零工工作者感知算法控制：概念化、測量與服務(wù)績效影響驗證

○ 裴嘉良 劉善仕 崔 勛 瞿皎皎

引言

得益于數(shù)字技術(shù)與迎合社會發(fā)展的按需平臺經(jīng)濟的深度融合，零工經(jīng)濟（Gig Economy）作為全球經(jīng)濟中的一股新興力量，吸引大量零工工作者（Gig Worker）依托在線勞動平臺（On line Labor Plat form）成為城市中動態(tài)、移動的新價值符號。[1]在新興的零工經(jīng)濟背景下，在線勞動平臺針對分布在不同“時空”、以自雇傭身份存在的零工工作者創(chuàng)新出通過大數(shù)據(jù)驅(qū)動的AI 算法，根據(jù)平臺內(nèi)置的技術(shù)規(guī)則和標準化的流程自動輸出控制職能的數(shù)字化管理實踐，理論界將這一過程稱為算法控制（Algorithmic Control）。[2-4]算法控制以一種“無形隱蔽”的方式重新配置了平臺、顧客和工作者之間的生產(chǎn)關(guān)系，并且對零工工作者由“社會人”轉(zhuǎn)變?yōu)椤跋到y(tǒng)人”的工作狀態(tài)產(chǎn)生重要影響。[3]

與實踐對應(yīng)，理論界關(guān)注在線勞動平臺如何利用領(lǐng)先的算法技術(shù)和數(shù)據(jù)信息優(yōu)勢控制脫離組織直接監(jiān)管的零工工作者，以及算法控制對其態(tài)度、行為產(chǎn)生的具體影響，研究成果逐年增多。[5-7]現(xiàn)有算法控制的研究基本圍繞以下三類問題展開：第一，算法控制的概念和內(nèi)涵。有學(xué)者認為，算法控制是指在線勞動平臺使用算法來監(jiān)控零工工作者行為，[7]并確保其與平臺組織目標一致的過程。[8]也有學(xué)者將算法控制的內(nèi)涵進一步豐富，提出算法控制是指一套基于算法技術(shù)設(shè)計的控制系統(tǒng)，[6]被平臺賦予制定和執(zhí)行影響勞動決策的職責(zé)，從而針對零工工作者參與在線勞動服務(wù)的過程進行實時控制和監(jiān)督。[9]第二，算法控制的具體實踐內(nèi)容。從現(xiàn)有研究成果來看，算法控制的實踐內(nèi)容愈發(fā)豐富和完善，有學(xué)者提出算法控制包括任務(wù)分配、信息支持、評估績效和動態(tài)激勵四個方面的實踐內(nèi)容；[7,10]也有學(xué)者系統(tǒng)歸納出算法控制具有算法推薦、算法限制、算法記錄、算法評級、算法替換和算法獎勵六個方面的實踐內(nèi)容。[11]第三，算法控制對零工工作者的影響。部分研究指出，算法控制有助于提升零工工作者積極的情感體驗和行為表現(xiàn)，如興奮感、公平感等；[10,11]但也有研究表明，算法控制會給零工工作者帶來不良的工作后果，如工作負荷、工作不安全感等。[3,12]

現(xiàn)階段針對算法控制的相關(guān)研究為后續(xù)深入挖掘其重要的作用機理奠定了基礎(chǔ)，但這些研究缺乏對算法控制概念的統(tǒng)一界定，也沒有關(guān)于算法控制的測量工具，對工作場所中算法控制的定量研究更是鮮有涉及，而定性研究所得出的結(jié)論存在廣泛爭議，學(xué)者們未能揭示出算法技術(shù)如何重塑平臺和零工工作者之間的控制關(guān)系。此外，考慮到現(xiàn)有研究主要基于平臺視角分析算法控制的內(nèi)涵及影響，而零工工作者在人機交互過程中如何感覺、認知和評價算法控制，會從根本上影響或塑造他們的態(tài)度和行為，不同工作者對于算法控制的實踐有著不同的感知和理解，并會相應(yīng)做出不同的回應(yīng)。[13,14]因此，有必要基于個體感知視角，以零工工作者的主體視角將算法控制的內(nèi)涵概念化，并以此為依據(jù)開發(fā)零工工作者感知算法控制（Perceived Algorithmic Control, PAC）的測量工具，開展實證研究探索感知算法控制對零工工作者態(tài)度和行為的微觀作用機理，促進學(xué)術(shù)界和實踐界對算法控制這一新興數(shù)字化管理策略的科學(xué)認知。

目前算法控制的研究尚停留在定性探討的初步階段，許多研究問題因忽視了零工工作者感知算法控制的視角且缺乏系統(tǒng)科學(xué)的論證而存在較大的理論爭議。鑒于此，本研究主要回答以下三個方面的重要問題：一是何為零工工作者感知算法控制，如何界定此概念？二是零工工作者感知算法控制包含哪些維度，如何對其進行科學(xué)測量？三是零工工作者感知算法控制對其服務(wù)績效的影響機制是什么？

一、理論基礎(chǔ)

1.勞動過程理論、理性控制與算法技術(shù)

勞動過程理論強調(diào)雇主如何通過建立針對工作者的控制以實現(xiàn)工作者勞動創(chuàng)造的價值最大化。[15-18]在上述觀點下，控制是一個辯證的過程，雇主不斷地創(chuàng)新控制機制以最大限度地從工作者勞動產(chǎn)出中獲取最大價值。一個多世紀以來，組織管理領(lǐng)域的學(xué)者發(fā)現(xiàn)，管理者主要通過規(guī)范控制和理性控制兩種形式來控制工作者的勞動過程，當(dāng)雇主試圖通過“贏得工作者的承諾和投入”以獲得所期望的行為時，他們使用規(guī)范控制；[19]當(dāng)雇主試圖通過“強調(diào)工作者自身的利益”以獲得所期望的行為時，他們使用理性控制。[20]本研究則主要關(guān)注算法控制作為一種新的理性控制形式在勞動過程中如何影響或塑造零工工作者的態(tài)度和行為。

在大量的理性控制文獻中，學(xué)者們主要提煉出指導(dǎo)、評估和約束三種控制機制，幫助雇主從工作者的勞動過程中獲得期望的行為：首先，“指導(dǎo)”要求雇主明確工作的執(zhí)行標準和具體規(guī)則，向工作者說明工作內(nèi)容、完成順序及時間周期；[18]其次，“評估”要求雇主記錄工作者勞動過程中的信息，并以此為依據(jù)評估績效，確定那些表現(xiàn)優(yōu)異或表現(xiàn)不佳的工作者；[21]最后，“約束”要求雇主采取獎勵或懲罰的措施，以引導(dǎo)工作者遵守雇主對勞動過程的指導(dǎo)。[22]此外，建立在三種理性控制機制之上，勞動過程理論的學(xué)者們還歸納出官僚控制和技術(shù)控制兩種理性控制的形式。其中，官僚控制建立在組織的正式結(jié)構(gòu)中，依賴于標準化的正式規(guī)則、程序和角色系統(tǒng)來指導(dǎo)工作者的行為，為組織政策的非人格化力量奠定合法性基礎(chǔ)；[23]而技術(shù)控制則替代了雇主的直接監(jiān)控，自動化的生產(chǎn)模式可以使雇主通過推動工作者以特定的速度完成特定的任務(wù)來建立指導(dǎo)，雇主也可以依靠機器設(shè)備或計算機終端的信息來評估工作者的效率，此外雇主通過標準化和去技能化使工作者的行為受到約束，懲罰或替換不遵守技術(shù)控制的工作者。[18]

技術(shù)創(chuàng)新在促進雇主發(fā)明新型的控制系統(tǒng)方面發(fā)揮著重要作用。[24]在數(shù)字經(jīng)濟時代，算法技術(shù)的進步正在推動雇主對理性控制實施的變革。算法通常被定義為將輸入數(shù)據(jù)轉(zhuǎn)換成所需輸出的計算機編程程序，它既是一種計算公式，根據(jù)統(tǒng)計模型和決策規(guī)則自動運算，其工作過程無需人工干預(yù)，也是一系列的指令組合，由算法告訴計算機在一系列精準的步驟和規(guī)則內(nèi)應(yīng)該如何工作以完成目標任務(wù)。[5]現(xiàn)階段，算法技術(shù)已經(jīng)由單調(diào)重復(fù)地執(zhí)行既定的控制程序，轉(zhuǎn)變?yōu)槟軌蛟诠ぷ鬟\轉(zhuǎn)時隨著數(shù)據(jù)流持續(xù)大量地輸入而不斷重寫升級的高級系統(tǒng)，這使算法對組織管理情境中復(fù)雜問題的分析、推導(dǎo)和處理變?yōu)榭赡堋25]算法技術(shù)的發(fā)展可以進一步地優(yōu)化指導(dǎo)、評估和約束三種控制機制，重新構(gòu)建雇主與工作者之間的關(guān)系，將依托于正式組織架構(gòu)的官僚控制應(yīng)用于扁平化的平臺型組織，通過算法控制可以將官僚控制的邏輯思想和技術(shù)控制的方式手段相結(jié)合，構(gòu)建出一種新的理性控制形式。

2.算法控制相關(guān)研究

在線勞動平臺利用數(shù)字技術(shù)滿足零工經(jīng)濟市場中短期勞動服務(wù)的需求，通過算法將提供勞動服務(wù)的零工工作者與愿意支付勞動報酬的消費者之間相匹配。[26]劉善仕等結(jié)合算法控制的研究成果認為，[6]在線勞動平臺通過移動互聯(lián)網(wǎng)連接勞工方和用工方，利用數(shù)字技術(shù)實現(xiàn)短期勞動服務(wù)需求（結(jié)構(gòu)化/ 非結(jié)構(gòu)化）和供給的精準快速匹配，并針對在線勞動過程實施大數(shù)據(jù)驅(qū)動的算法管理策略，其中算法管理是一套由算法組成的控制系統(tǒng)?？梢姡诰€勞動平臺與算法技術(shù)相互交織又相輔相成：一方面平臺通過算法技術(shù)創(chuàng)新出一種新的商業(yè)模式，挖掘競爭優(yōu)勢，充分發(fā)揮零工經(jīng)濟市場中富余或閑置人力資本的價值；[27]另一方面算法還通過平臺這一物質(zhì)載體不斷輸出控制職能，強化平臺的監(jiān)控手段，增強平臺在遠程且沒有人工干預(yù)情況下的管理能力。[1,28]

在關(guān)于算法控制對零工工作者實際工作狀態(tài)影響的廣泛探討中，由于新情境下的核心概念缺乏科學(xué)統(tǒng)一的界定方式，測量工具的缺失也導(dǎo)致定量研究鮮有涉及。因此，學(xué)者們對于上述問題的探討呈現(xiàn)出矛盾的研究結(jié)論。如Rosenblat 等[10]認為Uber 基于算法設(shè)置游戲化、象征性獎勵及實時反饋，動態(tài)影響著工作者的情感體驗，試圖通過有趣和興奮的感覺激勵他們的態(tài)度和行為；但Wood 等[3]卻認為在算法針對零工工作者何時、何地及如何工作的持續(xù)控制下，違背了在線勞動平臺所倡導(dǎo)的靈活自主的工作狀態(tài)，加上他們擔(dān)心算法評估對他們聲譽和收入帶來的實際影響，加劇了零工工作者的不安全感，高強度的壓力甚至影響到他們的身體健康。劉善仕等[6]和Shevchuk 等[12]同樣指出，盡管由于零工工作者依賴于算法所提供的技術(shù)支持，他們愿意在算法控制的環(huán)境下不斷自主地進行工作強化，這會導(dǎo)致“自主性卻帶來非自主工作狀態(tài)”的工作自主悖論現(xiàn)象。

二、零工工作者感知算法控制的維度構(gòu)建與概念化

1.理論抽樣

零工工作者感知算法控制是描述零工工作者對于算法控制的感受和認知而提出的新構(gòu)思。本研究根據(jù)理論抽樣的基本原則，[29,30]有目的地將具有典型性和代表性的從事網(wǎng)約出行和外賣配送的零工工作者作為潛在的抽樣對象。具體而言，網(wǎng)約車司機和外賣騎手作為零工經(jīng)濟中最為活躍的群體，其與算法交互密切，工作過程始終受到算法標準化、流程化、定額化和高強度的實時控制。[7]因此，網(wǎng)約車司機和外賣騎手對于算法控制的感受和認知更符合零工工作者感知算法控制的具體內(nèi)涵。

研究小組通過聯(lián)系網(wǎng)約車平臺和外賣配送平臺的線下團隊管理負責(zé)人來招募志愿者。為更加符合理論抽樣的基本原則，本研究在抽樣前要求志愿參與訪談收集數(shù)據(jù)的零工工作者回答以下問題：“在勞動服務(wù)過程中，我感覺受到平臺算法（APP 系統(tǒng)）的持續(xù)監(jiān)控。以上描述多大程度上符合您的真實感受？1 為完全不符合，5為完全符合?！弊罱K，將回答4 或5 的零工工作者選作抽樣對象，通過面對面溝通確定了符合能切實感知到算法控制、平均每日在線時長不低于2 小時和不同職業(yè)類型（全職/ 兼職）要求的20 名零工工作者作為訪談對象（網(wǎng)約車司機和外賣騎手各10 名），并隨機分成2 組，其中一組樣本作為理論模型構(gòu)建使用，另一組作為理論飽和度檢驗使用。

2.數(shù)據(jù)收集

本研究采取半結(jié)構(gòu)化深度訪談的方式來有效地收集數(shù)據(jù)。在正式進行訪談前，由2 位OBHRM 領(lǐng)域的專家和3 名網(wǎng)約出行和外賣配送平臺的算法工程師組成的專家小組提出訪談提綱的具體建議，通過預(yù)訪談最終確定了圍繞“零工工作者在勞動服務(wù)過程中能否感知到算法控制？如果可以，零工工作者如何感受、認知和評價算法控制？零工工作者感知算法控制的體驗由哪些因素構(gòu)成”等核心問題，包括5 道題目和1 個背景提示語的正式訪談提綱。正式訪談小組由1 名OBHR M 領(lǐng)域?qū)＜液? 位博士生組成。在確定正式訪談提綱后，訪談小組針對10 名網(wǎng)約車司機和10 名外賣騎手進行了多輪一對一半結(jié)構(gòu)化深度訪談，每輪訪談的時間基本控制在1-1.5 小時。在20 名受訪的零工工作者中，超過2/3 的人員平均每日在線超過8 小時，超過2/3 的人員為男性，平均年齡為33.5 歲，平均工作年限為2年，但僅有1/3的人員具有本科及以上的學(xué)歷。

進一步借鑒張鎰等[31]確保數(shù)據(jù)編碼結(jié)果的信度和效度的方法，本研究還通過多個數(shù)據(jù)信息來源針對數(shù)據(jù)資料進行嚴格的“三角驗證”，以對訪談數(shù)據(jù)進行補充和完善。其他的數(shù)據(jù)信息來源還包括：研究人員持續(xù)追蹤網(wǎng)約車司機和外賣騎手在微信群、Q Q 群、新浪微博等在線社群的發(fā)聲言論，匯聚成網(wǎng)絡(luò)文本；權(quán)威媒體針對網(wǎng)約車司機和外賣騎手的相關(guān)新聞采訪和報道；平臺官方網(wǎng)站、微信公眾號推送的公開信息，以及公開發(fā)表的相關(guān)書籍和文獻資料等。此外，本研究還通過組內(nèi)和分組討論，邀請由相近領(lǐng)域的博士生組織成的學(xué)生小組和由相近領(lǐng)域?qū)W術(shù)專家和算法工程師組成的專家小組對編碼結(jié)果進行交叉對比和反復(fù)校正，科學(xué)處理編碼過程中存在的爭議，以此確保人工編碼結(jié)果的合理性和客觀性。

3.數(shù)據(jù)編碼

（1） 開放式編碼。本研究通過對數(shù)據(jù)資料進行逐句、逐段分析，使用抽象概念性的語句和詞匯針對關(guān)鍵的概念信息進行系統(tǒng)歸納和提取。為盡可能最真實地反映零工工作者對于算法控制的感受、認知和評價，本研究基于零工工作者的第一主體視角對他們的表述進行編碼，確保數(shù)據(jù)資料的真實性。最終，本研究通過對數(shù)據(jù)資料的系統(tǒng)歸納總結(jié)共提取出215 個初始概念（示例見表1）。

表1 開放式編碼結(jié)果示例

（2）選擇性編碼。在開放式編碼的基礎(chǔ)上，本研究通過對數(shù)據(jù)資料及由此提取出的初始概念進行全面篩選、概括、聚類和區(qū)分，需要識別出更有代表性、識別度且能夠統(tǒng)領(lǐng)初始概念的副范疇和核心范疇。[29,32]在本研究中，針對215 個初始概念的關(guān)聯(lián)性進行分析，通過歸納整理和反復(fù)研究比對，最終提取出與零工工作者感知算法控制相關(guān)度較高的16 個副范疇，進一步合并規(guī)整為3 個核心范疇（見表2）。

表2 選擇性編碼結(jié)果示例

（3）理論編碼。綜合比較和分析開放式編碼、選擇性編碼的結(jié)果及零工工作者感知算法控制現(xiàn)有相關(guān)研究，參考勞動過程理論的核心思想，本研究構(gòu)建出以“規(guī)范指導(dǎo)”“追蹤評估”和“行為約束”為核心范疇的零工工作者感知算法控制的結(jié)構(gòu)維度（見圖1）。其中，“規(guī)范指導(dǎo)”指零工工作者感知到算法通過規(guī)范勞動服務(wù)的規(guī)則和流程，向他們提供任務(wù)分配、服務(wù)標準和決策信息等資源，進而指導(dǎo)他們以特定的速度和要求完成特定的任務(wù)的過程；“追蹤評估”指零工工作者感知到算法實時追蹤和記錄他們勞動服務(wù)過程中的地理位置、任務(wù)進度和工作態(tài)度等，在獲取基于顧客主觀評價和平臺客觀指標的反饋數(shù)據(jù)信息后自動地評估他們的績效的過程；“行為約束”指零工工作者感知到算法通過設(shè)置一系列的獎勵或懲罰機制，使他們按照有利于實現(xiàn)既定目標的機制規(guī)范自身行為，進而達到平臺所期望的良好結(jié)果的過程。

圖1 零工工作者感知算法控制模型構(gòu)思

4.理論飽和度檢驗

結(jié)合其他來源的數(shù)據(jù)資料，本研究對另一組樣本的訪談數(shù)據(jù)進行理論飽和度檢驗，在連續(xù)比較了多個數(shù)據(jù)對象、沒有新的內(nèi)容后停止采樣。結(jié)果表明，現(xiàn)有理論模型中的概念范疇已發(fā)展完備，對于零工工作者感知算法控制的3 個主范疇均沒有發(fā)現(xiàn)新的范疇和關(guān)系，說明上述理論模型已飽和。

5.概念提煉

基于扎根理論，本研究首先確認了零工工作者能夠真實感知到其勞動服務(wù)過程中算法在各個方面的控制，并且與傳統(tǒng)的技術(shù)監(jiān)控手段有明顯不同。如使用算法技術(shù)監(jiān)控零工工作者的實踐，區(qū)別于傳統(tǒng)的電子績效監(jiān)控實踐，算法控制的范圍深度、數(shù)據(jù)整合及分析決策能力很大程度上得到擴展。[33]零工工作者感知算法控制產(chǎn)生于特定的勞動服務(wù)情境，是零工工作者在從事由平臺APP 介入的勞動服務(wù)過程中受到算法系統(tǒng)對其控制的綜合體驗。本研究站在零工工作者的主體視角，探索算法控制的概念內(nèi)涵，結(jié)合扎根分析的結(jié)果，超越勞動過程理論傳統(tǒng)雇傭關(guān)系視角下針對技術(shù)控制的界定，探究適用于在線勞動服務(wù)新情境的定義，將零工工作者感知算法控制的概念界定為：零工工作者對于算法如何通過規(guī)范指導(dǎo)、追蹤評估和行為約束對其提供在線勞動服務(wù)的過程進行實時動態(tài)控制的綜合感知。上述定義強調(diào)了零工工作者在提供在線勞動服務(wù)過程中與算法實時交互而產(chǎn)生的個體感受和深度認知，還指明了該定義具體包括哪些維度。

三、零工工作者感知算法控制量表的開發(fā)與檢驗

1.初始量表生成

本研究運用演繹歸納的方法，結(jié)合已有代表性文獻和上述編碼結(jié)果，構(gòu)建初始量表。首先，基于編碼結(jié)果，共獲得了32 個語義較為明確的測量條目，每個副范疇對應(yīng)2 個問項，構(gòu)成了初始題項庫。其次，為確保初始量表的內(nèi)容效度，遵循簡明扼要、清晰一致和避免歧義的原則，研究小組針對各個題項與主題的相關(guān)度、表達的準確度和清晰度等進行評估，刪除具有歧義或模糊不清的題項后達成一致，內(nèi)容效度具有一定的可靠性。經(jīng)過題項的修訂、合并和刪減，剩下20 個題項。最后，本研究邀請兩位OBH R M 領(lǐng)域?qū)＜壹?0 名零工工作者對包含20 個題項的量表進行可讀性、準確性和代表性的評價。研究小組綜合各方評價意見，對初始量表進行修訂，最終確定了包含16 個題項的初始量表，每個副范疇對應(yīng)1 個問項。此外，本研究考慮到上述量表開發(fā)后的可操作性和外部效度，將問卷的題項均以第一人稱的方式表達，用通俗易懂的詞匯代替了復(fù)雜的專業(yè)詞匯，并將問卷的初始語設(shè)置為：“請您回想在提供勞動服務(wù)的過程中，當(dāng)感知到算法（平臺APP 的系統(tǒng)）控制時，您多大程度上同意下列描述？（請根據(jù)您的真實感受，考慮下列每一個句子的符合程度，在1 到5 之間打√，其中，1：非常不符合，3：不確定，5：非常符合）?！?/p>

2.探索性因子分析

為檢驗結(jié)合現(xiàn)有文獻和訪談編碼結(jié)果所預(yù)期的因子結(jié)構(gòu)是否能有效測度核心構(gòu)念，本研究采用SPSS 24.0 軟件進行探索性因子分析以確定量表維度和結(jié)構(gòu)。在進行探索性研究之前，研究小組在不同城市通過聯(lián)系網(wǎng)約出行和外賣配平臺的區(qū)域負責(zé)人，通過問卷星軟件采取在線填寫的方式發(fā)放問卷290 份，剔除填寫不認真、缺填和漏填的問卷，最終得到有效問卷277 份（樣本一），有效問卷回收率為95.5%。樣本一的人口統(tǒng)計學(xué)特征如下：男性工作者204 名，年齡超過30 周歲的工作者143 名，本科以上學(xué)歷的工作者116 名，全職工作者218 名，日均在線時長超過6 小時的工作者179 人。本次調(diào)研采用的是初始量表，共包括16 個題項，并使用李克特5 級量表進行測量。

在進行探索性因子分析之前， 本研究采取Cronbach's α 系數(shù)對問卷進行信度檢驗，以評價量表的內(nèi)部一致性。有文獻表明，探索性研究的因子Cronbach's α 值大于0.6，同時總體相關(guān)系數(shù)（CITC）值大于0.5 的題項建議保留。[34]隨后針對樣本一進行檢驗，結(jié)果發(fā)現(xiàn)，初始題項“登錄平臺APP 后，我每日的任務(wù)目標由算法自動設(shè)置”“在平臺工作過程中，我日常的行為習(xí)慣被算法監(jiān)控和記錄”“當(dāng)違反平臺規(guī)定時，我的工作資格被算法限制或取消”的CITC 值均小于0.5，且個別題項的Cronbach's α 值小于0.6，未達到標準要求，故刪除上述3 個題項。進一步，初始題項樣本一數(shù)據(jù)K MO 值為0.794，Bartlett 的χ2值為1008.776（p<0.001），說明樣本一數(shù)據(jù)適合進行因子分析。[35]基于此，本研究采用主成分分析法提取因子及最大方差法正交旋轉(zhuǎn)針對剩余的13 個初始題項進行分析和刪減，標準如下：特征根大于1，題項因子載載荷大于0.5，題項間不存在交叉負荷，同一維度下題項之間內(nèi)涵一致?；谏鲜鰳藴剩?jīng)過多次探索性因子分析，剔除和刪減不達標的題項后共得到3 個維度11 個題項的零工工作者感知算法控制量表。其中，規(guī)范控制（α=0.813,共4 題）、追蹤評估（α=0.779，共4 題）和行為約束（α=0.782，共3 題）。數(shù)據(jù)顯示（見表3），各個題項的載荷水平介于0.735-0.875，不存在交叉負荷，累計方差貢獻值達到64.469%，探索性因子分析結(jié)果和預(yù)設(shè)因子結(jié)果基本吻合，較好地表征了零工工作者感知算法控制的3 個維度。

表3 探索性因子分析結(jié)果

3.驗證性因子分析

本研究采用A MOS 24.0 進行驗證性因子分析，以進一步檢驗構(gòu)念的效度。Fok kema 等提醒研究者不要對同一樣本進行探索性和驗證性因子分析，[36]因此，本研究重新抽樣，共發(fā)放問卷350 份，剔除填寫不認真、缺填漏填的問卷，最終得到有效問卷312 份（樣本二），有效問卷回收率為89.1%。樣本二的人口統(tǒng)計學(xué)特征如下：男性工作者221 名，年齡超過30 周歲的工作者157名，本科以上學(xué)歷的工作者158 名，全職工作者232 名，日均在線時長超過6 小時的工作者203 人。

首先，為檢驗樣本二的有效性，本研究對數(shù)據(jù)進行信度檢驗。數(shù)據(jù)顯示，整個量表的Cronbach's α 值為0.806，分量表的信度系數(shù)均大于0.7，說明具有良好的內(nèi)部一致性，可以運用結(jié)構(gòu)方程模型進行驗證性因子分析。[37]進一步，本研究設(shè)計了7 個模型進行檢驗，以找出最優(yōu)的擬合模型。其中，模型0 為由觀測變量組成相互獨立的虛無模型；模型1 為包含規(guī)范指導(dǎo)、追蹤評估和行為約束的2 階3 因子模型；模型2 為包括規(guī)范指導(dǎo)、追蹤評估和行為約束的1 階3 因子模型；模型3 將規(guī)范指導(dǎo)和追蹤評估合而為一，形成行為約束的1 階2 因子模型；模型4 將規(guī)范指導(dǎo)和行為約束合而為一，形成追蹤評估的1 階2 因子模型；模型5 將追蹤評估和行為約束合而為一，形成規(guī)范指導(dǎo)的1 階2 因子模型；模型6將規(guī)范指導(dǎo)、追蹤評估和行為約束合而為一，構(gòu)成1 階單因子模型。

現(xiàn)有文獻大多通過擬合優(yōu)度指數(shù)（χ2、d f、χ2/df）、相對擬合指數(shù)（IFI、CFI）、絕對擬合指數(shù)（RMSEA、RMR）來綜合評價模型的擬合度。[36]數(shù)據(jù)結(jié)果表明（見表4），模型1 和模型2 具有較好的擬合優(yōu)度，并且由于模型1 和模型2 均只構(gòu)建了3 個維度，兩個模型的各項擬合指數(shù)值一致，說明1 階3 因子模型和2階3 因子模型擬合效果基本一致。[37]其中，χ2（41）=65.705，χ2/df=1.603 小于3，RMSEA=0.044 小于0.06，R M R=0.052 小于0.06，GF I、AGF I、C F I、I F I 指數(shù) 均大于0.9，相比2 因子模型和單因子模型，3 因子模型的各項擬合指標均優(yōu)于二者并符合相關(guān)要求。此外，所有觀測變量的標準化載荷系數(shù)均大于0.6，并且全部通過了t 檢驗（p<0.001），且各題項的誤差均顯著小于0.7。綜上所述，在3 維度模型中，觀測指標與假設(shè)模型的擬合程度符合要求，說明該模型的結(jié)構(gòu)合理，零工工作者感知算法控制量表的構(gòu)念效度得到樣本二數(shù)據(jù)的驗證和支持。

表4 驗證性因子分析擬合優(yōu)度指標結(jié)果

4.結(jié)構(gòu)效度檢驗

結(jié)構(gòu)效度是指一個測驗實際測到所要測量的理論結(jié)構(gòu)和特質(zhì)的程度，說明測驗分數(shù)多大程度上能解釋特定的心理特質(zhì)，主要包括聚斂效度和區(qū)別效度。[36]首先，為檢驗量表的聚斂效度，本研究在驗證性因子分析的基礎(chǔ)上計算了組合信度（C R）和平均方差抽取量（AV E），僅通過檢驗其中之一，不足以證明量表的聚斂效度。[38]為此，本研究以C R 大于0.8 和AV E 大于0.5 為標準，檢驗已有量表的聚斂效度。結(jié)果表明，三個分量表的C R 分別為0.860、0.851 和0.860，AV E 分別為0.605、0.589 和0.673，均滿足標準（見表5），因此，可以建立感知算法控制量表的內(nèi)部聚斂效度。

進一步，本研究采取兩種方法檢驗已有量表的區(qū)別效度。首先，本研究模型中3 個構(gòu)成維度之間的標準化相關(guān)系數(shù)均小于各維度的AV E 的平方根（見表5），并且各維度之間具有顯著的相關(guān)性，但相關(guān)性不強，均低于0.5，表明已有問卷的區(qū)別效度滿足要求。[39]此外，前文在進行驗證性因子分析時，模型擬合指數(shù)顯示，3因子模型的各項擬合指數(shù)均優(yōu)于其他因子模型的擬合度（見表4），表明量表各維度間具有理想的區(qū)別效度。至此可以判定，本研究開發(fā)的零工工作者感知算法控制量表具有較好的結(jié)構(gòu)效度。

表5 結(jié)構(gòu)效度檢驗結(jié)果

四、零工工作者感知算法控制對服務(wù)績效影響的研究

服務(wù)質(zhì)量始終是平臺生存競爭的根本。[40]因此，平臺希望利用新興數(shù)字技術(shù)來實現(xiàn)價值共創(chuàng)和服務(wù)績效創(chuàng)新，即通過設(shè)計一套由算法組成的控制系統(tǒng)，賦予人工智能算法指導(dǎo)、評估和約束的管理職能，自動化地確保零工工作者的服務(wù)質(zhì)量。[9]進一步，在人機交互和協(xié)作過程中，零工工作者能否清晰地感知到平臺算法控制策略的真實意圖，決定了他們能否表現(xiàn)出平臺所期待的工作態(tài)度和行為。本研究在開發(fā)零工工作者感知算法控制量表的基礎(chǔ)上，圍繞“算法技術(shù)的使用能否改善零工工作者的服務(wù)質(zhì)量”這一理論界和實踐界重點關(guān)注的問題，基于認知交互理論構(gòu)建零工工作者感知算法控制對其服務(wù)績效影響的理論模型，并結(jié)合平臺終端的客觀數(shù)據(jù)對此進行驗證。

1.相關(guān)理論與研究假設(shè)

（1）零工工作者感知算法控制與服務(wù)績效。認知交互理論（Cognitive Transactional Theory）認為，個體與環(huán)境的動態(tài)互動會塑造出不同的認知和評價，不同個體對于相同事件或情境的感知可能是不同的。[41]本研究基于個體感知視角開發(fā)了零工工作者感知算法控制的構(gòu)念。具有不同感知水平的零工工作者，對于算法所傳遞的關(guān)于平臺服務(wù)信息的感受、認知和評價不同，并進而表現(xiàn)出差異化的服務(wù)態(tài)度和行為。本研究提出，感知算法控制水平更高的零工工作者會更加遵循算法所傳遞出關(guān)于平臺服務(wù)的信息，其服務(wù)績效水平更高。這是因為，在服務(wù)情境下，一線服務(wù)人員的行為除了按照規(guī)定完成的角色內(nèi)工作外，還可能會超出角色要求致力于提供更優(yōu)質(zhì)的服務(wù)。[42]任務(wù)績效在服務(wù)情境下是指按照服務(wù)標準去滿足顧客需求的行為，情境績效在服務(wù)情境下是指以顧客為中心的角色外行為。[43]感知算法控制作為零工工作者所感受和認知到的算法所傳遞的平臺服務(wù)信息，實際表明了工作者對平臺制定和倡導(dǎo)的服務(wù)政策、標準及程序規(guī)范等內(nèi)容的個性化、內(nèi)在化理解，進而形成自己的判斷，這些判斷會影響他們隨后的服務(wù)行為。例如，指導(dǎo)規(guī)范是零工工作者服務(wù)行為決策的依據(jù)，算法提供了服務(wù)角色期望的相關(guān)行為要求，指導(dǎo)或支持他們按照平臺既定的規(guī)范完成或超額完成服務(wù)角色期望的任務(wù)，使得算法系統(tǒng)成為輔助零工工作者的技術(shù)伙伴；追蹤評估是監(jiān)督零工工作者勞動服務(wù)過程的基礎(chǔ)，大數(shù)據(jù)驅(qū)動的算法能夠?qū)崟r追蹤和記錄與零工工作者服務(wù)績效相關(guān)的信息，算法在與工作者交互的過程中及時反饋并評價他們的服務(wù)質(zhì)量，從而幫助工作者對身處的服務(wù)情境及當(dāng)前的服務(wù)狀態(tài)有更清楚的了解，有助于及時糾正和改善自身的服務(wù)行為；行為約束是通過獎勵或懲罰機制激勵零工工作者，從而使他們實現(xiàn)既定目標并規(guī)范自身行為，對于算法設(shè)置的獎勵和懲罰機制理解更加深刻的工作者會想方設(shè)法地努力達成諸如現(xiàn)金、評分等獎勵，也會盡可能地避免受到如扣薪、封號等懲罰，因而越可能產(chǎn)生較高的服務(wù)績效。據(jù)此，本文提出以下假設(shè)：

H1：零工工作者感知算法控制正向影響服務(wù)績效

（2）挑戰(zhàn)性壓力評估的中介作用。基于認知交互理論的核心邏輯，[41]當(dāng)個體面對壓力時，可能會根據(jù)具體的情境和自身的認知感受做出差異化的評價，主要包括挑戰(zhàn)性和阻礙性兩類。一般而言，挑戰(zhàn)性壓力源雖然會給個體帶來壓力，但個體傾向于相信克服相關(guān)壓力后自身利益會得到提升和鞏固，進而會采取積極的策略予以應(yīng)對。[44]與之相對的阻礙性壓力源則會對個體工作目標的實現(xiàn)及職業(yè)的發(fā)展產(chǎn)生阻礙作用。[45]本研究認為，零工工作者感知算法控制可能會激發(fā)其挑戰(zhàn)性壓力評估，即零工工作者在與控制系統(tǒng)中的算法實時交互過程中傾向于將算法控制評定為挑戰(zhàn)性壓力，進而表現(xiàn)出更優(yōu)質(zhì)的服務(wù)行為，獲取更高水平的服務(wù)績效。因為控制系統(tǒng)中的算法傳遞出與平臺服務(wù)管理規(guī)則相關(guān)的信息，這些信息實際上蘊含了算法針對零工工作者提出的具體要求。盡管這些諸如工作時間等要求會給零工工作者帶來一定程度上的壓力，但算法技術(shù)本身作為輔助零工工作者的技術(shù)伙伴會幫助他們努力實現(xiàn)既定的工作目標，并獲取相應(yīng)的回報或超額的獎勵，算法控制帶來壓力的同時也會帶來潛在的收益。因此，感知算法控制更高水平的零工工作者更傾向于將算法控制評定為挑戰(zhàn)性壓力源。例如，盡管規(guī)范指導(dǎo)提供了服務(wù)角色期望的相關(guān)行為要求，但這些行為期望并非不合理，相反，算法根據(jù)每位零工工作者的“畫像”設(shè)置了個性化且具有挑戰(zhàn)性的目標，[8]在零工工作者提供勞動服務(wù)并相應(yīng)地實現(xiàn)這些目標的過程中，還通過數(shù)字技術(shù)賦能提高他們完成任務(wù)的效能感，使得工作要求更具意義。此外，算法實時追蹤評估零工工作者的勞動服務(wù)過程同樣也會給他們帶來一定程度的壓力，包括通過電子設(shè)備監(jiān)控工作者的服務(wù)態(tài)度、通過電子系統(tǒng)持續(xù)跟進工作進度等。[46]但算法追蹤這些任務(wù)信息，并通過分析評估后反饋給零工工作者，使其能夠及時地了解自身的服務(wù)質(zhì)量，從而更好地實現(xiàn)或超出既定目標。最后，算法巧妙地設(shè)置了獎勵和懲罰機制來激勵零工工作者提供優(yōu)質(zhì)的勞動服務(wù)。諸如沖單獎、全勤獎之類的獎勵機制具有一定程度的挑戰(zhàn)性，[47,48]這些挑戰(zhàn)性的活動安排會激發(fā)工作者的內(nèi)在動機。雖然他們需要付出更多的投入和努力才能實現(xiàn)，但實現(xiàn)后所獲得的實際收益和自我成就感都會顯著提升。進一步，由于個體認為挑戰(zhàn)性壓力源有助于提升收益或促進自身發(fā)展，因而能夠激發(fā)個體的積極情緒和工作動機，主動地尋找應(yīng)對壓力或解決問題的策略以提升績效水平。[41]因此，當(dāng)零工工作者感知算法控制激發(fā)了他們對于挑戰(zhàn)性壓力源的認知評估后，為了獲得優(yōu)質(zhì)服務(wù)質(zhì)量帶來的滿足或超過預(yù)期的價值回報，他們會投入更多的資源提升或改善自身的服務(wù)行為，進而積極地影響其服務(wù)績效水平。據(jù)此，本文提出以下假設(shè)：

H2：挑戰(zhàn)性壓力評估在零工工作者感知算法控制與服務(wù)績效之間的關(guān)系中起中介作用

（3）職業(yè)類型（全職/ 兼職）的調(diào)節(jié)作用。從認知交互理論視角來看，個體特征差異也會導(dǎo)致他們對于相同事物的認知存在不同。[41]職業(yè)類型差異是零工工作者個體差異的主要表現(xiàn)之一，靈活自主的工作特征使得大量兼職工作者存在，不同職業(yè)類型（全職/ 兼職）的工作者在工作態(tài)度和行為上具有迥異的特征。本研究認為，一方面，平臺對于全職、兼職工作者的派單方式、考核機制等管理內(nèi)容具有差異化的設(shè)置，如網(wǎng)約車平臺的派單系統(tǒng)會自動根據(jù)司機的在線時長判別其屬于全職還是兼職，并會向全職司機進行派單傾斜；另一方面零工工作者自身對于職業(yè)類型（全職/ 兼職）具有不同的身份認知，這會導(dǎo)致他們在工作態(tài)度、動因和評價等方面存在較大差異。[49]如全職工作者更傾向于將這份工作視為自己的主業(yè)或本職工作，相較于兼職人員具有更高水平的職業(yè)認同。因此，相比于兼職工作者，全職工作者更能夠?qū)⒏兄降乃惴刂圃u估為有益于提供價值回報的挑戰(zhàn)性壓力源，進而會全身心地投入工作服務(wù)中去提升或改善自身的服務(wù)行為，獲取更高水平的服務(wù)績效。據(jù)此，本文提出以下假設(shè)：

H3：零工工作者感知算法控制與挑戰(zhàn)性壓力評估之間的關(guān)系受到職業(yè)類型（全職/ 兼職）的調(diào)節(jié)作用，這種關(guān)系對于全職工作者較強，對于兼職工作者較弱

綜合上述假設(shè)，進一步提出一個整合性的被調(diào)節(jié)的中介效應(yīng)假設(shè)：

H4：零工工作者感知算法控制通過挑戰(zhàn)性壓力評估影響服務(wù)績效的間接關(guān)系會受到職業(yè)類型（全職/ 兼職）的調(diào)節(jié)作用，具體而言，這種間接關(guān)系對全職工作者的作用效果更強

基于上述分析，本研究構(gòu)建的理論模型見圖2。

圖2 理論模型

2.研究設(shè)計與樣本特征

為盡可能地避免共同方法偏差的影響，本研究通過將問卷調(diào)查的一手數(shù)據(jù)與平臺終端的二手數(shù)據(jù)相匹配，并采取縱向的數(shù)據(jù)收集方式獲取數(shù)據(jù)。同時，考慮到調(diào)研對象的代表性，本研究選擇廣州地區(qū)一家成立近兩年的網(wǎng)約出行平臺作為樣本選取來源，平臺在線注冊的網(wǎng)約車司機用戶超過3 千人。在正式調(diào)研之前，由研究小組負責(zé)人與該平臺的人力資源總監(jiān)取得聯(lián)系，介紹本次調(diào)研的概況和目的。經(jīng)平臺負責(zé)人的同意和支持，本研究將在保證用戶數(shù)據(jù)隱私的前提下使用平臺終端的司機數(shù)據(jù)。隨后，秉著自愿參與的原則，由網(wǎng)約車司機的相關(guān)負責(zé)人招募志愿者。最終，包括256 名網(wǎng)約車司機同意參與本次調(diào)研（樣本三）。

在變量測量方面，針對零工工作者感知算法控制的測量采用本文開發(fā)的包括11 個題項的量表，該量表在本研究中的Cronbach's α=0.820；挑戰(zhàn)性壓力評估的測量采用LePine 等開發(fā)的包括3 個題項的量表，[50]該量表在本研究中的Cronbach's α=0.850；結(jié)果變量服務(wù)績效的測量由平臺終端的算法系統(tǒng)自動結(jié)算，以服務(wù)分和出行分綜合計算的口碑值分數(shù)來刻畫和衡量。根據(jù)以往研究的建議，控制變量對年齡、性別、學(xué)歷和日均在線時長進行控制。在實際操作方面，時點1 由網(wǎng)約車司機評價零工工作者感知算法控制、挑戰(zhàn)性壓力評估、職業(yè)類型（全職/ 兼職）及控制變量，共發(fā)放問卷256 份，實際有效回收247 份，有效率為96.48%；時點2 由平臺數(shù)據(jù)終端的負責(zé)人結(jié)合志愿參與本次調(diào)研的網(wǎng)約車司機的系統(tǒng)賬號提供其服務(wù)績效的數(shù)據(jù)。最終通過數(shù)據(jù)匹配，獲得有效數(shù)據(jù)247 份。

3.數(shù)據(jù)分析與研究結(jié)果

（1）共同方法偏差檢驗。結(jié)果表明，未獲得單因子且首個主成分對變異解釋為31.889%，低于40% 的標準臨界值。此外，針對模型中所包含的變量進行驗證性因子分析的結(jié)果顯示，相比于單因子和兩因子而言，三因子模型與實際數(shù)據(jù)擬合效果最佳（χ2/df=1.501，CFI=0.958，TLI=0.950，RMSEA=0.045，SRMR=0.049），顯著優(yōu)于其他競爭模型（見表6）。上述數(shù)據(jù)結(jié)果說明本研究的共同方法偏差問題并不嚴重。

表6 驗證性因子分析

（2）描述性統(tǒng)計分析。本研究中個變量均值、標準差和相關(guān)系數(shù)如表7 所示，零工工作者感知算法控制與挑戰(zhàn)性壓力評估顯著正相關(guān)（r=0.232，p<0.01），并與服務(wù)績效顯著正相關(guān)（r=0.248，p<0.01）；挑戰(zhàn)性壓力評估與服務(wù)績效顯著正相關(guān)（r=0.242，p<0.01）。描述性統(tǒng)計分析結(jié)果與理論預(yù)期相符，為后續(xù)假設(shè)檢驗奠定了基礎(chǔ)。

表7 描述性統(tǒng)計與相關(guān)性分析結(jié)果

（3）假設(shè)檢驗。為檢驗假設(shè)1，本研究將控制變量和多項式回歸項對服務(wù)績效進行多層線性回歸分析。表8 中模型6 的結(jié)果表明，在控制了年齡、性別、學(xué)歷和日均在線時長后，零工工作者感知算法控制對服務(wù)績效具有顯著正向影響（β=0.256，p<0.001），假設(shè)1 得到支持。

表8 中模型8 的結(jié)果表明，相比模型4，在加入中介變量挑戰(zhàn)性壓力評估后，零工工作者感知算法控制對服務(wù)績效的影響從0.256 （p<0.001）變?yōu)?.212 （p<0.01），并且挑戰(zhàn)性壓力評估對服務(wù)績效具有顯著正向影響（β=0.198，p<0.01）。表9 中介效應(yīng)分析結(jié)果表明，零工工作者感知算法控制通過挑戰(zhàn)性壓力評估對服務(wù)績效的間接效應(yīng)值為0.044，95% CI=[0.013,0.083]，不包含0。因此，挑戰(zhàn)性壓力評估在零工工作者感知算法控制與服務(wù)績效之間起部分中介作用，假設(shè)2 得到支持。

表9 中介效應(yīng)分析結(jié)果

表8 中模型4 可知，零工工作者感知算法控制與職業(yè)類型（全職/ 兼職）的交互項顯著影響挑戰(zhàn)性壓力評估（β=-0.127，p<0.05）。進一步檢驗發(fā)現(xiàn)，當(dāng)零工工作者為全職類型時，感知算法控制對挑戰(zhàn)性壓力評估影響顯著（β=0.306，p<0.001）；當(dāng)零工工作者為兼職類型時，感知算法控制對挑戰(zhàn)性壓力評估影響不顯著（β=0.025，p>0.05），假設(shè)3 得到支持。此外，為更加清晰地觀察零工工作者職業(yè)類型（全職/ 兼職）的調(diào)節(jié)作用，繪制簡單斜率圖（圖3）。

表8 層次回歸分析結(jié)果

圖3 職業(yè)類型（全職/兼職）的調(diào)節(jié)效應(yīng)

為進一步檢驗假設(shè)4，運用Bootstrap 法進行有調(diào)節(jié)的中介效應(yīng)檢驗（見表10）。表10 結(jié)果表明，當(dāng)零工工作者為全職類型時，感知算法控制通過挑戰(zhàn)性壓力評估對服務(wù)績效的中介效應(yīng)顯著（95%CI=[0.019，0.109]），間接效應(yīng)值為0.061；當(dāng)零工工作者為兼職類型時，感知算法控制通過挑戰(zhàn)性壓力評估對服務(wù)績效的中介效應(yīng)不顯著（95%CI=[-0.043，0.051]），間接效應(yīng)值為0.005，假設(shè)4 得到支持。

表10 有調(diào)節(jié)的中介效應(yīng)分析結(jié)果

五、結(jié)論與討論

1.研究結(jié)論和貢獻

本研究首先基于扎根理論的編碼結(jié)果，以零工工作者的主體視角開發(fā)出零工工作者感知算法控制這一構(gòu)念的概念內(nèi)涵與結(jié)構(gòu)維度；隨后，遵循規(guī)范的量表開發(fā)步驟編制出零工工作者感知算法控制量表，通過專家小組和零工工作者共同的內(nèi)容效度評估、探索性因子分析、驗證性因子分析及結(jié)構(gòu)效度檢驗，最終構(gòu)建出包含11個題項的零工工作者感知算法控制量表；最后，以認知交互理論為基礎(chǔ)，實證探究了零工工作者感知算法控制對其服務(wù)績效的影響機制。結(jié)果表明，零工工作者感知算法控制正向影響服務(wù)績效，挑戰(zhàn)性壓力評估在其中起到部分中介作用，并且當(dāng)零工工作者為全職類型時，上述關(guān)系更強。實證結(jié)果表明該量表具有較好的預(yù)測效度。

本研究具有如下貢獻：第一，采用個體感知視角將算法控制的內(nèi)涵概念化，不僅明晰了零工工作者感知算法控制的概念內(nèi)涵，并且結(jié)合定性和定量的方法對上述構(gòu)念進行層次劃分，將規(guī)范指導(dǎo)、追蹤評估和行為約束3 個維度構(gòu)成零工工作者感知算法控制的完整內(nèi)容，豐富了現(xiàn)有算法控制的理論框架。第二，首次開發(fā)并檢驗了零工工作者感知算法控制的量表，為未來研究提供了結(jié)構(gòu)清晰的測量工具。此外，現(xiàn)有研究基于某一研究情境得出的定性結(jié)論的可靠性相對較低，限制了算法控制在個體微觀領(lǐng)域研究的理論價值，成熟量表的開發(fā)有助于學(xué)者們進一步探究數(shù)字化背景下人機互動對個體態(tài)度和行為塑造這一具有前瞻性的話題。第三，借助本研究開發(fā)的量表，以認知交互理論為基礎(chǔ)，實證檢驗了在幾乎沒有人工干預(yù)的工作環(huán)境下零工工作者感知算法控制是否及如何影響其服務(wù)績效的作用機制和邊界條件。現(xiàn)有定性研究大多指出，在持續(xù)的算法控制下，零工工作者會面臨諸如工作—家庭沖突、工作不安全感及個體健康等負面影響，[4]本文的結(jié)論不僅以辯證的視角實證揭示了算法控制對零工工作者的積極面，還揭示出影響其服務(wù)績效的重要情境因素，有助于理論界更加全面地認識算法控制對零工工作者的影響。第四，在實踐層面，對個體而言，辯證地認知和評價具有規(guī)范指導(dǎo)、追蹤評估和行為約束控制職能的算法有助于構(gòu)建出和諧的人機協(xié)作模式，將算法系統(tǒng)視作工作過程中的技術(shù)伙伴能有效地提升服務(wù)績效。對組織而言，技術(shù)工具解放了管理者的雙手，在通過算法技術(shù)極大地提升組織效率的同時，不能忽視技術(shù)對零工工作者個體心理和行為的影響，需要致力于構(gòu)建和諧的人與技術(shù)的關(guān)系。

2.研究局限和展望

本研究仍存在一定的局限性：第一，本研究選取網(wǎng)約車司機和外賣騎手作為典型的零工工作者樣本，未來可以進一步考慮樣本代表性的問題，采取隨機抽樣、滾雪球抽樣等更嚴格的抽樣方法，提高研究的外部效度。第二，本研究基于扎根理論的定性研究方法構(gòu)建了零工工作者感知算法控制的結(jié)構(gòu)維度，并將其內(nèi)涵概念化，但文本分析的結(jié)果主要是通過研究成員討論后主觀編碼所得，不可避免地受到主觀偏見的影響，未來研究可以采用定性分析軟件對訪談資料中的關(guān)鍵概念進行科學(xué)的提煉。第三，探索性因子分析結(jié)果顯示部分符合理論解釋且能反映零工工作者感知算法控制的題項沒有充分涌現(xiàn)，說明扎根理論分析中對副范疇的提煉可能不準確，或是題項設(shè)計不準確。因此，未來研究有必要繼續(xù)明確具有爭議的條目，不斷地修正和完善零工工作者感知算法控制量表。第四，本研究在針對零工工作者感知算法控制量表進行預(yù)測效度檢驗時，基于認知交互理論探討了零工工作者感知算法控制與服務(wù)績效之間的關(guān)系，具有一定的理論和實踐價值。但本研究只揭開了零工工作者感知算法控制豐富研究內(nèi)容的冰山一角，未來可以結(jié)合更加豐富的理論視角，例如資源保存理論、社會交換理論等，重點挖掘零工工作者感知算法控制對個體的心理和行為的微觀作用機制，以及在其他邊界條件下會產(chǎn)生何種不同的影響，進一步豐富零工工作者感知算法控制這一核心概念的理論闡釋。