人工智能浪潮下的职业压力与创新动力：一项关于AI压力感对从业者双元创新行为影响机制的研究报告

一、 研究概况 本研究由浙江工商大学人文与传播学院的叶苏扬讲师、浙江树人学院经济与管理学院的张雅维（通信作者）、浙江工商大学工商管理学院的肖余春以及浙江树人学院经济与管理学院的高孟立共同完成。该研究成果以《AI压力感对从业者双元创新行为的影响研究》为题，发表于《中国软科学》2025年第6期。这是一篇基于实证调研的原创性研究论文，旨在探讨在人工智能技术快速发展的背景下，从业者所感知到的AI压力如何影响其创新行为，并揭示其内在的作用机制与边界条件。

二、 研究背景与目的 本研究属于组织行为学、人力资源管理及技术创新管理的交叉领域。随着人工智能（AI）技术的迅猛发展及其在各行各业的广泛应用，劳动力市场正经历剧烈变动。许多行业的从业者面临着技能过时、岗位替代、工作角色转变等挑战，由此产生的“AI压力感”（AI stress perception）日益加剧。传统研究多关注AI压力感对工作满意度、组织承诺和离职倾向的负面影响。然而，近期研究开始注意到压力效应的复杂性，压力认知评价理论（Stress Appraisal Theory）指出，个体对压力源的认知评估（视为挑战或威胁）会引发不同的应对行为，从而可能导致积极或消极的结果。

基于此理论背景，本研究旨在回应一个核心实践与学术议题：在感知到AI带来的职业压力时，从业者如何将这种潜在的消极情境转化为推动工作积极变革与创新的内在动力？具体而言，研究试图探究以下几个关键问题：AI压力感是否以及如何影响从业者的创新行为？不同类型的工作重塑策略（job crafting）在其中扮演何种中介角色？从业者自身的风险倾向（risk propensity）这一人格特质如何调节上述关系？通过解答这些问题，研究期望拓展压力认知评价理论在AI技术变革背景下的应用，并为理解员工在AI压力下的差异化应对策略与创新路径提供新的理论视角。

三、 详细研究流程与方法 本研究采用了严谨的实证研究设计，具体流程如下：

1. 理论模型构建与假设提出： 研究者首先基于压力认知评价理论，构建了一个被调节的中介模型。核心假设包括： * 直接效应假设： AI压力感正向影响两种工作重塑策略，即促进型工作重塑（promotion-oriented job crafting，以追求成长和收益为导向）和预防型工作重塑（prevention-oriented job crafting，以规避损失和风险为导向）。 * 调节效应假设： 从业者的风险倾向调节AI压力感与工作重塑的关系。高风险倾向者更可能将AI压力视为挑战，从而强化AI压力感与促进型工作重塑的正向关系；低风险倾向者更可能将AI压力视为威胁，从而强化AI压力感与预防型工作重塑的正向关系。 * 中介效应假设： 促进型工作重塑正向影响探索式创新行为（exploratory innovation behavior，高风险、高新颖度的创新），而预防型工作重塑正向影响利用式创新行为（exploitative innovation behavior，低风险、渐进式的创新）。 * 被调节的中介效应假设： 风险倾向调节了AI压力感通过工作重塑影响双元创新行为的间接路径。即，对于高风险倾向者，AI压力感通过促进型工作重塑对探索式创新的正向间接效应更强；对于低风险倾向者，AI压力感通过预防型工作重塑对利用式创新的正向间接效应更强。

2. 研究样本与数据收集： 研究选择中国南方一家主营媒体内容制作与传播的上市公司作为调研对象。选择传媒行业是因为该行业是AI技术应用广泛且影响深刻的典型领域，从业者对AI压力感的感知强烈，且其工作兼具创意与效率要求，适合研究双元创新行为。 为降低共同方法偏差，研究采用多源、两阶段配对问卷调查法收集数据。 * 第一阶段（T1）： 向从业者发放问卷，测量其AI压力感和风险倾向。共回收396份，有效370份。 * 第二阶段（T2，两个月后）： 向同一批从业者及其直属主管发放配对问卷。从业者自评促进型工作重塑和预防型工作重塑；主管则评价该下属的探索式创新行为和利用式创新行为。共回收352份配对问卷，最终获得有效配对样本330份（有效率为93.75%）。样本平均年龄31岁，男性占63.03%，研究生及以上学历者占73.03%。

3. 测量工具： 所有量表均采用Likert-7点计分法（1=非常不同意，7=非常同意）。 * AI压力感： 改编自Goetz等人的技术压力感量表，包含4个题项，如“由于人工智能技术的发展和应用，我的工作不断受到威胁”。信度系数为0.814。 * 工作重塑： 采用Bindl等人开发的量表，区分促进型（16题项，如“在工作中我积极承担更多任务”）和预防型（12题项，如“在工作中我尽量减少与我合不来的人互动”）。信度系数分别为0.937和0.926。 * 双元创新行为： 采用Mom等人的量表，包含探索式创新（5题项，如“在工作中，我倾向于寻找新产品、新服务或新市场等潜在的相关机会”）和利用式创新（5题项，如“在工作中，我倾向于为现有客户提供现成的产品或服务”）。信度系数分别为0.896和0.882。 * 风险倾向： 采用Cable等人的6题项量表，如“我非常小心谨慎，常常规避风险”（反向计分）。信度系数为0.933。 * 控制变量： 包括员工的性别、年龄、受教育程度和工作年限。

4. 数据分析流程： * 验证性因子分析： 使用Mplus 7.4软件对AI压力感、风险倾向、两种工作重塑和两种创新行为这六个潜变量进行区分效度检验。结果显示六因子模型拟合良好，显著优于其他合并因子的竞争模型，表明各变量具有较好的区分效度。 * 描述性统计与相关性分析： 计算各变量的均值、标准差和相关系数，初步检验变量间的关系。 * 假设检验： * 分层回归分析： 用于检验主效应（H1a, H1b, H3a, H3b）和调节效应（H2a, H2b）。通过引入交互项（AI压力感 × 风险倾向）并绘制简单斜率图来验证调节作用。 * Bootstrap分析： 使用Mplus 7.4软件，进行5000次重复抽样，检验有调节的中介效应（H4a, H4b）。通过计算在不同风险倾向水平（高/低）下，AI压力感通过工作重塑影响创新行为的间接效应值及其置信区间，来判断间接效应是否显著以及调节作用是否存在。

四、 主要研究结果 1. 描述性统计与相关性： 初步分析显示，AI压力感与促进型工作重塑、预防型工作重塑、利用式创新行为均呈显著正相关，但与探索式创新行为呈显著负相关。促进型工作重塑与探索式创新行为正相关，预防型工作重塑与利用式创新行为正相关。这些结果为后续的假设检验提供了初步支持。

2. 假设检验结果： * 直接效应与中介路径： 分层回归分析结果支持了H1a和H1b。AI压力感显著正向预测促进型工作重塑（β=0.53, p<0.01）和预防型工作重塑（β=0.59, p<0.01）。同时，H3a和H3b也得到支持：促进型工作重塑显著正向预测探索式创新行为（β=0.17, p<0.01），预防型工作重塑显著正向预测利用式创新行为（β=0.64, p<0.01）。这表明工作重塑是连接AI压力感与双元创新行为的关键中介机制。 * 调节效应： 交互项分析结果支持了H2a和H2b。风险倾向显著调节了AI压力感与两种工作重塑的关系。简单斜率分析显示： * 对于高风险倾向的从业者，AI压力感对促进型工作重塑有显著的积极影响（β=0.64, p<0.01）；对于低风险倾向者，该影响为负（β=-0.31, p<0.01）。即，风险倾向越高，AI压力感越能激发促进型工作重塑。 * 对于低风险倾向的从业者，AI压力感对预防型工作重塑有显著的积极影响（β=0.59, p<0.01）；对于高风险倾向者，该影响虽然仍为正，但强度减弱（β=0.16, p<0.05）。即，风险倾向越低，AI压力感越能激发预防型工作重塑。 * 被调节的中介效应： Bootstrap分析结果完全支持了H4a和H4b。 * 对于高风险倾向的从业者，AI压力感通过促进型工作重塑对探索式创新行为的间接效应值为0.12，其95%置信区间为[0.03, 0.25]，不包含0，表明该间接效应显著为正。而对于低风险倾向者，该间接效应不显著。 * 对于低风险倾向的从业者，AI压力感通过预防型工作重塑对利用式创新行为的间接效应值为0.19，其95%置信区间为[0.11, 0.28]，显著为正。而对于高风险倾向者，该间接效应值较小（0.08）但仍显著。 这表明，风险倾向塑造了AI压力感影响创新行为的差异化路径：高风险者倾向于走“挑战-拓展-探索”路径，而低风险者倾向于走“威胁-稳固-利用”路径。

五、 研究结论与价值 本研究得出以下核心结论：AI压力感并非必然导致消极后果，它可以通过激发员工主动的工作重塑行为，最终转化为创新动力。然而，这一转化过程高度依赖于员工的个人特质——风险倾向。具体而言： * 对于风险倾向较高的从业者，AI压力感更可能被评估为挑战，从而促使他们采取促进型工作重塑（如拓展任务、学习新技能），进而显著提升其探索式创新水平。 * 对于风险倾向较低的从业者，AI压力感更可能被评估为威胁，从而促使他们采取预防型工作重塑（如巩固现有技能、聚焦核心任务），进而显著促进其利用式创新表现。

本研究的理论价值在于： 1. 拓展了AI压力感的积极效应研究： 突破了将AI压力感单纯视为负面因素的局限，从挑战性压力视角揭示了其激发员工创新行为的潜在积极路径，回应了学界对探究AI压力感积极后果的呼吁。 2. 揭示了内在作用机制的黑箱： 通过区分促进型与预防型工作重塑两条中介路径，系统阐明了AI压力感影响双元创新行为的具体过程，构建了一个清晰的理论模型。 3. 引入并验证了关键的边界条件： 首次系统地将风险倾向这一人格特质纳入AI压力感的研究框架，证实了其在压力认知评估和行为选择中的关键调节作用，丰富了压力认知评价理论在新技术背景下的个体差异研究。

本研究的实践启示在于： 1. 对管理者的启示： 企业管理者应认识到AI压力感的双重性，不应简单试图消除压力，而应引导员工进行积极认知重构，将压力视为成长的机遇。同时，管理者需关注员工的个体差异（如风险倾向），实施差异化的管理策略。对于高风险倾向员工，可提供更多探索新领域、尝试新工具的机会和资源支持；对于低风险倾向员工，则应帮助他们在现有岗位上巩固优势、优化流程，实现渐进式创新。赋予员工工作重塑的自主权是关键。 2. 对政策制定者的启示： 政府应关注AI技术对就业市场的冲击，特别是对低技能岗位的影响，需出台相应的就业保障和再培训政策。同时，应推动建立AI伦理与社会责任规范，引导技术应用兼顾效率与公平，监管可能引发的就业机会不均等问题，为从业者应对技术变革提供制度保障，缓解其压力感。

六、 研究亮点 1. 视角新颖： 将AI压力感置于压力认知评价理论框架下，聚焦其可能产生的积极行为结果（双元创新），提供了一个平衡而深入的研究视角。 2. 机制清晰： 构建并验证了一个“压力感-认知评估（受风险倾向调节）-差异化工作重塑-差异化创新”的完整被调节中介模型，逻辑链条严密，揭示了复杂情境下个体行为的形成路径。 3. 方法严谨： 采用多时点、多来源（员工-主管配对）的问卷调查法，有效控制了共同方法偏差；选取受AI冲击显著的传媒行业作为研究情境，提高了研究的生态效度和代表性。 4. 结论具有实践区分度： 研究结论不仅指出了AI压力感可能转化为创新动力，更重要的是指明了这种转化对于不同特质的员工遵循不同的路径，为企业实施精细化、个性化的人力资源管理提供了直接的理论依据。

七、 研究局限与未来方向 作者也指出了本研究的局限性及未来研究方向： 1. 横截面数据限制： 尽管采用了两阶段数据收集，但中介变量与结果变量仍在同一时间点测量，难以严格推断因果关系及观察动态变化过程。未来研究可采用更长期的纵向追踪设计。 2. 样本与测量局限： 样本集中于单一行业和一家公司，可能限制结论的普适性。未来可扩大样本范围和行业类型。虽然使用了主管评价，但未来可结合同事、客户等多源评价以增强效度。 3. 调节变量的拓展： 未来研究可探索其他个体因素（如个人资源、自我效能感）或组织情境因素（如组织氛围、领导风格）的调节作用，构建更全面的跨层次模型。 4. 动态过程研究： 可进一步探究AI压力感、工作重塑与创新行为之间的动态互动与演变过程。