1. 引言
现有政府注意力分配研究多立足宏观与中观层级，通常依赖政策文本、财政支出与会议纪要等材料识别决策者关注焦点及其演变规律[1] [2]。然而，在多级治理链条中，政策注意力进入社区这一微观场域后并非线性传递，而可能伴随任务压力、资源约束与在地情境发生过滤与再聚焦。城市社区组织在实践中同时承担居民自治事务与一定的公共事务协同职能[3]，在事务密度上升与居民需求多元并存的情境下，社区组织往往面临多任务压力与资源约束[4] [5]。在此背景下，注意力作为稀缺资源，其配置体现为组织在多元议题中的优先排序与行动取舍，并通过具体治理行为持续呈现[6] [7]。
尽管注意力理论为解释多任务治理情境下的组织选择提供了重要视角，但既有研究在社区层面仍面临显著测量缺口：一方面，宏观文本与客观指标分析难以覆盖社区治理中大量发生于日常互动、非正式沟通与具体问题处置过程中的注意力调整；另一方面，居民作为最终服务对象与效果评价者，其对“社区更关注哪些事务”的判断往往来源于长期的日常观察与办事体验，却在既有研究中缺乏可操作的量化测量工具。相关实证研究常以服务质量或回应性指标替代注意力测量，难以刻画不同事务之间相对投入结构及其差异化呈现[8] [9]。
这一缺口在居民满意度与治理评价研究中尤为突出。在公共管理与社区治理研究中，居民社区满意度通常被理解为居民对社区生活环境、公共服务供给与治理过程体验的综合主观评价[10] [11]。既有研究表明，相较于社区客观条件，居民对社区特征的主观感知与过程体验往往对满意度具有更直接的解释力[12] [13]，并提示治理绩效的关键不止在于“做了什么”，也在于公众“如何感知并评价”[14]。然而，目前满意度与回应性研究多聚焦服务质量、回应速度或公平体验等过程性/结果性评价，较少直接测量基层组织在多任务情境下的“注意力投向结构”如何被居民识别，从而难以解释同一社区在不同事务领域投入不均衡时引发的评价差异。
此外，社区组织的注意力配置属于内部过程变量，居民无法直接观察，只能通过外显治理行动线索进行推断与归因[15] [16]。例如，信息公开的持续性、问题处置的及时性、服务供给的可及性以及意见反馈的闭环程度，均可能被居民解释为社区在相应事务领域投入更多关注与资源。该过程符合主观感知模型的基本逻辑：个体并非直接依据客观条件作出总体评价，而是经由对具体领域体验的主观感知与解释形成总体判断[12]。因此，“社区注意力分配感知”可被理解为居民基于行动线索进行信号识别与归因判断所形成的结构化认知，是连接社区治理行动结构与居民治理评价的重要中间层变量。
基于此，本文提出“社区注意力分配感知”概念，指居民基于社区可见治理行动，对不同公共事务领域注意力投入强度所形成的主观判断，并以此为基础开发与验证相应测量量表。研究采用扎根理论进行维度建构，并通过居民问卷数据(N = 375)开展探索性与验证性因素分析，对量表的结构效度、收敛效度与区分效度进行系统检验，以期为后续社区治理评价研究提供可复用的测量工具与经验基础。
2. 维度结构探索与量表编制
2.1. 核心概念界定
本文提出的“社区注意力分配感知”，指居民基于社区治理组织在公共事务中的可见治理行动，对其在不同事务领域注意力投入强度所形成的主观判断。这里的“注意力投入”并非指组织内部不可观察的心理过程，而是体现在信息公开、问题处置、服务供给与意见反馈等可被居民识别的行动线索之中。基于居民日常治理经验，本研究将其注意力感知结构划分为组织事务、行政工作、社区管理、社区服务与社区自治五类事务情境维度，用以刻画居民对不同事务领域“关注–投入–跟进”强度的结构化认知。本研究对维度命名仅用于概括居民最常用以识别投入重点的治理情境线索，不涉及对制度安排的价值评判。
2.2. 维度结构探索：质性资料提炼的五个情境维度
为识别居民形成注意力分配感知的主要情境来源，本文基于半结构化访谈资料并采用扎根理论进行编码分析，编码结果表明，居民在回忆社区治理体验时，主要围绕五类公共事务场景形成对社区注意力投向的结构性判断：组织事务、行政工作、社区管理、社区服务与社区自治。据此，本文将社区注意力分配感知建模为由五个相互关联的一阶维度构成的多维构念，并据以开展题项编制。
(1) 感知组织事务注意力。该维度强调居民在日常生活中可直接感知的组织事务实践线索，体现党组织服务群众与信息公开传播等外显投入[17] [18]。
(2) 感知行政工作注意力。该维度刻画居民对社区在日常行政事务办理中的投入与响应效率体验，参考行政负担框架并结合社区政务服务情境形成题项[19]。
(3) 感知社区管理注意力。该维度反映社区在基础治理功能上的执行力度与资源投入，覆盖网格走访、公共安全与环境治理等高频管理场景[20]-[22]。
(4) 感知社区服务注意力。该维度衡量社区在便民服务、重点人群关怀、文体活动与公共设施维护等方面的持续投入与供给情况[23] [24]。
(5) 感知社区自治注意力。该维度反映社区对居民自治的制度性支持与回应，包括资源支持、参与渠道与意见反馈闭环等线索[25]。
2.3. 量表编制与题项形成
在维度结构基础上，本文综合既有研究与访谈中高频、可感知的行为表述，将居民对社区治理投入的经验性描述转化为可测量题项。最终形成“社区注意力分配感知量表”，共包含5个维度、15个题项，采用李克特5点计分(1 = 非常不符合，5 = 非常符合)。其中为控制同意偏差，设置反向题项FP3、FP6。量表题项及维度归属如表1所示。
Table 1. Community attention allocation perception scale
表1. 社区注意力分配感知量表
维度 |
题号 |
题项内容 |
参考文献 |
感知组织事务注意力 |
FP1 |
社区经常组织党员为居民提供便民服务(如法律咨询、节日慰问)。 |
郝月彤等[17]；严静[18] |
FP2 |
您能在社区宣传栏、公众号等平台中长期看见组织事务相关内容。 |
FP3 |
社区很少向居民介绍组织事务成果。 |
感知行政工作注意力 |
FP4 |
您在社区办理各类证明或政策咨询时，过程高效顺畅。 |
Jilke等[19] |
FP5 |
社区提供代办服务(如低保申请、老年补贴)让您省时省力。 |
FP6 |
社区工作人员经常不在服务窗口，导致需求无法及时处理。 |
感知社区管理注意力 |
FP7 |
社区的网格员定期走访居民并及时反馈问题。 |
侯甜甜，曹海军[20]；汪伟全，赖天[21]；李垚林[22] |
FP8 |
社区定期开展消防演练、治安巡查和用电安全检查，并公示相关措施。 |
FP9 |
社区积极维护楼道卫生、增加绿化区域，节日期间布置装饰提升环境美观。 |
感知社区服务注意力 |
FP10 |
社区为老年人、儿童等群体提供健康检查、托管班等关怀与便利服务。 |
王逸飞等[23]；卢爱国，曾凡丽[24] |
FP11 |
社区经常组织节日庆典、兴趣课程等文体娱乐活动。 |
FP12 |
社区的公共服务设施(如健身器材、活动场地)完备且维护良好。 |
感知社区自治注意力 |
FP13 |
社区为居民自治组织(如业委会、志愿队)提供场地、经费支持。 |
张平等[25] |
FP14 |
社区定期邀请居民参与社区事务讨论或沟通会议。 |
FP15 |
您能在社区事务中提出意见并得到反馈。 |
3. 质性阶段与维度生成
为识别居民形成社区注意力分配感知的关键情境线索，本文采用分层目的性抽样策略，依据成都市圈层结构在一、二、三圈层中分别选取社区，以覆盖不同城市空间与治理情境。共纳入13个社区作为主要访谈场域，并补充5份访谈样本用于理论饱和检验。研究于2025年3~7月开展一对一半结构化访谈，共获得18份访谈文本。其中13份用于理论建构，5份用于饱和验证。单次访谈时长约30~60分钟，形成约3万字转写材料。访谈围绕居民对社区公共事务处理过程的观察、体验与评价展开，通过递进式追问获取能够反映社区注意力投向的具体行为线索。访谈全程录音并逐字转写，经反复校对确认。
本文遵循扎根理论分析程序，借助NVivo进行开放式编码、主轴式编码与选择性编码。开放式编码阶段，对文本进行逐段概念化处理，形成179个开放范畴(322条参考节点)。主轴式编码阶段，在持续比较基础上对开放范畴进行整合，最终提炼出组织事务、行政工作、社区管理、社区服务与社区自治五个主范畴，并据此界定“社区注意力分配感知”的五个一阶维度。选择性编码阶段围绕核心范畴整合范畴间逻辑关系，构建维度结构解释框架。
为检验理论饱和，对新增5份样本进行独立编码，未发现新的概念或范畴关系，表明理论已趋于稳定。编码过程中形成代码本与研究备忘录以记录范畴修订依据，并通过交叉审阅提升编码一致性。
4. 量表的量化验证
本研究采用居民问卷数据对社区注意力分配感知量表进行量化验证。量表包含五个维度共15个题项，分别为感知组织事务注意力、感知行政工作注意力、感知社区管理注意力、感知社区服务注意力与感知社区自治注意力，均采用李克特5点计分(1 = 非常不符合，5 = 非常符合)。其中FP3、FP6为反向计分题，分析前已进行反向处理。
在分析方法上，首先采用SPSS进行探索性因素分析(EFA)以检验量表的潜在结构，其次使用AMOS进行验证性因素分析(CFA)，从结构拟合、收敛效度与区分效度等方面对量表进行系统验证。
4.1. 样本与测量
4.1.1. 样本来源与结构特征
本研究以成都市13个城市社区居民为调查对象开展问卷调查，调研时间为2025年4月至6月。问卷发放依据社区规模与常住人口数量进行分层投放，共回收问卷397份，经剔除无效样本后获得有效问卷375份，有效回收率为94.5%。职业分布涵盖企业员工、事业单位人员、个体经营者、退休人员等多类型群体；教育程度与居住时长分布均较为均衡。样本在人口学特征上具有较好的多样性，具体结构见表2。
Table 2. Questionnaire structure characteristics
表2. 问卷结构特征表
变量 |
分类 |
频数(人) |
百分比(%) |
性别 |
男 |
141 |
37.6 |
女 |
234 |
62.4 |
年龄 |
18~25岁 |
66 |
17.6 |
26~40岁 |
85 |
22.67 |
41~60岁 |
129 |
34.4 |
61岁及以上 |
95 |
25.33 |
职业 |
企业员工 |
115 |
30.67 |
事业单位/政府机关 |
86 |
22.93 |
个体经营 |
53 |
14.13 |
自由职业 |
40 |
10.67 |
退休人员 |
36 |
9.6 |
学生 |
23 |
6.13 |
待业 |
22 |
5.87 |
受教育程度 |
初中及以下 |
79 |
21.07 |
高中/中专 |
84 |
22.4 |
大专 |
87 |
23.2 |
本科及以上 |
125 |
33.33 |
居住时长 |
不满1年 |
77 |
20.53 |
1~5年 |
65 |
17.33 |
6~10年 |
106 |
28.27 |
10年以上 |
127 |
33.87 |
4.1.2. 变量描述统计与正态性检验
为检验量表数据是否满足后续因素分析与结构方程模型分析的基本假设，本文首先对社区注意力分配感知量表各题项进行了描述性统计分析。如表3所示，各题项均基于375份有效样本计算，测量值范围为1~5，平均值介于3.20~3.73之间，表明受访居民整体上对社区注意力投入持中等偏正向评价。从分布特征来看，各题项的偏度绝对值均小于0.594，峰度绝对值均小于1.074，均处于Hair [26]与Kline [27]建议的可接受范围内，说明数据虽非绝对正态，但整体符合近似正态分布假设。因此，本研究样本数据适合进一步进行探索性因素分析与验证性因素分析。各题项均值介于3.20~3.73之间，偏度与峰度均处于可接受范围内，表明量表数据满足近似正态分布假设。
Table 3. Descriptive statistics of each item in the community attention allocation perception scale (N = 375)
表3. 社区注意力分配感知量表各题项描述统计(N = 375)
题项 |
平均值 |
标准差 |
偏度 |
峰度 |
FP1 |
3.27 |
1.331 |
−0.235 |
−1.074 |
FP2 |
3.41 |
1.311 |
−0.418 |
−0.946 |
FP3 |
3.25 |
1.255 |
−0.145 |
−1.012 |
FP4 |
3.73 |
1.033 |
−0.500 |
−0.253 |
FP5 |
3.72 |
0.966 |
−0.565 |
−0.018 |
FP6 |
3.62 |
0.998 |
−0.436 |
−0.239 |
FP7 |
3.53 |
1.101 |
−0.544 |
−0.235 |
FP8 |
3.47 |
1.104 |
−0.385 |
−0.527 |
FP9 |
3.51 |
1.099 |
−0.554 |
−0.211 |
FP10 |
3.54 |
1.129 |
−0.547 |
−0.423 |
FP11 |
3.54 |
1.115 |
−0.453 |
−0.489 |
FP12 |
3.58 |
1.069 |
−0.463 |
−0.429 |
FP13 |
3.20 |
1.196 |
−0.076 |
−0.917 |
FP14 |
3.45 |
1.155 |
−0.468 |
−0.513 |
FP15 |
3.52 |
1.172 |
−0.563 |
−0.443 |
4.2. 探索性因素分析EFA
4.2.1. 数据适配性检验
在进行探索性因素分析前，首先对社区注意力分配感知量表15个题项进行KMO与Bartlett球形检验。量表整体KMO值如表4所示为0.824，Bartlett球形检验达到显著水平(p < 0.001)，各维度KMO值如表5所示，表明题项之间具有较强相关性，适合进行因子分析。
Table 4. Results of KMO and Bartlett’s test of sphericity
表4. KMO与Bartlett球形检验结果
指标 |
数值 |
KMO取样适切性量数 |
0.824 |
Bartlett球形检验近似卡方 |
2472.940 |
自由度 |
105 |
显著性 |
0.000 |
Table 5. KMO values for each dimension
表5. 各维度KMO值
维度 |
KMO值 |
感知组织事务注意力FP1~3 |
0.702 |
感知行政工作注意力FP4~6 |
0.710 |
感知社区管理注意力FP7~9 |
0.711 |
感知社区服务注意力FP10~12 |
0.725 |
感知社区自治注意力FP13~15 |
0.696 |
为进一步检验共同方法偏差风险，采用Harman单因子检验进行评估。未旋转因子分析结果如表6所示，第一公因子解释率为33.715%，未发现显著共同方法偏差。
Table 6. Explanation results of total variance
表6. 总方差解释结果
成分 |
特征值 |
方差解释率(%) |
累计解释率(%) |
1 |
5.057 |
33.715 |
33.715 |
2 |
2.181 |
14.540 |
48.255 |
3 |
1.497 |
9.983 |
58.238 |
4 |
1.264 |
8.425 |
66.664 |
5 |
1.123 |
7.487 |
74.151 |
4.2.2. 因子提取与结构识别
本文采用主成分分析法对15个题项进行因子提取，并结合最大方差旋转进行结构识别。结果显示，共提取出5个特征值大于1的公因子，累计方差解释率达到74.151%，说明提取出的因子能够较好解释原始变量信息如表7所示。这表明前5个因子贡献了主要解释力，而后续因子的边际解释作用相对有限。因此，综合特征值标准及理论预设，提取5个因子具有合理性。
Table 7. Results of total variance explanation in exploratory factor analysis
表7. 探索性因素分析总方差解释结果
成分 |
特征值 |
提取后方差解释率 (%) |
提取后累计解释率 (%) |
旋转后特征值 |
旋转后方差解释率 (%) |
旋转后累计解释率 (%) |
1 |
5.057 |
33.715 |
33.715 |
2.308 |
15.384 |
15.384 |
2 |
2.181 |
14.540 |
48.255 |
2.281 |
15.204 |
30.588 |
3 |
1.497 |
9.983 |
58.238 |
2.228 |
14.852 |
45.440 |
4 |
1.264 |
8.425 |
66.664 |
2.154 |
14.357 |
59.797 |
5 |
1.123 |
7.487 |
74.151 |
2.153 |
14.354 |
74.151 |
如表8旋转后的因子载荷矩阵所示，量表题项与预设维度具有较好的对应关系：FP1~FP3主要载荷于“感知组织事务注意力”因子，FP4~FP6主要载荷于“感知行政工作注意力”因子，FP7~FP9主要载荷于“感知社区管理注意力”因子，FP10~FP12主要载荷于“感知社区服务注意力”因子，FP13~FP15主要载荷于“感知社区自治注意力”因子。各题项在所属因子上的载荷均各题项主载荷均高于0.60，达到可接受水平，且未出现明显交叉载荷，说明量表结构清晰，具有较好的初步构念效度。
Table 8. Rotated factor loading matrix
表8. 旋转后因子载荷矩阵
变量 |
成分1 |
成分2 |
成分3 |
成分4 |
成分5 |
FP1 |
0.875 |
0.160 |
−0.083 |
0.149 |
0.161 |
FP3 |
0.843 |
0.215 |
−0.058 |
0.133 |
0.181 |
FP2 |
0.753 |
0.178 |
−0.093 |
0.213 |
0.160 |
FP10 |
0.187 |
0.838 |
−0.029 |
0.119 |
0.100 |
FP11 |
0.197 |
0.830 |
−0.102 |
0.181 |
0.074 |
FP12 |
0.145 |
0.798 |
−0.020 |
0.236 |
0.150 |
FP4 |
−0.071 |
−0.023 |
0.876 |
−0.031 |
0.032 |
FP5 |
−0.066 |
−0.084 |
0.852 |
−0.039 |
0.055 |
FP6 |
−0.056 |
−0.025 |
0.833 |
−0.007 |
−0.109 |
FP9 |
0.085 |
0.192 |
−0.060 |
0.825 |
0.137 |
FP7 |
0.233 |
0.134 |
0.031 |
0.784 |
0.168 |
FP8 |
0.165 |
0.200 |
−0.055 |
0.770 |
0.174 |
FP14 |
0.152 |
0.094 |
−0.026 |
0.101 |
0.841 |
FP15 |
0.136 |
0.189 |
−0.023 |
0.160 |
0.806 |
FP13 |
0.164 |
0.032 |
0.025 |
0.196 |
0.762 |
4.3. 验证性因素分析CFA
在探索性因素分析基础上，本文进一步采用AMOS对社区注意力分配感知量表进行验证性因素分析。根据理论设定，构建包含五个一阶潜变量的测量模型，即感知组织事务注意力、感知行政工作注意力、感知社区管理注意力、感知社区服务注意力和感知社区自治注意力，每个潜变量均由3个观测题项进行测量，各潜变量之间允许相关。模型采用最大似然估计方法进行参数估计，模型结构见图1。
图1中事务代表维度感知组织事务注意力，行政代表维度感知行政工作注意力，管理代表维度感知社区管理注意力，服务代表维度感知社区服务注意力，自治代表维度感知社区自治注意力。
4.3.1. 模型整体拟合度
AMOS输出结果显示，模型整体拟合良好。具体而言，模型卡方值为χ2 = 119.658，自由度df = 80，卡方自由度比χ2/df = 1.496。与此同时，其余拟合指标亦达到常用评价标准：GFI = 0.959，AGFI = 0.939，NFI = 0.952，TLI = 0.978，CFI = 0.984，RMSEA = 0.036。上述结果表明，五因子测量模型与样本数据具有较高匹配度，社区注意力分配感知的五维结构得到了进一步支持。
4.3.2. 标准化因子载荷与收敛效度
标准化路径系数显示，所有观测变量在所属潜变量上的载荷均达到显著水平(p < 0.001)，且载荷系数介于0.671~0.888之间，均高于0.60的常用标准，说明各题项能够较好反映其所属潜变量，量表具有良好的收敛效度。
Figure 1. AMOS measurement model
图1. AMOS测量模型
进一步计算组合信度(CR)与平均方差提取量(AVE)，结果如表9所示。五个维度的CR值介于0.793~0.863之间，均高于0.70；AVE值介于0.561~0.679之间，均高于0.50。由此可见，量表在内部一致性与聚合效度方面均达到测量学要求，具备较好的收敛效度。
Table 9. Model convergence validity analysis table
表9. 模型收敛效度分析表
维度 |
CR |
AVE |
√AVE |
党建 |
0.863 |
0.679 |
0.824 |
行政 |
0.823 |
0.609 |
0.781 |
管理 |
0.8 |
0.572 |
0.756 |
服务 |
0.838 |
0.633 |
0.796 |
自治 |
0.793 |
0.561 |
0.749 |
4.3.3. 潜变量相关关系与区分效度
从潜变量相关系数来看，不同维度之间存在一定程度的相关性。例如，组织与服务的相关系数为0.515，管理与服务的相关系数为0.550，管理与自治的相关系数为0.508，表明各维度之间并非彼此孤立，而是在居民认知中存在一定联系。同时，行政工作注意力与其他维度的相关程度相对较低，说明其在居民认知结构中具有一定独立性。结合表4可见，各潜变量的AVE平方根均高于其与其他潜变量的相关系数，表明量表具有良好的区分效度，五个维度能够较为清晰地区分不同类型的社区注意力感知。
综上，验证性因素分析结果表明，社区注意力分配感知量表的五因子测量模型具有良好的整体拟合度，各题项载荷、组合信度与平均方差提取量均达到常用标准，量表在收敛效度与区分效度方面表现良好。由此可以认为，本研究所构建的社区注意力分配感知量表具有较好的结构稳定性与测量质量。
5. 研究结论与讨论
5.1. 研究结论与理论意义
本研究围绕“社区注意力分配感知”这一新兴概念，采用质性建构与量化验证相结合的研究路径，系统开发并验证了一套五维结构量表。研究结果表明，居民对社区注意力配置的认知并非模糊的整体评价，而是围绕组织事务、行政工作、社区管理、社区服务与社区自治五类高频治理情境形成结构化判断。探索性与验证性因素分析均支持五因子结构，量表在结构拟合、收敛效度与区分效度方面表现良好，表明该量表具有稳定的结构基础与较高的测量质量。
从理论层面看，本研究对注意力分配理论在基层治理场域的应用进行了情境化拓展。既有注意力研究多聚焦宏观与中观层级，强调政策文本与资源流向，而较少关注微观场域中服务对象如何通过日常治理行动识别组织注意力。本研究将注意力理解为一种可通过外显行为线索被居民感知的组织选择结构，揭示了社区注意力配置在居民认知层面的分类逻辑，丰富了注意力理论在基层治理研究中的解释维度。
其次，本研究强调“注意力分配感知”与传统服务质量或回应性概念的区别。服务质量更多聚焦结果评价，而注意力分配感知则关注不同事务之间的相对投入与持续性强度，体现为居民对社区在多任务情境下“优先顺序”的判断。因此，该量表为研究社区治理中的资源取舍、议题优先级与治理偏向提供了更具解释力的测量工具。
在方法层面，本研究采用“扎根理论建构–量化结构验证”的双阶段设计，避免了直接移植既有维度的路径依赖，实现了维度生成的情境嵌入性与量表结构的统计稳定性统一，为公共管理领域量表开发提供了方法参考。
5.2. 实践启示
从实践角度看，社区注意力分配结构的可视化具有重要治理意义。
第一，社区治理应重视注意力配置的结构均衡。在多任务压力与资源约束并存的背景下，社区在不同事务之间的注意力取舍将直接影响居民对治理重心的判断。若某一领域长期呈现高可见度投入，而其他领域持续被弱化，可能导致居民形成治理失衡的认知，从而影响整体满意度与信任感。
第二，提高注意力投向的透明度有助于增强居民理解与支持。注意力分配不仅是资源问题，更是信息呈现问题。通过公开治理重点、解释资源配置逻辑、反馈事务推进进度，可以降低居民对“忽视某些事务”的误解，提升治理认同。
第三，该量表可作为社区治理诊断工具，用于识别不同事务领域的感知差异，为精准改进提供依据。通过定期测量不同维度得分，可以帮助社区管理者识别注意力投向偏差，优化任务排序与资源统筹。
5.3. 研究局限与未来方向
尽管本研究构建并验证了社区注意力分配感知量表，但仍存在若干局限。
首先，样本来源于单一城市情境，未来研究可在不同区域、不同治理模式下开展跨区域验证，以检验量表的外部稳定性与适用范围。本研究采用横截面数据，未能考察社区注意力分配感知的动态变化过程。未来可结合纵向数据或事件型数据，分析注意力结构随政策周期或突发事件的演变机制。本研究主要检验了量表的结构效度与内部一致性，后续研究可进一步引入外部效标变量，开展效标关联效度与预测效度检验，以增强量表的解释力与应用价值。