内容提要：以往社会分层研究的理论和方法可以归纳为理论和数据驱动两种范式，通过回顾和比较发现其都存在不可避免的局限性，为此提出一种结合二者优势的理论与数据双驱动的社会分层研究框架。该框架将社会阶层看作由类别和等级参数所构成的高维社会空间中聚集的子群体，基于分层理论所提出的阶层测量指标建构“社会阶层空间”，并使用机器学习算法识别出空间中的不同群体，从而进行阶层划分。使用这一框架对中国综合社会调查2017年的数据进行阶层划分，发现其既能区分出地位一致性高的、边界清晰的阶层，也能对地位不一致的、还未形成阶层的利益群体进行准确识别。此外还发现：(1)将当前中国社会划分为三个阶层是最好的划分方式，三个社会阶层在经济、声望、文化等维度上的特征分布都存在高、中、低的等级差异；(2)分层的指标并不是越多越好，对中国当前社会阶层划分和对个体阶层测量最有意义的指标是单位类型，其次是职业社会经济地位。

关键词：社会分层/理论驱动/数据驱动/机器学习/社会阶层空间/阶层测量方法

作者简介：梁玉成，中山大学社会学与人类学学院教授，博士生导师；贾小双，中山大学社会学与人类学学院博士研究生。

社会结构是社会学的核心议题。作为社会结构最重要的维度，阶层结构的研究对于理解社会现象和社会变迁有着重要的意义，一直以来广受国内外社会学家的关注，发展出了丰富的社会分层理论，并在此基础上提出了不同的阶层测量方法。总体来看，国内外学者对阶层的理解可分为两种：一种认为阶层是等级不同的群体，只需确定一定的数量标准就可以对社会阶层进行区分，例如按照收入的高低划分为低收入群体、中等收入群体和高收入群体；另一种认为阶层是社会性质、社会属性完全不同的群体，而不仅仅是简单的上下排列的等级层次，因此需要找到阶层之间属性差异的指标来界定。传统的社会分层理论(如马克思、韦伯和涂尔干的分层理论)都体现了将阶层看作属性不同的群体这一阶层视角，即根据生产资料的占有、劳动分工等差异来界定阶层。

社会学对阶层结构的测量常常将两种视角结合起来，既考虑群体的社会属性差异，也关注社会属性的等级层次，而用于分层的社会属性常常被理解为“对各类资源的占有”。李强认为，社会分层的本质是资源在不同群体中的分布。因此，资源的种类和占有水平是阶层和社会地位划分的依据。他将格伦斯基提出的用于分层的七种资源扩展为十种，分别是生产资料资源、财产或收入资源、市场资源、职业或就业资源、政治权力资源、文化资源、社会关系资源、主观声望资源、公民权利资源以及人力资源。这十种资源各有侧重，其不同组合可以形成不同的分层标准，而不同的分层组合所划分的阶层群体又常常相互交叉，即在一种标准下被划分为同一个阶层的群体在另一种标准下可能被分为不同的阶层群体。基于不同的资源组合和不同的划分标准，社会学发展出了不同的阶层测量方法。但笔者发现，这些方法都存在一定的局限性：一方面，不同分层模型测量阶层地位时选用的维度(资源种类)和划分标准(资源占有水平)不同；另一方面，这些方法都面临着“分层结果无法在现实中验证”的批判。因此，