通过使读者能够——甚至要求他们——作出自己的判断，从而提升读者的角色。

有必要说明本文的双重目的。在刻画溯因推理（第2节）时，我们就最佳解释推理的认识论——溯因推理在实践中如何运作——提出了一个以描述性为主的主张。在提出 PEEBI（第3节及以后）时，我们则就证词——如何最好地沟通这种推理——提出规范性主张。我们将 PEEBI 作为一种一般性建议加以介绍——即任何溯因论文中应当出现的关键要素的纲要及其通常可能展开的次序——而非对现行实践的描述。尽管这些要素对于有效的溯因证词必不可少，但作者有时可能会发现这一结构过于僵化，无法捕捉发现与探究的非线性本质。由于溯因研究可以采用多种形式，我们将如何在一篇论文中最恰当地安排这些要素留待学者自行判断。

2　什么是溯因推理？

溯因推理，即最佳解释推理，始于我们遇到一个需要解释的事实。研究者提出可能的解释，并评估哪一种解释最契合证据，这既依托先验知识，也依托哲学家所谓的解释性美德——与观察的契合（consilience）、机制的精确性（即深度）、与理论的融贯（coherence），以及假设与解释变量的简约性（即简洁性）。

对溯因的经典论述可追溯至 C. S. 皮尔士，他将其描述为"形成解释性假说的过程"（Peirce, 1934, Vol. 5, p. 171）——一种通过使令人惊讶的事实变得可理解而开启探究的创造性飞跃。对皮尔士而言，溯因不仅是逻辑形式，更是一种发现过程，嵌入于一个在观察、解释与假说之间往复移动的更广泛的探究循环之中（Douven, 2025）。相比之下，现代分析哲学家将溯因重新界定为"最佳解释推理"（Harman, 1965; Lipton, 2004），强调辩护而非发现——即研究者如何在相互竞争的解释之间作出理性选择。诠释学与实用主义学术中的平行发展（Reichertz, 2019; Tavory & Timmermans, 2014, 2022）使溯因回归其过程性根源，强调其迭代性与对话性特征——即支撑扎根理论与民族志推理的经验观察与概念框架之间的往复互动。PEEBI 建立在这一综合之上，将研究者在皮尔士式探究循环中如何在相互竞争的解释之间进行裁断加以操作化。

将溯因认识论应用于战略研究，采取以下 A 至 E 各步骤的形式（Cabrera, 2017; Douven, 2022; Lipton, 2004）。研究者的先验知识与理论（步骤 A）被应用于所收集的证据（步骤 B），以产生将证据联系起来的可能解释（步骤 C）。这些解释（ ）随后按照偏好顺序被评估和排序（步骤 D），接着阐述最佳解释如何推广并贡献于理论（步骤 E）（Pillai et al., 2024）。

A. 先验知识  ：  与理论  ： ；

B. 证据  ： ；

C. 解释： ；

D. ，使得   对   的解释优于所有   的  ；

E.  推广为  ，使得   解释  ：  由跨情境   的   构成。

从溯因推理中涌现的"最佳"解释并不是真理主张，而是关于哪种解释目前最能令人信服地契合证据的暂时性判断。  后续探究可能质疑其前提、底层事实或替代解释的排序。作为一种经验认识论，溯因推理始终受归纳问题的约束：所有解释都是可错的，而且无法保证正确的解释就在所考虑的范围之内。因此，将某种解释描述为"最佳"，意味着将其置于偏好排序之中，而非断言其真实性——这种框架将认识论的谦逊（epistemic humility）而非自信制度化。因此，研究结果并非作为普适定律呈现，而是作为特定情境的判断：即在给定当下数据与方法的情况下，某一时间点上可获得的最佳解释（Hannah, 2024）。由此还可得出进一步的推论：对更好解释的探索在本质上是开放的。在实践中，学者只有在对数据或理论的进一步互动不再产生真正新颖的解释可能性时，才会停止这一过程——即溯因的"停止规则"（stopping rule）。

因此，在溯因推理中，学者并非断言真理，而是判断哪一种可获得的解释（若为真）最能说明所观察到的证据。这一判断取决于两项相互关联的评估（Pillai et al., 2024）：一种解释在多大程度上接近真理（其似真性，likeliness），以及它提供多大程度的诠释意义（其可爱性，loveliness）。  似真性与可爱性又反映了对解释性美德——契合、融贯、简约与精确——的综合评估，这些美德引导着溯因推理。

溯因推理中的判断在本质上是主观的，因为这些美德是不可通约的（incommensurable），而且对可爱性与似真性的判断在不同学者之间不可避免地存在差异。不同的研究者可能权衡相同的证据与前提，却得出不同的解释。在某些情况下，作者甚至可能拒绝强加严格的排序，而选择并列呈现多种可能的解释。此外，偏好排序的差异不仅源于学者对特定观察与理论赋予不同权重，也源于其先验知识必然不同。先验知识在社会科学——尤其是战略管理——中的重要性无论如何强调都不为过。然而，沟通这类知识异常困难。其中大部分是默会的（tacit）：人们所知道的比他们能够轻易表达的更多，而且这种知识建立在每个人独有的隐含心理信念体系之上（Hislop, 2002; Polanyi, 2009, p. 3; Thagard, 1984）。因此，学术证词的本质决定了，这种对观察、理论与先验经验进行相对加权的内在主观过程，不可能完全显明。

IBE 的理据（warrant）——即将其种解释视为可获得的最佳解释的辩护——并非来自逻辑必然性，而是来自有理由的判断。  学者提供一种解释，并论证为何该解释   最能解释  。  从这个意义上说，溯因推理试图通过平衡一组解释性美德——而非仅依赖任何一种美德——来作出更广泛的评价性判断，从而使现象得到理解。

一旦解释完成排序，学者可以从偏好解释的某些要素中抽象出理论，同时理解并非所有要素都能推广。回顾一下，解释是对特定观察集合的事后说明，而理论则跨情境推广。这些解释中的某些可能反映了竞争性理论的应用；然而，不明确具体的情境细节就无法应用理论——这正是需要判断的原因。一旦解释得到裁断，学者便可以考虑偏好解释是否能够推广到原始事实之外，从而贡献于理论。

战略研究长期以来一直依赖溯因逻辑，尽管"溯因"一词最近才日益受到重视。战略学者在实践中熟悉选择最佳解释的过程，即便他们往往通过一系列勉强的改造，将自身隐含的溯因推理转译为假说—演绎（H-D）模型的形式语言。

当我们考察 H-D 逻辑如何处理因果推断时，这种张力最为清晰。战略学者感兴趣的那种结论——  导致了  ——只有在能够证明所有替代解释都不成立的情况下，才在 H-D 推理下得到辩护。在 H-D 逻辑下，我们要么拒绝、要么未能拒绝原假设，只有完全排除替代解释才能证明   为真。通俗地说，我们认识到未能拒绝原假设并不意味着它为真，而拒绝原假设也并不能确证   为真。为了应对"与某一种理论一致并不暗示另一种理论的可能性更低"这一认识论问题，学者们试图通过识别策略（identification strategies）与稳健性检验（robustness checks）来排除竞争性解释。这一排除过程是溯因的。

H-D 推理的理想逻辑与其实际实施之间的这种张力，在统计推断的实际操作中也显而易见。要按表面值解释检验统计量，就需要完整的预分析方案以消除"选择性停止"（optional stopping）问题——即学者可能反复收集与分析数据，但在观察到偏好（可能具有统计显著性）结果时停止，从而导致第一类错误（Type 1 errors）概率上升。由于选择性停止会破坏频率学派检验，研究者需要在开始收集数据之前拥有零自由度（cf., Spanos, 2013，尽管这是一个老问题）。然而，先验地制定一份充分明确的统计方案，需要深厚的情境知识，而这些知识在未首先接触数据的情况下很少能获得——而这种接触，矛盾的是，又会损害检验本身（Bettis, 2012; Goldfarb et al., 2024; Goldfarb & King, 2016; Leamer, 1983; Simonsohn et al., 2020）。因此，除非是采用全面预分析方案的随机对照试验——研究者在此设计与承诺数据生成过程——否则频率学派检验无法为拒绝关于总体的假说提供辩护，因而也无法为 H-D 主张提供辩护。因此，我们很少真正符合 H-D，我们的认识论通常是溯因的。

在确立了经验检验很少满足 H-D 推断的严格要求之后，我们转而讨论溯因推理如何能构建一种更透明、更注重情境的辩护形式。为克服所报告的统计量在样本之外的关系中作为不可靠预测因子的局限，需要加入步骤 E。  步骤 E 也回应了战略管理中高度情境化的推理——即便统计假设得到满足，这种情境化也可能使独立同分布的样本与总体的统计概念难以应用（Pillai et al., 2024）。为应对这一认识论挑战，我们维持基于情境的解释与可推广的、非情境化理论之间的严格区分。在确立了特定解释   最能因果性地联系一组事实之后，推理的最后一步是辩护这一解释在何种情况下可能适用于其他情境的主张。关于溯因的逐步指南，见附录1。

综合而言，这些步骤勾勒了学者如何进行溯因推理，但并未说明如何最好地沟通这种推理。最后的挑战是证词层面的：研究者如何使溯因过程对读者透明且真实可信？为应对这一问题，我们引入 PEEBI，一种将推理要素组织为五幕的溯因证词结构。

3　PEEBI：溯因证词结构

前面的讨论阐明了学者如何进行溯因推理，但没有说明他们应如何与他人沟通这种推理。由于溯因推理依赖判断与迭代推断而非形式证明，其可信度最终取决于它以何种清晰度与透明度呈现这一推理过程。为了使这种推理可沟通——并让读者清晰地看到解释是如何被提出、裁断与推广的——我们提出 PEEBI 证词结构。

我们提出一种由五幕构成的溯因证词结构，如表1所概括。溯因推理的核心要素——第2节中的步骤 B、C 与 D——对应第二、三、四幕。第二至四幕提出并辩护狭隘的"最佳"解释，而第一幕与第五幕则为特定受众——此处即战略学者社群——框定其意义与相关性。第一幕促使读者关心在步骤4中提出的解释，第五幕则提供作者的辩护，说明为何这种关心是有道理的——将该解释抽象为更普遍的理论贡献。总体而言，这五幕是一次透明的实践——一种由旨在增强证词真实性、减少作者以低于真实性方式行事的修辞训练所组成的纪律（King et al., 2021）。在以下各节中，我们描述每一幕的鲜明特征。

尽管第一至四幕以线性形式呈现溯因证词，溯因推理过程在本质上是迭代的，涉及数据、理论与解释之间的持续往复（Darden, 2002; Mancini, 2024; Mohammadian, 2021）。学者常常在遇到新数据与新观察时生成新的解释，并针对不断演变的解释寻找新数据。这种迭代往复并非对溯因的偏离，而是其定义性特征——它强调研究者的主张归根结底是基于与证据互动的判断。明确承认这一点，使作者得以摆脱那种先设想解释、再加以检验的虚构化序列，转而采用最能澄清支持其主张之理据的呈现方式。

进一步而言，为溯因证词所提出的结构借鉴了科学叙事与分析叙事的文献，此处简称为叙事。溯因证词采取叙事的形式，组织证据以对事件序列提供因果说明（Bates et al., 1998; Ingram et al., 2012; Roth, 1988; White, 1984）。然而，叙事要求作者超越简单断言 X 与 Y 相关。为防止系统性地偏向某种解释的叙述，叙事必须凸显使因果联系可理解的丰富情境细节，同时提供足够的透明度，使读者能够评估这些联系相对于替代解释的合理性。叙事的认知功能不仅是复述事件或汇编事实，而是"体现各种不同类型的相互关系之整体（Mink, 2001, p. 218）"，将其编织成一个有意义的解释性整体。  由于叙事要求将事件的意义及其与最终结果的关系加以情节化（emplotment），溯因证词必然是特定情境的。

下面我们详细呈现溯因证词的五幕，并指出它们与 H-D 认识论及传统 H-D 论文相应结构的粗略对应关系。

表1　溯因论文的五幕结构

3.1　第一幕：在（未编码的）先验知识   与理论   的映照下，  是有趣的

PEEBI 从第一幕开始，即谜题：对情境化事实、问题或张力的陈述，它们值得学界关注。这一幕——本质上是论文的引言——充当论文的缩影。它简洁地确立关键经验事实（ ），阐明考察这些事实的动机，在情境中提供对这些事实的解释（ ），提出偏好的解释（ ），并提示这一解释在何时及何种程度上可能推广到其他情境（ ）。

第一幕首先确立论文为何是"可爱的"——它赋予现象意义，并促使读者参与这项研究。这种动机采取一组相互联系的观察（ ）与先前的理解——理论（ ）与知识（ ）——的形式，使现象有趣、重要或令人困惑。当先前理论无法解释观察到的事实，或当不清楚几种相互竞争的理论中哪一种最适用时，就会出现这样的谜题。阐明   与   至关重要：没有它们，读者就无法理解为什么观察（ ）值得注意。这一幕邀请读者思考：是否存在一种解释，既能说明  ，又能说明其他情境中相关的观察。

起激励作用的观察可以有多种形式。它们可能包含对多篇先前发表的研究的分析，这些研究的结果不同甚至相互矛盾，导致对理论   的预测效度产生不确定性。例如，在不同情境中，企业联盟的形成被归因于资源获取或地位获取等不同因素（Lin et al., 2009）。类似地，对利益相关者管理的投资，依据情境与测量方式的不同，与企业绩效似乎以"矛盾"的方式相关（Garcia-Castro & Francoeur, 2016）。论文也可能由难以与理论 T 的预测相调和的观察所激励。例如，弗兰克与奥布洛伊（Frank & Obloj, 2014）探讨了为何与代理理论预测相反，未得到充分激励或监督的员工并不表现机会主义行为。

最后，一项观察之所以具有激励性，仅仅可能是因为我们缺乏对其令人信服的解释，但它仍然值得解释，因为它凸显了一个学术谜题或揭示了一种更普遍的机制。例如，无法将"集群是马歇尔式外部性的表现"这一简单解释与历史叙述相调和的克勒普（Klepper, 2007），考察了底特律作为美国汽车工业之都的兴起，并在此过程中提出了关于衍生企业（spin-off）在集群形成中作用的更普遍命题。类似地，受产业政策问题驱动的山口等人（Yamaguchi et al., 2023）分析了钟渊纺绩（Kanegafuchi Spinners）的历史案例，以理解它如何从一家单工厂、标准产品企业转型为拥有多元化产品组合的十六家工厂的公司。基于这一案例，他们提出了关于产业发展动力的猜想。

这些动机可以被描述为"谜题""异常"甚至"空白（gap）"；标签并不重要，重要的是其存在的事实及其所构成的解释性挑战。谜题从来不是一组随机的观察；相反，观察总是或多或少"负载理论"的，永远无法与我们的理论先验完全分离（Boyd & Bogen, 2021）。正如哲学家诺伍德·汉森（Norwood Hanson）所观察到的，科学家并非简单地感知原始感觉材料；他们总是在"看作"（seeing as），通过由概念图式塑造的既有范畴来解释其所见（Hanson, 1965; Rosenhagen, 2021）。"无理论的谜题"是一个矛盾修辞，即便我们不能总是明确说出究竟是哪种理论使我们的观察变得有趣。因此，所有激励性观察都应既指明观察是什么，又指明使其成为谜题的解释性不确定性。因此，第一幕至少应提供足够的理论（T）与先验知识（K）背景，以激励对解释的搜寻。

随后，第一幕应概括论文的核心事实与关键支撑证据（ ）（来自第二幕），这些证据将支持对解释的判断。这些事实是情境性的，因为它们刻画了特定行动者（如特定企业或管理者；特定样本）在特定时间与地点的行为与结果。将论文锚定在这些事实、其情境及其重要性之上，能提高阐述的透明度，防止读者对作者最终提出一般性理论主张的理据产生误解。这种锚定尽早呈现"这里发生了什么"，而不是留给读者去想象。锚定使先验理解（ ）将与作者不同的读者，能够在开始评估作者的解释性判断时介入焦点事实与情境。

第一幕随后应概述在第三幕讨论的"解释集"中包含的最"可爱"与最"似真"的解释。这一步通过让读者洞察谜题的张力来提高叙事的可读性。此处的目标是预见预期读者会认为相关的解释集合，并预示作者已发现强契合性的解释。使   有趣的是潜在解释（ ）之间的竞争。因此，第一幕应概括用于评估这些解释的证据。此外，第一幕应指明偏好的解释  ，以及支持   的关键解释性美德判断（在第四幕中讨论）。最后，第一幕应概括可能由   得出的理论贡献。由于证据根植于情境，从   到理论的推广并非自动发生；相反，这是第五幕中有意进行的努力。然而，第一幕应概括   与其所提议的理论意涵之间的联系。

考虑第一幕——即所提议的引言——与 H-D 引言有何不同会有所助益。H-D 方法从一般理论开始以确立广泛意义，然后用该理论预测特定确证性检验的结果；而我们提出的结构更好地反映了实际研究实践。它始于在理论、测量与数据之间往复互动中涌现的情境化事实，然后在有充分理由的情况下，运用推理在其它样本中推测更广泛的意义。这种方法与依赖（往往被违背的）统计理论的隐含前提或其他隐含假设从样本推广到总体形成对照。将讨论精确锚定在特定事实与已知情境之上，使研究的证据局限立刻清晰可见。因此，锚定也是一种谦逊的实践：更谦逊的主张帮助研究者与读者更快地识别一致之处，促成更富成效与探索性的学术交流。此外，在理论先行的路径中，读者甚至在与焦点事实与情境接触之前，就可能将理论（T）应用于其自己想象中任意情境，并正确地认为所识别的边界条件破坏了作者提出一般理论主张的理据。相反，第一幕中的锚定要求读者首先考虑经验主张的情境意义，然后预示这些主张为何以及如何在焦点情境之外具有更广泛的意义。

此外，溯因对多种解释的考量意味着，溯因证词应当突出所考虑的全部解释集合，而非像 H-D 框架中常见的那样将其降格为经验"稳健性检验"一节。类似地，第一幕包含对理论意义的更广泛陈述，但仅作为对潜在可推广性的明确主张。相比之下，H-D 论文的引言假定作者拥有提出去情境化理论主张的理据。

3.2　第二幕——证据： ：

PEEBI 在第二幕中继续描述证据。这一幕的目标是描述研究的情境，并说服读者：支撑第一幕中一切有趣之处的证据，提供了与情境相关的事件与事实的准确描述。因此，完整的第二幕包括对经验情境、测量与方法的讨论。相信第二幕中观察的可靠性至关重要：它使读者能够在第三幕中设想可能的解释，在第四幕中对它们排序，并理解它们在第五幕中的普遍重要性。

在溯因论文中，证据的呈现与确立出现在 H-D 论文中"理论"一节之前——尽管核心理论思想与张力已在第一幕中介绍。这种排序将讨论扎根于情境，并精简了阐述。当读者首先理解了情境与证据的性质时，解释性谜题的模糊性就大大降低，因而任何特定一般理论如何应用于证据或受其启发也更为清晰。例如，山口等人（Yamaguchi et al., 2023）在对钟渊（Kanebo）——二十世纪早期日本一家大型棉纺公司——的研究中，在涉足理论的潜在意涵之前，先呈现其情境细节与证据。

第二幕需要以足够详细的方式描述情境——焦点时间与地点——以使读者理解证据。情境确立了任何观察或数据集集合的意义。情境化不仅为研究者关于研究时期的假设辩护，还将事件与行动组织为连贯的时间段，识别环境中的结构性变化、企业的战略拐点、危机时期，以及其他既赋予意义又揭示潜在因果关系的显著细节。情境化使读者能够评估事件是否真正可比。例如，我们是否应当将 1995 年（个人电脑兴起）IBM 的投资决策，与 1975 年（个人电脑只是爱好者的玩具）IBM 的投资决策进行比较？有效的情境化使读者有能力评估所考虑的解释与情境事实之间的契合性。

除确立情境外，作者还必须明确经验策略的假设与内在运作方式，以及这些假设如何与情境本身的特征相互作用。例如，弗雷克等人（Frake et al., 2025）使用双重差分策略研究获得首项专利如何影响员工流动，将首次发明人与非发明人的科学家和工程师进行比较。该方法效度的关键在于平行趋势假设——即若首次发明人未获得专利，他们本会遵循与非发明者同行相同的流动趋势。然而，专利申请过程本身——与团队合作创造一项发明并申请专利——本身就可能影响流动。事实上，弗雷克等人（2025）观察到了他们所称的"发明人低谷"（inventors dip）：在获得首项专利之前，发明人的流动性低于可比的非发明科学家与工程师。在这种观点下，非平行前趋势的发现是特定情境的一个特征，在该情境中专利申请过程可能影响流动（除实际获得专利外）。这为文献中的其他结果生成了替代解释，并对识别"获得专利对流动的因果效应"构成挑战。虽然弗雷克等人（2025）建议使用部分识别技术来理解这一违背的经验重要性，但要理解经验结果，只能诉诸在特定情境下何为合理。这一例子说明了有效的第二幕如何将情境描述与经验策略本身的运作整合起来。

因此，第二幕必须确立来自情境的证据，以支持论文的核心事实。为最好地理解预期证据的性质，区分观察与事实十分重要。观察是被记录下来的东西——事件的定量与定性痕迹。解释这些所关注的构念需要进一步的意义建构：研究者必须评估测量是否可靠地指示所关注的构念，或者对事件的证词是否可视为可信。更一般地说，观察意味着什么，什么将它们联系起来？通过这一解释过程，观察变为事实。研究者拥有一系列工具来确立从观察到事实的这一转化——这些工具帮助赋予所记录的证据以可信的意义。

将历史技术应用于理解事实的来源与意义，已在战略研究背景下得到探讨（Pillai et al., 2024）。"史料考证"（source criticism）是一种一阶工具，通过审视数据来源的有效性、可信度与透明度来确立意义（Donnelly & Norton, 2020, Ch. 4; Howell & Prevenier, 2001; Kipping et al., 2014）。它帮助读者评估为何某些数据得以存续、哪些记录已经遗失、以及存续的档案如何可能使解释产生偏差。史料考证还确立数据的准确性与真实性——记录是否在时间与空间上接近其所描述的事件，以及这些来源是否可追溯、可被可能有意复制的其他研究者验证。例如，当作者开展调查时，透明地报告总体、抽样设计、权重与调查工具会增强对数据可信度的信心。

部分史料考证与情境化可以直接来自统计分析。变量的分布可以提供关于数据来源的线索：是否有少数离群值在拉动均值？若有，为何？某些变量是否高度相关？数据中的模式提供了对所待解释证据之性质的洞见。因此，第二幕具有双重目的——提供透明的证词以建立读者对证据的信心，同时利用作者的情境理解将注意力引向数据中的显著模式。

最后——而且往往在战略研究中被忽视——一个有说服力的第二幕应介入行动者的诠释学（hermeneutics）。情境化将行为置于时间与空间之中，而诠释学则寻求理解行动者本身：他们的偏好、感知、对替代选择的评估、可得信息、预期、策略与约束（Bates et al., 1998, p. 10–11）。诠释学分析使读者能够重构决策过程，识别合理的反事实选择，并理解为何作出某些选择而未作出另一些。米切尔等人（Mitchell et al., 2022）通过运用企业家的直接陈述，探究为何这些原始市场型经济体可能认为广泛的制度中介机构（如非政府组织与政府项目）相关性较低，从而诠释了这种方法。访谈结果表明，这种认知并非源于制度可得性的缺乏，而是源于与企业需求的不匹配。归根结底，诠释学防范时代错置（anachronism）——防止学者将另一时代或心智框架的解释强加于焦点情境。

在第二幕中选择纳入哪些事实、如何聚合它们以生成意义、以及省略什么，反映了第2节所述的迭代溯因过程。任何经验情境都过于多维与细致，无法完全描述。第二幕的任务是在与解释一致的抽象层次上综合细节，同时说服读者这种综合仍然忠实于证据与有理由的判断。相应地，第二幕应整合定量与定性证据，以证实解释性判断。

第二幕的一个关键证词挑战是选择哪些事实可以合理地省略。例如，大卫·洪谢尔（David Hounshell）关于大规模生产的开创性著作（Hounshell, 1984）包含对二十世纪早期福特汽车公司实践的详细描述。然而，洪谢尔并未涉及按族裔出身对新员工排序的歧视性做法——后来由埃施（Esch, 2018）加以研究。鉴于这类做法在当时可能十分普遍，且洪谢尔的目标是解释生产技术如何促进福特的成功，这一省略可以说是合理的：要找到一种既认为歧视性做法正面解释福特崛起、又与此前关于人力资本在绩效中作用的理解相融贯的解释，将是困难的。在其他情况下，省略会削弱论文的主张。例如，拉奥（Rao, 1994）将汽车企业生存归因于早期汽车业竞赛胜利所带来的合法性，却忽视了赛车手在选择参赛车辆方面的能动性、与参赛本身相关的（独立于胜利的）类似相关性，以及战略决策中对汽车质量的有目的、有记录的追求（Goldfarb et al., 2018）。这些被省略的事实暗示了挑战原始解释的替代解释。

有效的科学叙事帮助读者在比较合理的替代解释时评估作者偏好解释的解释性美德。省略在任何叙事中都不可避免，但那些可能削弱对偏好解释接受度的相关事实不应被压制。溯因推理承认对"最佳"的判断可能因读者而异，因为一些学者对不便事实的权衡不同。当读者相信作者没有掩盖竞争性解释的优点时，就出现了富有成效的学术对话。

为增强透明度，通常有用的是以表格概括第二幕中涌现的核心事实，以说明其情境依赖性与意义。例如，金等人（Kim et al., 2025, tab. 6a）纳入了一个"事实与支撑证据"表，将新兴仿生假肢行业的六项事实——从技术系统的整合性到不同企业类型的价值攫取策略差异——映射到其支撑证据。支撑这些一般事实的"子事实"也可以呈现。支撑证据通过引用特定结果、表格、描述或附录加以映射。

第二幕在 H-D 论文中最接近的对应物是方法与结果部分，以及任何对样本与经验情境的描述——无论分开呈现还是整合呈现。有两个特征将第二幕与传统部分区分开来。第一，第二幕在论文中出现得更早，将后续讨论牢固锚定在证据之上。它本身不是对理论的"检验"，而是对所待解释事实的呈现。这预示了第二个差异：第二幕在一组潜在解释的框架内提炼出一系列事实。例如，可以呈现一组回归分析，而第二幕中的叙事将把这些结果聚合为可被合理解释的一般模式，而非作为确证性检验。

3.3　第三幕：解释 

在 PEEBI 中，解释紧随证据。解释是溯因领域的"货币"——探究的通货。我们收集、组装、排列、交换、拷问它们，并常常将其丢弃。在这一阶段，作者呈现他们设想出的、且充分可能而值得讨论的全部解释（ ）。

设想解释是一项要求甚高的技艺，依赖社群参与——通过研讨会讨论、同行反馈与审稿过程。潜在解释的范围反映了研究者的先验知识与学术社群的智识多样性。未能收集并审视一个庞大的解释集合，风险在于使溯因过程短路，并遭遇著名的"坏集"（bad lot）问题——即真正的解释（ ）从未被考虑。虽然坏集问题永远无法消除，作者应证明他们已作出真诚的努力将其最小化。

一旦迭代生成的解释"集"在手，作者应仅在叙事中纳入那些作者与潜在读者预计会判定为"可爱"或"似真"的解释。与先前理论或知识缺乏融贯性的解释将被草率驳回。然而，由于管理学学术运作于共享的理论传统之中，与主流管理理论相融贯的解释将显得更可能，并应在叙事脉络中得到优先考虑。与第二幕中呈现的事实明显缺乏契合的解释，也可以简要提及并予以驳回。

例如，西尔弗曼与英格拉姆（Silverman & Ingram, 2017）试图解释跨大西洋奴隶贸易中船长决定投降还是抵抗（海盗）捕获。该论文考虑了三种解释：资产所有权创造激励，使船长作为剩余索取者时试图避免被捕获；船长抵抗捕获以保住在未来航程中的职位；或者隐含地，捕获随机发生。类似地，布拉金斯基与洪谢尔（Braguinsky & Hounshell, 2016）考察明治时期日本棉纺业，以揭示其持续全球竞争力的核心驱动因素。该论文考虑了五种解释：少数企业卓越的人力资本、政府对棉纺厂的早期支持、其他企业对早期成功企业的模仿、企业公司化（incorporation），以及创新进入者的生产率提升。

因此，第三幕界定了解释讨论的范围。对最佳解释的裁断将在第四幕进行，但探索全部合理的解释提供了必要的背景。这一阶段阐明了每种解释为何可能适用于研究情境，以及理解其适用性为何对更广泛的文献具有重要意义。只有在读者会关心某特定理论在该情境中是否具有解释力时，才应纳入该解释。

在传统 H-D 论文结构中，第三幕最接近的对应物是理论部分。两者都为所提议的因果关系相关性辩护。然而，第三幕紧随第二幕的排序将溯因分析锚定在情境之中，允许搁置那些边界条件被情境违背的不相关理论。这种情境锚定精简了阐述，并避免了 H-D 论文中常见的理论蔓延——去情境化的推理迫使作者考虑那些可能逻辑上成立但与焦点事实（ ）经验上无关的论点。第二个区别涉及所考虑理论的数量。H-D 论文通常只提出单一理论以供确证或拒绝，有时结合多种来源的机制。这种结构反映了 H-D 的理想：理论在接触情境之前先验地规定，并通过假设检验加以评估。因此，H-D 论文往往不愿考虑替代理论，因为其认识论框架假定只有一种理论应在经验审查中幸存。

此外，在 H-D 推理模式中，"解释"的概念基本缺失。如前所述，解释识别将观察事实联系在一起的因果联系，而理论则对未观察或未来事实作出预测。由于 H-D 框架假定理论与解释等价，理论动机本身在 H-D 证词中就被视为充分。这与 PEEBI 形成对比，在 PEEBI 中，推理首先需要对情境内的事实作出最佳解释，然后评估这种解释是否表现出超越情境的理论性质以及在何种条件下如此。此外，理论受抽象条件约束并被假定具有普遍性，从而无需明确的第五幕（因为我们是确证理论，而非探索其局限，即  ）。然而，一种理论按其定义排除了其替代解释。这使 H-D 的确证容易受到挑战：未考虑的解释可能与证据同样契合。

在 H-D 中，替代解释主要通过回归设定来处理，它列举了研究者能想象并观察到的对因变量的影响。但设定遵循理论阐述，仅在焦点变量被证明合理之后才加以构思。控制变量作为对确证性检验的调整而进入，而非作为按自身标准评估的竞争解释。为缓解这一点，H-D 证词常常附加"局限""边界条件"或"稳健性检验"的讨论——这些做法充当溯因对解释进行比较性评估的不完美替代。

对作者而言，一个关键判断是在第三幕中纳入多少背景文献以支撑解释的理论融贯性。在篇幅限制下，这一问题变得尖锐，因为多种解释可能都值得讨论。在溯因中，与 H-D 推理不同，广泛的文献综述并非必要。溯因论文中文献综述的目的是在谜题由理论驱动时确立该谜题，并确立所提议解释的合理性——而非使其免于所有竞争学派的质疑。例如，为表明交易成本考量合理地解释某种战略选择，引用交易成本经济学的基础性著作便已足够，而无须详尽引用并讨论其庞大文献。第三幕聚焦于候选解释的合理性，而非其理论传统内部的内部争论。

确定呈现哪些解释需要判断，作者应对这一过程保持透明。他们应避免诸如"稻草人"替代解释之类的修辞手段——这些手段旨在使作者偏好的解释看起来更强。相反，阐述应描述解释是如何生成的、为何某些解释被视为更可能或更不可能、以及它们的解释力是如何评估的。忠实地报告这一过程标志着学术诚信、良好的研究礼仪，以及对溯因证词真实性原则的遵守。

3.4　第四幕——最佳解释：  对   的解释优于所有   的 

在阐明谜题、呈现证据、列出解释之后，PEEBI 现在转向哪种解释是最佳解释。第四幕评估第三幕中每种解释在多大程度上说明了第二幕中的事实，然后基于作者对每种解释所提供似真性与可爱性的评估确立偏好排序。这一排序可能是决定性的——主张明确的偏好——也可能是不确定的，得出若干解释具有部分解释力的结论。第四幕是溯因论文的核心：它将证据与推理统一于对何种解释最好地说明谜题的真实可信判断之中。

这一证词挑战是溯因论文的核心，因为"最佳"解释的选择是一种判断，而判断部分依赖难以沟通的先验知识（King et al., 2021）。透明度要求对每种潜在解释进行公平评估，以说服读者作者偏好是对证据的真实可信（胜任且真诚）的评估。由于每个人都有不同的先验知识，我们应当接受每位读者可能得出不同结论。

鉴于一种解释在其更似真且更可爱时被判定为更好，第四幕的核心任务是辩护作者对解释似真性与可爱性的评估。这涉及对解释性美德的讨论。我们建议在此阶段聚焦四种美德：契合、融贯、简约与精确。

我们有意将可推广性排除在此清单之外。它与融贯有大量重叠（一种与先前理论融贯的解释，已经是对该理论影响力的一种主张），也与简约重叠（更少的假设通常意味着更广泛的应用）。更重要的是，可推广性正是解释获得理论地位之处，其意义重大，足以单独处理。因此，我们将其推迟到第五幕。

对四种解释性美德——契合、融贯、简约与精确——的讨论必不可少，因为判断是主观的。一个既非常可爱又非常似真的明显最佳解释，可能不会从分析中涌现。一个似真的解释可能缺乏简约性或与先前理论的融贯。类似地，与理论融贯的可爱解释可能契合度低，因为它们在努力将所观察的选择与行为置于情境之中时，未能经受住伴随其后的经验审查。尽管我们同时追求似真与可爱，但作为个体，我们赋予两者的相对权重各不相同。对美德的讨论为作者提供了一个系统性的机会，来讨论他们如何权衡这些美德。

大多数读者都熟悉对似真性的辩护，它是对第二幕中的事实与第三幕中的解释契合程度的评估。因此，一阶比较是解释性契合的比较。在简单逻辑一致性之外，额外的挑战通常会质疑对事实本身的解释。这些通常分为三类：

1. 事实（ ）错误或解释错误（测量/史料考证）。 例如，测量与理论构念的映射不完美，或标准误不可靠，导致对模式存在的过度自信主张（例如，Goldfarb & Yan, 2021）。
2. 替代解释。 这包括设定错误的数据生成过程，表现为设定错误的模型、遗漏变量、联立性（simultaneity）、样本选择或测量误差，意味着相关被误认为因果。概括而言，这意味着给定特定经验方法，其假设不太可能成立。
3. 对事实重要性的争议。 这有两种主要形式：（a）某些事实的相对重要性被不当加权。因此，替代解释之一比偏好解释与事实更契合。形式上，  与   的契合度高于  （例如，Goldfarb et al., 2018）；（b）虽然事实确实与   的契合度高于其他解释，但对   的偏好与先前发现相矛盾，因而这一解释需要审视，或不太可能为真（例如，Simmons et al., 2011）。

类似地，读者也熟悉对可爱性的讨论。它通常采取这样的形式：作者提出解释   之所以更可取，是因为它更（1）融贯（与文献中的发现一致、对其有所贡献，或解决其中相互矛盾的发现）；（2）简约（需要的假设更少，涉及的构念/变量更少）；或（3）精确（提供底层机制的具体性）。事实上，上述所有辩护都同时具有可爱性与似真性的要素。例如，更大的深度使解释更不似真，因为这种精确性确定了因果联系的细节——而要使解释完全为真，这些细节必须成立。

选择最佳解释要求明确讨论这些美德及其之间的权衡。这种考量在许多论文中很常见，尽管我们往往没有为这些考量命名。使这些评价标准明确，能澄清偏好背后的推理，并增强学术证词的透明度。

解释选择的特异性必须与我们能从每种解释中获得的意义相平衡。是否有足够的深度为决策者或学者提供洞见以供其学习？是否有足够的简约性使其在情境之外具有相关性？此外，与强先验相矛盾的经验证据需要判断来调和。由于没有任何简约的解释能够说明所有观察，需要判断是否值得在追求更大可爱性的过程中放弃解释某些观察。或者，更大的解释深度可能以牺牲简约性为代价提供更多的规范性指导。第四幕应阐明解释性美德是如何被平衡的。

为便于透明，用表格概括对解释的评估会有所帮助，如金等人（Kim et al., 2025, tab. 6b）所做。表2展示了这一结构。表格的第一列列出每种解释。第二列映射第二幕中描述的"证据与支撑事实表"中哪些事实支持、反对或中性对待该解释。"融贯"列应描述每种解释如何与先前理论或知识一致。仔细阐明底层假设有助于读者确定一种解释的简约性。最后，一种解释的精确性或深度程度是有趣的，因为精确性是对因果联系的设定，但这种精确性可能表明情境依赖性，从而降低融贯性和/或简约性。

这张表阐明了第四幕中的叙事如何整合对第二幕证据与第三幕解释的判断。它使作者的评价性推理及解释间偏好排序的基础显明。

第四幕与传统 H-D 论文的结果与稳健性部分平行，尽管并不完美。因为溯因要求权衡竞争性解释，这些解释将被置于更平等的地位——我们并不仅仅是在拒绝或不拒绝一个假说；我们是在根据所考虑解释在情境中的相对似真性与可爱性进行选择。

表2　第四幕拟议的评估表

注：本表为供作者填写的评估模板。第一列列出候选解释；第二列标注第二幕"证据与支撑事实表"中相关事实对解释的支持／矛盾／中性关系；第三至五列分别评述各解释的融贯性（与先验理论或知识的一致性）、简约性（所需假设与变量的多少）与精确性／深度（因果机制的具体程度）。

3.5　第五幕——诠释：  解释  ，使得 

PEEBI 的最后一个要素是诠释。第四幕只促使我们接受：偏好解释是似真与可爱之间的良好平衡，且特定解释是理解主流情境下特定证据集合的最佳方式。第五幕通过追问这一解释代表什么，以及它能否为焦点情境之外的理解提供信息，来延伸探究。关键问题是情境与被阐明的解释代表什么：解释的机制对实践者或理论重要吗？若是，为何？特定情境的解释能否在其他情境中提供洞见或预测？若能，是哪些情境、在何种条件下？因此，第五幕引入了"优化"的第二阶段——将第四幕中的情境化解释提炼为更普遍的主张，并描述其对相关利益相关者的重要程度。这一过程涉及抽象——对可爱与似真的一种主动校准——通过有意识地在省略或简化什么上作出选择，从特殊走向一般。

首先，一些情境细节被有意搁置。选择解释得更少，可能以简约性为代价牺牲契合性，用可解释性更强——在这个意义上更可爱——的叙述换取精确的说明。这类选择存在风险。研究者可能忽视那些一旦调和就会导致完全不同解释的证据。或者，作者可能聚焦于那些虽然似真、但在重要性上远逊于更大决定因素的效应。其次，当特定情境特征对机制运作必要时，边界条件便会出现。危险在于忽视这些依赖性并主张无根据的普遍性。由于这些特征在单一情境内往往缺乏变异，第五幕必须明确识别它们，并就其何时是必要的或充分的提出理论论证。作者可以推测向新情境的可迁移性，但更强的主张需要对那些情境的情境知识。

尽管溯因以识别最佳解释告终，战略学术最终寻求将解释与理论联系起来。主张一种解释构成一般理论洞见，需要诉诸超越该情境的原则，并以情境辩护为支撑。阐明这一转译使读者能够评估理论原则在何时何地可能适用。与将理论与数据联系起来的 H-D 推理相比，第五幕将解释与理论联系起来——为学者与实践者都提供概念桥梁。

重要的是，如果没有陈述为何偏好解释中提出的理解与理论或实践相关，任何第五幕都是不完整的。通常，这需要发表意见，说明知道特定解释被偏好为何对实践者或学术读者有用。

第五幕在 H-D 中没有精确的对应物，因为 H-D 假定理论与解释等价。一些 H-D 论文包含局限或边界条件部分，但这些部分以可推广性为前提开始。第五幕则没有这样的前提；其目标是说服读者某种解释值得理论地位。例如，布拉金斯基与洪谢尔（Braguinsky & Hounshell, 2016）深入讨论了如何将早期日本棉纺业特定情境的解释应用于更普遍的情境：日本棉纺业的成功源于"由有远见的企业家驱动、并由第一代受过教育、其技术知识源于直接接触英国最先进来源的工程师指导的私人进入者"所作的卓越制造选择（Braguinsky & Hounshell, 2016, p. 61）。当他们转向理论时，他们提升这一解释，并认为少数拥有卓越人力资本的企业家可能从根本上改变产业轨迹。虽然该解释聚焦于棉纺的机制与来自英格兰的知识流动，但他们主张其理论提供了可能适用于其他情境的更具可推广性的意涵。

4　评估一项溯因研究

PEEBI 的结构旨在反映现代溯因的认识论承诺。强有力的溯因研究包含其每一个要素：激励谜题的可爱性、展示其经验存在、为潜在解释提供深度、评估其美德以辩护偏好，以及讨论偏好解释是否及如何推广。在整篇论文中，作者应保持透明，使读者能够评估并在必要时质疑他们的判断。一项研究的贡献与其在这些维度上的不足成比例地减少。

假定胜任且真诚的证词——健全的经验方法、仔细的解释以及对解释性美德的公平评估——在评估溯因研究时会出现两个独特的挑战。这些挑战不同于执行良好的 H-D 研究中的挑战。第一，读者与作者可能因其对解释性美德的权衡不同而对最佳解释的判断产生分歧。例如，通用汽车收购费雪车身（Fisher Body）既可以归因于通用汽车降低敲竹杠（hold-up）成本的努力（Klein et al., 1978）——一种更"可爱"的解释——也可以归因于确保对费雪兄弟专业知识控制的努力（Freeland, 2000）——一种更"似真"的解释。溯因使读者有能力推断出与作者不同的解释。在实践中，这意味着读者可以为与作者偏好不同的解释引用一篇论文，只要该论文提供的证据确立该解释是一个契合的、合理的替代解释。相应地，美德偏好的差异不是同行评审中拒绝的理由；它们反映了溯因推理固有的多元本质。毕竟，识别需要积累体的经验研究（Shaver, 2020）。

第二，读者可能接受激励性谜题与偏好解释，但认为向理论的飞跃不够实质，不足以算作理论贡献。尽管如此，一个构造良好的谜题与令人信服的解释通常足以证明论文的学术价值。虽然编辑政策可能因特定期刊发表所需的理论贡献程度而异，但如果读者认为溯因论文使其更好地理解激励性谜题，就可以判定该论文正在贡献于战略文献。这与以下观点类似：复制（replication）论文即便未必需要作出新颖的理论贡献，也有助于战略知识基础（Bettis et al., 2016）。

因此，无论是美德偏好的差异还是理论推进的程度，都不应被视为薄弱溯因论文的指标。相反，糟糕的溯因工作以如下信号为标志：令人信服性不足的谜题、所考虑的解释过少、对所有关键考虑解释的审视不足、使用所有解释性美德对最佳解释的辩护不佳，以及缺少将发现与更高阶理论联系起来的讨论。

5　讨论与结论

所提议的五幕 PEEBI 结构符合溯因的逻辑。谜题（1）将先验知识与理论联系到特定证据。这种证据（2）被描述，潜在的解释（3）被呈现，其中一个或几个被主张为最佳（4），该工作的意义与重要性被为读者诠释（5）。PEEBI 突出了研究文章的真实目的：既传达作者偏好的解释，也传达在选择该解释时所涉及的判断。这样做时，PEEBI 同时反映了溯因的认识论结构，并将研究者的判断置于证词的焦点。PEEBI 使提议的解释对这些判断的敏感性对读者透明。同时，通过强调发现是情境性的，它迫使作者的主张保持谦逊。

PEEBI 结构也重新定义了读者的角色。在 H-D 论文中，判断在很大程度上限于评估方法是否恰当地检验了所陈述的假说。相比之下，PEEBI 叙事明确依赖主观判断，邀请——甚至要求——读者评估这些判断是否合理。读者应以这样一种认识来对待所提议的溯因叙事形式：他们的判断可能与作者不同。对"最佳"解释的评价分歧并不表明研究有缺陷，而是反映溯因推理的多元本质。一个透明且清楚阐明其偏好解释背后理由的作者，能使读者批判性地参与，甚至富有成效地不同意。因此，溯因证词要求读者在评估证据时行使自己的判断。

最后，五幕序列——尤其是第二、三、四幕——应被理解为指南，而非僵化的公式。写作是情境性的，作者调整或重新排列各幕以澄清其论证。至关重要的是，论文的叙事体现五幕的内容与精神。当面对需要溯因推理的经验情境时，我们鼓励学者摆脱 H-D 模型那不合身的、理论先行的惯例，转而将其叙事扎根于情境。这样做产生的研究既更透明，也更真实地反映了发现与解释在实践中如何展开。

数据可用性声明

本研究未生成或分析任何数据集，数据共享不适用于本文。

ORCID

• Sandeep Devanatha Pillai：https://orcid.org/0000-0002-8922-4144
• Brent Goldfarb：https://orcid.org/0000-0002-8828-9018
• David A. Kirsch：https://orcid.org/0000-0002-2143-8306
• Seojin Kim：https://orcid.org/0000-0003-4390-6999
• Evan Starr：https://orcid.org/0000-0002-4368-1710

参考文献

Bates, R. H., Greif, A., Levi, M., Rosenthal, J.-L., & Weingast, B. R. (1998). Analytic narratives. Princeton University Press.

Berry, H., Kaul, A., & Lee, N. (2021). Follow the smoke: The pollution haven effect on global sourcing. Strategic Management Journal, 42(13), 2420–2450. https://doi.org/10.1002/smj.3288

Bettis, R. A. (2012). The search for asterisks: Compromised statistical tests and flawed theories. Strategic Management Journal, 33(1), 108–113. https://doi.org/10.1002/smj.975

Bettis, R. A., Helfat, C. E., & Shaver, J. M. (2016). The necessity, logic, and forms of replication. Strategic Management Journal, 37(11), 2193–2203.

Boyd, N. M., & Bogen, J. (2021). Theory and observation in science. In E. N. Zalta (Ed.), The Stanford encyclopedia of philosophy (Winter 2021 Edition). Metaphysics Research Lab, Stanford University.

Braguinsky, S., & Hounshell, D. A. (2016). History and nanoeconomics in strategy and industry evolution research: Lessons from the Meiji-Era Japanese cotton spinning industry. Strategic Management Journal, 37(1), 45–65. https://doi.org/10.1002/smj.2452

Cabrera, F. (2017). Can there be a Bayesian explanationism? On the prospects of a productive partnership. Synthese, 194, 1245–1272. https://doi.org/10.1007/s11229-015-0990-z

Choudhury, P. R., Khanna, T., & Sevcenko, V. (2023). Firm-induced migration paths and strategic human-capital outcomes. Management Science, 69(1), 419–445.

Crupi, V. (2025). Confirmation. In E. N. Zalta & U. Nodelman (Eds.), The Stanford encyclopedia of philosophy (Fall 2025 Edition). Metaphysics Research Lab, Stanford University. https://plato.stanford.edu/archives/fall2025/entries/confirmation/

Darden, L. (2002). Strategies for discovering mechanisms: Schema instantiation, modular subassembly, forward/backward chaining. Philosophy of Science, 69(S3), S354–S365.

Donnelly, M., & Norton, C. (2020). Doing history (2nd ed.). Routledge. https://doi.org/10.4324/9781003107781

Douven, I. (2022). The art of abduction. The MIT Press.

Douven, I. (2025). Abduction. In E. N. Zalta & U. Nodelman (Eds.), The Stanford encyclopedia of philosophy (Summer 2025 Edition). Metaphysics Research Lab, Stanford University. https://plato.stanford.edu/archives/sum2025/entries/abduction/

Esch, E. (2018). The color line and the assembly line: Managing race in the Ford empire. University of California Press.

Frake, J., Gibbs, A., Goldfarb, B., Hiraiwa, T., Starr, E., & Yamaguchi, S. (2025). From perfect to practical: Partial identification methods for causal inference in strategic management research. Strategic Management Journal, 46(8), 1894–1929.

Frank, D. H., & Obloj, T. (2014). Firm-specific human capital, organizational incentives, and agency costs: Evidence from retail banking. Strategic Management Journal, 35(9), 1279–1301.

Freeland, R. F. (2000). Creating holdup through vertical integration: Fisher Body revisited. The Journal of Law and Economics, 43(1), 33–66.

Garcia-Castro, R., & Francoeur, C. (2016). When more is not better: Complementarities, costs and contingencies in stakeholder management. Strategic Management Journal, 37(2), 406–424.

Glaser, B., & Strauss, A. (1967). The discovery of grounded theory: Strategies for qualitative research. Aldine.

Goldfarb, B., & King, A. A. (2016). Scientific apophenia in strategic management research: Significance tests & mistaken inference. Strategic Management Journal, 37(1), 167–176.

Goldfarb, B., Kirsch, D., & Pillai, S. D. (2024). Causal inference in strategy research: Lovely or likely? Presented at the Utah Strategy Summit, August 2024.

Goldfarb, B., & Yan, L. (2021). Revisiting Zuckerman's (1999) categorical imperative: An application of epistemic maps for replication. Strategic Management Journal, 42(11), 1963–1992.

Goldfarb, B., Zavyalova, A., & Pillai, S. (2018). Did victories in certification contests affect the survival of organizations in the American automobile industry during 1895–1912? A replication study. Strategic Management Journal, 39(8), 2335–2361. https://doi.org/10.1002/smj.2911

Hannah, D. (2024). A call for greater humility in management research. Journal of Management Inquiry, 34(1), 10564926241288799. https://doi.org/10.1177/10564926241288799

Hanson, N. R. (1965 [1958]). Patterns of discovery: An inquiry into the conceptual foundations of science. Cambridge University Press.

Harman, G. H. (1965). The inference to the best explanation. The Philosophical Review, 74(1), 88–95.

Hepburn, B., & Andersen, H. (2021). Scientific method. In E. N. Zalta (Ed.), The Stanford encyclopedia of philosophy (Summer 2021 Edition). Metaphysics Research Lab, Stanford University. https://plato.stanford.edu/archives/sum2021/entries/scientific-method/

Hislop, D. (2002). Mission impossible? Communicating and sharing knowledge via information technology. Journal of Information Technology, 17(3), 165–177.

Hounshell, D. (1984). From the American system to mass production, 1800–1932: The development of manufacturing technology in the United States. Johns Hopkins University Press.

Howell, M. C., & Prevenier, W. (2001). From reliable sources: An introduction to historical methods. Cornell University Press.

Ingram, P., Rao, H., & Silverman, B. S. (2012). History in strategy research: What, why, and how? In History and strategy (pp. 241–273). Emerald Group Publishing Limited.

Kim, S., Agarwal, R., & Goldfarb, B. (2025). Creating radical technologies and competencies: Revisiting inter-organizational dynamics in the nascent bionic prosthetic industry. Organization Science, 37, 272–301. https://doi.org/10.1287/orsc.2022.16915

King, A. A., Goldfarb, B., & Simcoe, T. (2021). Learning from testimony on quantitative research in management. Academy of Management Review, 46, 465–488. https://doi.org/10.5465/amr.2018.0421

Kipping, M., Wadhwani, R. D., & Bucheli, M. (2014). Analyzing and interpreting historical sources: A basic methodology. In Organizations in time: History, theory, methods (pp. 305–329). Oxford Academic.

Klein, B., Crawford, R. G., & Alchian, A. A. (1978). Vertical integration, appropriable rents, and the competitive contracting process. The Journal of Law and Economics, 21(2), 297–326.

Klepper, S. (2007). Disagreements, spinoffs, and the evolution of Detroit as the capital of the US automobile industry. Management Science, 53(4), 616–631.

Leamer, E. E. (1983). Let's take the con out of econometrics. American Economic Review, 73(1), 31–43.

Lin, Z., Yang, H., & Arya, B. (2009). Alliance partners and firm performance: Resource complementarity and status association. Strategic Management Journal, 30(9), 921–940.

Lipton, P. (2004). Inference to the best explanation. Routledge.

Mancini, F. (2024). Logical abductivism on abductive logic. Synthese, 203(6), 188.

Mantere, S., & Ketokivi, M. (2013). Reasoning in organization science. Academy of Management Review, 38(1), 70–89. https://doi.org/10.5465/amr.2011.0188

Mink. (2001). Narrative form as a cognitive instrument. In The history and narrative reader. Routledge.

Mitchell, W., Wu, Z., Bruton, G. D., & Gautam, D. K. (2022). Microlevel analysis of institutional intermediation in a rudimentary market-based economy: Entrepreneurship in Kathmandu's Indrachok market. Organization Science, 33(6), 2106–2134.

Mohammadian, M. (2021). Abduction—The context of discovery + underdetermination = inference to the best explanation. Synthese, 198(5), 4205–4228.

Peirce, C. S. (1931–1958). In C. Hartshorne, P. Weiss, & A. Burks (Eds.), Collected papers of Charles Sanders Peirce (Vol. 1–5). Harvard University Press.

Peirce, C. S. (1934). Collected papers of Charles Sanders Peirce. In C. Hartshorne & P. Weiss (Eds.), Pragmatism and pragmaticism (Vol. 5). Harvard University Press. (Original work written 1903).

Pillai, S. D., Goldfarb, B., & Kirsch, D. (2024). Lovely and likely: Using historical methods to improve inference to the best explanation in strategy. Strategic Management Journal, 44(8), 1539–1566.

Polanyi, M. (2009). The tacit dimension. The University of Chicago Press.

Rao, H. (1994). The social construction of reputation: Certification contests, legitimation, and the survival of organizations in the American automobile industry: 1895–1912. Strategic Management Journal, 15(S1), 29–44. https://doi.org/10.1002/smj.4250150904

Reichertz, J. (2019). Abduction: The logic of discovery of grounded theory—An updated review. In A. Bryant & K. Charmaz (Eds.), Abduction: The logic of discovery of grounded theory—An updated review (pp. 259–281). SAGE Publications Ltd. https://doi.org/10.4135/9781526485656.n15

Rosenhagen, R. (2021). Norwood Russell Hanson's account of experience: An untimely defense. Synthese, 198(6), 5179–5204.

Roth, P. A. (1988). Narrative explanations: The case of history. History and Theory, 27(1), 1.

Sætre, A. S., & Van de Ven, A. (2021). Generating theory by abduction. Academy of Management Review, 46(4), 684–701. https://doi.org/10.5465/amr.2019.0233

Shah, S. K., & Corley, K. G. (2006). Building better theory by bridging the quantitative–qualitative divide. Journal of Management Studies, 43(8), 1821–1835.

Shaver, J. M. (2020). Causal identification through a cumulative body of research in the study of strategy and organizations. Journal of Management, 46(7), 1244–1256.

Silverman, B. S., & Ingram, P. (2017). Asset ownership and incentives in early shareholder capitalism: Liverpool shipping in the eighteenth century. Strategic Management Journal, 38(4), 854–875.

Simmons, J. P., Nelson, L. D., & Simonsohn, U. (2011). False-positive psychology: Undisclosed flexibility in data collection and analysis allows presenting anything as significant. Psychological Science, 22(11), 1359–1366.

Simonsohn, U., Simmons, J. P., & Nelson, L. D. (2020). Specification curve analysis. Nature Human Behaviour, 4(11), 1208–1214. https://doi.org/10.1038/s41562-020-0912-z

Spanos, A. (2013). A frequentist interpretation of probability for model-based inductive inference. Synthese, 190(9), 1555–1585. https://doi.org/10.1007/s11229-011-9892-x

Tavory, I., & Timmermans, S. (2014). Abductive analysis: Theorizing qualitative research. University of Chicago Press.

Tavory, I., & Timmermans, S. (2022). Data analysis in qualitative research: Theorizing with abductive analysis. University of Chicago Press.

Thagard, P. (1984). Frames, knowledge, and inference. Synthese, 61(2), 233–259.

White, H. (1984). The question of narrative in contemporary historical theory. History and Theory, 23(1), 1.

Yamaguchi, S., Braguinsky, S., Okazaki, T., & Yuki, T. (2023). Resource allocation and growth strategies in a multi-plant firm: Kanegafuchi Spinners in the early 20th century. Strategic Management Journal, 1–35. https://doi.org/10.1002/smj.3567

附录1　学者溯因逐步指南

整个过程是迭代的，而非线性的；在研究与写作过程中，请预期会返回并重访各步骤：

1. 判断你的研究是否为溯因研究： 如果你在收集与探索数据之前没有预先规定假说、抽样方案、测量方案与检验方案，那么你的论文就是溯因的。除预先注册的实验外，大多数研究都是溯因的。

2. 基于你的先验知识与理论、研究起源的情境以及任何初步证据，识别一个需要解释的有趣理论或现象学谜题。

3. 识别候选解释： 运用理论与情境知识尽可能多地识别候选解释（至少必须考虑 2 个候选）。这一过程可能需要与数据的迭代互动或社群投入。

4. 运用解释生成更多证据，并重新评估第 2 步中的初始谜题。在第 2 步与第 4 步之间迭代，直到你有一个清晰的谜题和一组能尽你所能区分竞争性解释的证据。

5. 构建表2： 评估每种解释的美德——契合、融贯、简约与精确。

6. 判断可爱与似真： 基于表2，按可爱性与似真性对解释排序。

7. 对解释排序。评估排序偏好的强度。

8. 开始撰写论文。以表2为指南。

9. 第一幕： 引言应确立：

   a. 谜题： 探索论文重要事实（ ）的理论或经验动机。

   b. 解释： 由于可能无法纳入表2所列的全部候选解释，只纳入那些因为借鉴先前理论而令读者"可爱"、且/或基于证据而"似真"的解释。

   c. 用于评估解释的证据。

   d. 最佳解释／解释偏好排序。

   e. 诠释： 概括潜在的理论贡献。这些解释在何种程度上及何时可能推广到其他情境（ ）。

10. 第二幕： 证据部分应：

    a. 包含对经验情境与经验方法的讨论。

    b. 审视数据来源的有效性、可信度与透明度。

    c. 识别关键决策者并探究行动者的诠释学。

    d. 传达经验策略的假设与运作方式，以及情境如何可能影响经验策略所需假设成立的条件。

    e. 提供裁断第三幕中所提出解释之间所需的事实——也可以包括定性补充证据（例如，使用访谈证词以更好地确立观察到的统计相关）。

    f. 构建一个概括核心事实的表格。

    g. 选择哪些细节可以忽略。然而，应说服读者：支撑第一幕中一切有趣之处的证据应被视为对事件的准确描述，且所纳入的事实与情境相关。

11. 第三幕： 解释部分应遵循表2：

    a. 识别与主流理论融贯的考虑解释。

    b. 提供足够的背景以确立解释的可信度。避免详细的文献综述，除非需要它来确立解释。

12. 第四幕： 最佳解释：

    a. 识别最佳解释／解释偏好排序。

    b. 纳入并讨论表2：通过讨论解释性美德——契合、融贯、简约与精确——来辩护每种解释的似真性与可爱性。

    c. 通过说服读者相信作者对数据的解释，并对每种潜在解释提供公平评估，主张你的解释偏好是胜任且真诚的。这包括识别偏好解释在美德方面的弱点。

13. 第五幕： 诠释：

    a. 提炼第四幕中情境化的最佳解释，并主张更普遍的相关性。讨论该解释如何可能在其他情境中提供预测与理解；即讨论其可推广性。

    b. 诉诸超越当前情境的理论，并基于这一超越的情境作出辩护。

注释

: 在本文中，我们用"溯因"一词指代"现代"溯因，即最佳解释推理。现代溯因包含经典或"皮尔士式"溯因的要素。关于这些差异在科学哲学文献中的讨论，见 Douven（2022，第1章）；在战略研究背景下的讨论，见 Pillai et al.（2024）。皮尔士将经典溯因定义为"形成解释性假说的过程（Peirce, 1934, CP 5.171）"，并将溯因的逻辑结构表述为："令人惊讶的事实 C 被观察到；但若 A 为真，则 C 是理所当然的；因此，有理由怀疑 A 为真（Peirce, 1934, CP 5.189）。"现代溯因（IBE）还包括额外的步骤，即明确生成多个可能的解释，然后从中选出偏好的一个。

: 证词被定义为"来自 A 的、邀请我们接受命题 P 的言论（King et al., 2021, p. 466）"。证词结构指 A 在期刊论文中用于以胜任且真诚的方式推进命题 P 的文字布局，使得读者能够评估这些主张是否合理。

: 我们有意对"谜题"作宽泛界定。一方面，一组事实可能难以与现有理论相调和——即传统的异常。然而，如第3.1节所述，观察与理论从根本上相互交织；因此，当研究者的先验信念就某一特定经验观察产生相互竞争的理论预测时，也可能出现谜题。在这种情况下，谜题源于理论，但仍以经验异常的形式呈现。

: 哲学论述在实在论与工具主义解释之间存在分歧：实在论者将溯因视为指向关于底层结构的真理；工具主义者则将其视为组织经验的一种实用工具。PEEBI 通过聚焦于透明证词而非形而上学承诺，兼容这两种立场。

: 溯因的停止规则呼应了归纳质性研究中的饱和（saturation）思想（Glaser & Strauss, 1967; Shah & Corley, 2006）。

: 似真性与可爱性是利普顿（Lipton, 2004）对最佳解释推理的解释所提出的术语："似真性关乎真理；可爱性关乎潜在的理解（p. 61）。"过度的似真性可能导致高度具体的解释，却几乎不提供普遍意义。过度的可爱性可能提供巨大意义，却可能与现实脱节。对可爱性与似真性的判断建立在对下述非正交美德的综合评估之上，每一种美德都对可爱性与似真性有所贡献（Pillai et al., 2024）。

: 与科学哲学中对溯因的标准处理相比，我们在这一定式化中使主观先验知识变得显明。这样做为判断这一概念提供了清晰的原基，在社会科学背景下尤为重要。

: 这种认识论方法与归纳形成对比，归纳的逻辑结构如下：我们已见到   个具有性质   的   的实例。  可能所有（或大多数）  具有  。在战略研究中，"归纳"一词被用于指代从具体案例推断一般模式的认识论。而对科学哲学家而言，归纳通常仅限于可量化的陈述，即依赖统计理论从特定观察推断一般预测（Douven, 2022）。

: 尽管步骤 A 至 E 的形式化表示暗示先设想解释再对其排序，但现实是这是一个迭代过程。这是因为向最佳解释迭代可能生成新的观察，新的观察又可能与不同的或新的解释一致，进而激发更多新的观察。由于解释与情境相关，对情境更深入的理解与对解释更精细的搜寻将产生更有说服力的溯因证词。

: 更技术性地看，假说—演绎（H-D）模型将科学推断设想为一个逻辑过程：假说产生预测，然后与观察比较。当假说预测的后果被观察到时，假说获得支持，尽管这种确认在本质上是暂时的。正如《斯坦福哲学百科全书》所指出的，"在假说—演绎的论述中，科学家致力于提出可以从其推出真实观察后果的假说"（Hepburn & Andersen, 2021）。然而，由于许多相互竞争的假说可能蕴涵相同的观察后果，证据对理论是不充分决定的（underdetermine）——没有任何单一假说能仅凭观察被确证或证伪（Crupi, 2025）。这种逻辑上的不充分决定性意味着，在实践中，因果推断依赖于对相互竞争解释的相对可能性的判断，而非仅仅依赖演绎。

: 频率学派统计依赖中心极限定理，即从中抽取统计量的抽样分布在渐近意义上是正态的。选择性停止意味着对抽样分布的抽取是基于统计量本身的值来选择的。这导致在抽样分布层面发生的选择偏差。直观地说，选择性停止导致更可能选择那些回归误差项（e）恰好与回归元（x）虚假相关的估计。

: 这一点的意涵是，溯因证词不仅仅是所发生事件的编年史，也不是所作所为或所发现之事的记录。

: 根据这项研究（Simmons et al., 2011, p. 1360）："我们让 20 名宾夕法尼亚大学本科生聆听披头士乐队的《当我六十四岁》（When I'm Sixty-Four）或《卡林巴》（Kalimba）。然后，在一个表面上无关的任务中，他们报告了自己的出生日期与父亲年龄。我们用父亲年龄来控制参与者基线年龄的差异。方差分析揭示了预测效应：根据出生日期，人们在聆听《当我六十四岁》后（调整后 M = 20.1 岁）比聆听《卡林巴》后（调整后 M = 21.5 岁）几乎年轻一年半，F(1, 17) = 4.92, p = .040。"

译注：本译文为人机协作的结果，感谢 Deepseek V4 Flash 与 Claude Code。