关于零工工作者感知算法管理、压力评估与破坏性偏差行为的学术研究报告

一、 研究作者、机构及发表信息

本研究报告基于Linzi Zhang, Jie Yang, Yiming Zhang, Guohu Xu四位学者合作完成的研究论文《Gig worker’s perceived algorithmic management, stress appraisal, and destructive deviant behavior》。该研究由中南财经政法大学（Zhongnan University of Economics and Law）工商管理学院与中南民族大学（South Central Minzu University）管理学院的研究人员共同完成。通讯作者为Guohu Xu。该研究成果已于2023年11月8日发表于学术期刊《PLOS ONE》（卷18，期11，文章编号e0294074）。

二、 研究背景与目的

本研究隶属于组织行为学、人力资源管理及信息系统交叉领域，聚焦于数字经济时代下的新型雇佣关系——零工经济。随着数据技术的进步，零工平台（如Uber、饿了么、Deliveroo）广泛应用算法进行劳动过程管理，即算法管理（Algorithmic Management），通过算法进行任务分配、过程监控、绩效评估与奖惩。这种管理模式在提升平台运营效率的同时，也对零工工作者产生了深远影响。

研究背景基于两个核心观察：首先，现有文献对算法管理的讨论存在“自主性悖论”——算法既赋予了工作者工作时间和地点的灵活性，又通过持续追踪与监控削弱了其自主性，可能引发压力与焦虑。其次，尽管有研究指出算法管理可能导致零工工作者的负面情绪（如不公平感），但鲜有实证研究系统探讨算法管理如何具体导致工作者在工作和家庭领域的具体负面行为反应，即破坏性偏差行为（Destructive Deviant Behavior）。这类行为包括违反工作规则（如为赶时间闯红灯）或违反家庭规范（如向家人发泄情绪），不仅损害组织利益，也影响工作者福祉。

因此，本研究旨在填补上述研究空白。其核心目标是：基于挑战-阻碍性压力源框架（Challenge–Hindrance Framework）和压力交易理论（Transactional Theory of Stress），探究零工工作者感知到的算法管理如何通过不同的压力评估（视为挑战或阻碍），进而影响其工作与家庭破坏性偏差行为。同时，研究引入调节定向理论（Regulatory Focus Theory），考察个体特质（促进定向 vs. 预防定向）如何调节上述压力评估过程。最终，研究试图为平台、工作者及政策制定者提供平衡算法管理双重角色的实践启示。

三、 研究设计与详细流程

本研究采用横截面问卷调查法，通过严谨的实证设计验证理论模型。

1. 研究对象与样本： 研究选择中国的外卖骑手作为零工工作者的代表样本。选择理由在于：外卖骑手是零工经济中的重要群体，规模庞大；其工作过程与平台算法管理互动密切，全程受算法调度、监控与评估。数据收集通过中国主流在线调查平台“问卷星”进行。调查于2022年6月至7月间实施，共发放问卷600份，在剔除无效回答（如全部答案相同）后，最终获得有效问卷423份。样本 demographics（人口统计学特征）显示，参与者以男性（68.1%）、年龄在26-45岁之间（66.2%）、具有高中及以下或大专学历（70.7%）、全职工作（66.2%）、日均工作7小时以上（78%）为主，平均月收入集中在3001-8000元人民币（83.2%），工作年限多在4年以下（80.9%）。该样本较好地反映了中国外卖骑手群体的基本特征。

2. 研究模型与变量测量： 研究构建了一个有调节的中介模型。核心变量包括： * 自变量： 感知算法管理（Perceived Algorithmic Management），采用Pei等（2021）开发的量表，测量骑手对平台算法在规范指导、追踪评估、行为约束三个维度上管理的感知程度。 * 中介变量： 压力评估，分为阻碍性评估（Hindrance Appraisal）和挑战性评估（Challenge Appraisal）。前者测量骑手将算法管理视为妨碍目标达成和福祉的威胁的程度，后者测量其将算法管理视为可克服并带来成长机会的程度。量表分别改编自Lepine等（2016）和Drach-Zahavy与Erez（2002）的研究。 * 因变量： 破坏性偏差行为，分为工作偏差行为（Working Deviant Behavior）和家庭偏差行为（Family Deviant Behavior）。量表分别改编自Bennett和Robinson（2000）以及Li等（2022）的研究。 * 调节变量： 调节定向（Regulatory Focus），分为促进定向（Promotion Focus，关注成长、成就）和预防定向（Prevention Focus，关注责任、安全）。采用Higgins等（2001）的经典量表进行测量。 * 控制变量： 包括性别、年龄、教育背景、零工工作年限、平均月收入、日均工作时间，以排除这些因素对结果的潜在干扰。 所有构念均使用5点李克特量表（1=非常不同意，5=非常同意）进行测量。研究在正式调查前获得了第一作者所在大学学术委员会的伦理批准，并获取了参与者的在线知情同意。

3. 数据分析流程： 数据分析采用多层次线性回归分析，并运用Process宏进行中介和调节效应检验，具体流程如下： * 第一步：信度与效度检验。 首先对测量量表进行验证性因子分析（CFA）以检验结构效度。结果显示七因子模型（感知算法管理、阻碍评估、挑战评估、促进定向、预防定向、工作偏差行为、家庭偏差行为）的拟合指标最优（χ²/df = 1.248， CFI = 0.989， TLI = 0.987， RMSEA = 0.024， SRMR = 0.034），表明各变量区分效度良好。组合信度（CR）值均大于0.7，平均方差抽取量（AVE）均大于0.5，表明量表具有较好的信度和收敛效度。此外，通过添加未测量的潜在方法因子进行检验，未发现严重的共同方法偏差。变量间相关系数均小于0.75，且方差膨胀因子（VIF）均低于10，表明不存在严重的多重共线性问题。 * 第二步：主效应与中介效应检验。 在控制人口学变量后，进行回归分析。结果直接支持了假设1：感知算法管理对工作偏差行为（β = 0.154， p<0.01）和家庭偏差行为（β = 0.183， p<0.001）具有显著正向影响。随后，检验中介效应。回归分析显示，感知算法管理对阻碍评估（γ = 0.249， p<0.001）和挑战评估（γ = 0.661， p<0.001）均有显著正向影响（支持假设2）。同时，阻碍评估对工作偏差行为（γ = 0.492， p<0.001）和家庭偏差行为（γ = 0.449， p<0.001）有显著正向影响；而挑战评估对二者均有显著负向影响（γ = -0.224， p<0.001； γ = -0.223， p<0.001）（支持假设3）。进一步的Bootstrap中介效应检验表明：感知算法管理通过阻碍评估对工作偏差行为（ρ = 0.123， 95% CI = [0.067， 0.185]）和家庭偏差行为（ρ = 0.112， 95% CI = [0.060， 0.172]）产生正向间接效应，且为完全中介；通过挑战评估对工作偏差行为（ρ = -0.148， 95% CI = [-0.215， -0.086]）和家庭偏差行为（ρ = -0.147， 95% CI = [-0.205， -0.095]）产生负向间接效应，且为部分中介。 * 第三步：调节效应检验。 为检验假设4，研究将调节定向（经标准化处理）与感知算法管理的交互项纳入回归模型。结果显著：感知算法管理与调节定向的交互项对阻碍评估有显著负向影响（γ = -0.664， p<0.001），对挑战评估有显著正向影响（γ = 0.821， p<0.001）。简单斜率分析表明：对于预防定向高的骑手，感知算法管理对阻碍评估的增强作用更强；对于促进定向高的骑手，感知算法管理对挑战评估的增强作用更强。这完全支持了假设4。进一步的被调节的中介效应分析显示，对于预防定向高的骑手，感知算法管理通过阻碍评估对家庭偏差行为的间接效应更强（ρ = 0.359 vs. ρ = 0.061）；对于促进定向高的骑手，感知算法管理通过挑战评估对工作及家庭偏差行为的负向间接效应更强（工作：ρ = -0.172 vs. ρ = 0.012；家庭：ρ = -0.171 vs. ρ = 0.012），且差异均显著。

四、 主要研究结果

本研究通过系统的数据分析，得出了以下关键结果：

1. 算法管理直接引发偏差行为： 研究证实，零工工作者感知到的算法管理强度，会直接正向预测其在工作场所和家庭中的破坏性偏差行为。这表明算法管理带来的压力源本身是引发负面行为反应的一个重要前因。

2. 压力评估的双重中介作用： 这是本研究最核心的发现。感知算法管理并非单一地导致负面或正面结果，而是同时被工作者评估为阻碍性压力源和挑战性压力源。这两种并存的评估路径导致了截然不同的行为后果：

   • 阻碍路径： 当骑手将算法管理主要评估为一种阻碍（如认为其限制了自主性、带来不公和焦虑）时，这种评估会消耗其心理资源，为了保存资源或宣泄情绪，他们更可能采取破坏性偏差行为（如违反交规、对家人态度恶劣）来应对。数据完全支持了这一路径的中介作用。
   • 挑战路径： 当骑手将算法管理主要评估为一种挑战（如认为其提供了清晰目标、技术支持和获得奖励的机会）时，这种评估会激发其解决问题的动力，从而减少破坏性偏差行为的发生。数据支持了这一路径的部分中介作用。 这一结果颠覆了将算法管理简单归类为“好”或“坏”的二分法，强调了工作者主观认知评估的关键作用。

3. 调节定向的边界作用： 个体的调节定向特质显著影响其对算法管理的初始评估倾向。

   • 促进定向高的骑手，倾向于关注成长和收益，更可能将算法管理带来的不确定性和要求视为实现目标的挑战，从而激活挑战评估路径，减少偏差行为。
   • 预防定向高的骑手，倾向于关注安全和责任，对不确定性更为敏感，更可能将算法管理的监控和约束视为对其工作流程的威胁和阻碍，从而激活阻碍评估路径，增加偏差行为。 这一发现将个体差异因素整合进算法管理的影响机制中，揭示了为何面对相同的算法系统，不同工作者会有截然不同的反应。

五、 研究结论与价值

本研究得出以下核心结论：零工平台算法管理对工作者行为的影响并非直接或单一的，而是通过工作者自身的认知评估这一关键心理机制发挥作用。算法管理同时具有“双刃剑”效应：它既可能被评估为阻碍，消耗资源，引发工作和家庭领域的破坏性行为；也可能被评估为挑战，激发动力，抑制此类行为。而工作者固有的调节定向特质（促进 vs. 预防）是决定其倾向于采取哪种评估路径的重要边界条件。

科学价值： 1. 理论拓展： 首次将挑战-阻碍框架和压力交易理论系统应用于零工经济算法管理情境，揭示了压力评估在算法管理与偏差行为间的关键中介作用，突破了以往研究将算法管理先验归类为挑战或阻碍的局限。 2. 影响延伸： 将算法管理的影响后果从对工作者自身的情绪、满意度等，扩展到对组织、社会乃至家庭等外部群体的负面行为影响（工作与家庭偏差行为），拓宽了研究视野。 3. 个体差异整合： 引入调节定向理论，阐明了为何不同个体对相同算法管理会产生差异化反应，丰富了基于个体特质的算法管理研究。

应用价值： 1. 对零工工作者： 意识到自身认知模式和特质（如调节定向）对工作体验的影响。可以通过有意识地培养促进定向（如关注算法带来的便利和收入增长机会），主动将算法管理重构为挑战，以更积极的方式应对压力，减少负面行为，提升福祉。 2. 对零工平台： 平台在设计和管理算法系统时，不应只追求效率和控制，需认识到其“人性化”影响。应增加算法透明度，解释规则逻辑，减少其“黑箱”感和不公感；在设定目标、监控和奖惩时，应考虑如何减少其阻碍性感知（如优化超时惩罚机制、弱化可能导致过度竞争的激励游戏化设计），并增强其挑战性感知（如提供有价值的实时反馈、个性化改进建议和技术支持），以促进平台与工作者的价值共创。 3. 对政策制定者： 为监管零工平台的算法管理提供了实证依据。可考虑出台指导性政策，规范算法在劳动管理中的应用，例如限制将算法单纯用于惩罚、将配送时间要求与超时惩罚脱钩、要求平台保障工作者基本的知情权和申诉渠道等，以降低算法管理作为阻碍性压力源的风险，保护零工工作者权益。

六、 研究亮点

1. 理论视角新颖： 采用压力评估的二元视角（挑战/阻碍）解析算法管理的复杂影响机制，避免了非黑即白的简单判断，更贴合现实情境的复杂性。
2. 研究设计严谨： 针对中国庞大的外卖骑手群体进行大样本（N=423）问卷调查，数据具有较好的代表性。采用成熟的量表并进行适应性修改，通过严格的信效度检验、共同方法偏差检验和多重共线性检验，确保了研究结果的可靠性。
3. 机制挖掘深入： 不仅验证了“感知-评估-行为”的主中介路径，还引入个体特质作为调节变量，构建并验证了一个有调节的中介模型，深入揭示了“何时”以及“对谁而言”算法管理更可能产生积极或消极影响。
4. 实践指向性强： 研究结论直接指向平台算法设计优化、工作者心理调适和行业政策监管等多个实践层面，具有明确的现实指导意义。

七、 其他有价值的讨论

研究在讨论部分也指出了其局限性，为未来研究指明了方向：1) 样本局限于中国外卖骑手，结论在其他国家、其他类型的零工工作者（如网约车司机、自由职业者）中的普适性有待验证；2) 主要关注劳动过程中的算法管理感知，未来可考虑其他形式的算法管理（如守门、引导）；3) 中国就业市场竞争激烈，零工工作者多出于生计选择平台工作。在其他文化背景下，若工作者出于赚取额外收入或个人兴趣等目的，其对算法管理的评估和反应可能不同，值得进一步探索。这些思考体现了研究的严谨性和开放性。