杜宇驍,胡 斌,龍立榮

(華中科技大學(xué)管理學(xué)院,武漢 430070)

隨著國內(nèi)數(shù)字經(jīng)濟(jì)發(fā)展,企業(yè)從“信息化”向“智能化”轉(zhuǎn)變,進(jìn)而在組織內(nèi)部構(gòu)建涵蓋數(shù)據(jù)、技術(shù)、硬件等資源的智能系統(tǒng)[1]。智能系統(tǒng)可以實(shí)現(xiàn)各部門的有效集成,以及信息在內(nèi)部員工間的有效共享,而這種影響存在兩面性。一方面,智能系統(tǒng)可以降低企業(yè)生產(chǎn)和運(yùn)營(yíng)環(huán)節(jié)中間不必要的資源投入,員工在智能系統(tǒng)中能更高效地搜索、存儲(chǔ)和分析數(shù)據(jù),員工薪資會(huì)因生產(chǎn)率提高而增加[2];另一方面,各種數(shù)字化設(shè)備也不斷地搜集員工數(shù)據(jù),對(duì)員工行為實(shí)現(xiàn)全方位監(jiān)管,為員工考核與獎(jiǎng)懲提供強(qiáng)大依據(jù)[3]。同時(shí),智能系統(tǒng)對(duì)員工持續(xù)高頻的信息傳輸會(huì)消磨員工注意力和記憶力,降低員工工作效率[4];智能系統(tǒng)實(shí)時(shí)全面的監(jiān)管還會(huì)增加員工心理壓力,增大員工工作投入強(qiáng)度,甚至導(dǎo)致員工離職[5]?？梢?智能系統(tǒng)與員工的薪資收益、工作投入、監(jiān)管考評(píng)等因素息息相關(guān),顯著影響員工行為選擇[6]。從激勵(lì)-保健理論的視角分析,員工收益與工作直接相關(guān),可以激勵(lì)員工努力工作[7],屬于激勵(lì)因素;而工作投入和監(jiān)管考評(píng)雖然不能直接激勵(lì)員工,但能消除員工不滿,屬于保健因素[8]。

從群體層面看,智能系統(tǒng)使員工合作辦公的時(shí)空邊界逐漸消除,員工基于智能系統(tǒng)的信息交互頻率增加[9],而企業(yè)信息系統(tǒng)中標(biāo)準(zhǔn)統(tǒng)一的交互形式也使員工交互更加結(jié)構(gòu)化[10]。員工關(guān)系向扁平的網(wǎng)絡(luò)結(jié)構(gòu)轉(zhuǎn)變,科層制管理方式不再適用。企業(yè)內(nèi)特定職能任務(wù)可由技能相似的員工組成“細(xì)胞單元”小組承接[11],所以員工交互主要以組內(nèi)交互為主,組間交互較少[12]。因此,員工在智能系統(tǒng)中會(huì)因收益提升的激勵(lì)與其他員工積極合作,也可能因隱私缺乏保障而壓力增大,對(duì)智能系統(tǒng)產(chǎn)生抗拒,甚至促使網(wǎng)絡(luò)怠工等阻礙合作的行為出現(xiàn)[13]。由于智能系統(tǒng)中員工頻繁的信息交互,此時(shí)員工的行為選擇會(huì)影響與其交互的員工,即員工會(huì)根據(jù)交互過程中他人行為調(diào)整自身行為選擇,從而引起員工間的博弈行為[14]。除了員工個(gè)體博弈行為,員工群體行為也是智能系統(tǒng)的重要組成。員工通過智能系統(tǒng)相互聯(lián)系,員工交互呈現(xiàn)網(wǎng)格化、結(jié)構(gòu)化和局部群體化特征,即在企業(yè)智能系統(tǒng)中,具有行為選擇能力的員工通過交互組成了一個(gè)網(wǎng)格系統(tǒng),員工則是其中的智能體,能自主地決定合作或不合作。

在我國數(shù)字化建設(shè)的關(guān)鍵時(shí)期,“十四五”規(guī)劃綱要提出,要支持勞動(dòng)密集型企業(yè)發(fā)展,注重發(fā)展技術(shù)密集型企業(yè)。伴隨智能系統(tǒng)沖擊,無論是勞動(dòng)密集型還是技術(shù)密集型企業(yè),員工行為的反轉(zhuǎn)與突變現(xiàn)象越發(fā)普遍[15]。勞動(dòng)密集型的立訊精密工廠大量使用廉價(jià)勞動(dòng)力從事簡(jiǎn)單重復(fù)的流水線作業(yè),普通工人身處其中時(shí)刻面臨嚴(yán)密監(jiān)控,身心壓力大,工人入職后短時(shí)間內(nèi)離職的現(xiàn)象普遍。而技術(shù)密集型的騰訊主要通過開發(fā)軟件和信息平臺(tái)提供社交和通信服務(wù),其管理方式雖然更人性化,但也存在類似問題。2022年1月,一名騰訊員工在連續(xù)工作20 h后在部門群聊中直接向管理者發(fā)難,拒絕繼續(xù)履行職責(zé)并提出離職,此事引發(fā)社會(huì)輿論廣泛關(guān)注,對(duì)騰訊的企業(yè)形象造成負(fù)面影響。

可見,在智能環(huán)境中,員工個(gè)體可能被激勵(lì)因素鼓舞選擇合作,也可能因保健因素缺乏選擇不合作,員工對(duì)損益的感受或外在環(huán)境的變化可能使員工個(gè)體行為朝不同方向演化[16]。不同行為的切換往往不是連續(xù)漸進(jìn)的,而是在某個(gè)時(shí)刻突然反轉(zhuǎn),引起員工群體行為狀態(tài)的非連續(xù)突變[17]。此外,企業(yè)環(huán)境與自身感受對(duì)員工群體的影響存在一定滯后,這種影響有時(shí)并不會(huì)立刻反映到員工群體行為中。員工行為選擇的突變使員工群體狀態(tài)更不穩(wěn)定且更加難以預(yù)測(cè),增加管理壓力,影響企業(yè)運(yùn)營(yíng)和發(fā)展。但是傳統(tǒng)的線性實(shí)證模型、激勵(lì)-保健理論與博弈模型無法描述員工群體行為中的突變機(jī)制,而尖點(diǎn)突變模型不僅能更好地解釋個(gè)體行為突變,而且能更有效地刻畫員工群體中復(fù)雜動(dòng)態(tài)的合作與沖突[18]。因此,本文利用尖點(diǎn)突變理論探索員工群體行為狀態(tài)演化過程中是否存在尖點(diǎn)突變機(jī)制,以及其中的關(guān)鍵影響因素。采用多智能體模型配合元胞自動(dòng)機(jī)的方式描述智能系統(tǒng)中員工群體的行為演化,因?yàn)槎嘀悄荏w模型可以將真實(shí)場(chǎng)景進(jìn)行必要的簡(jiǎn)化,剔除無關(guān)因素,提取待研究的關(guān)鍵要素作為變量,以此構(gòu)建仿真模型[19]。在網(wǎng)格系統(tǒng)中交互的員工個(gè)體可以被視為離散的元胞,其受到智能系統(tǒng)與其他元胞的影響動(dòng)態(tài)調(diào)整行為選擇,即員工群體組成的多智能體網(wǎng)格系統(tǒng)可由容納離散元胞的元胞自動(dòng)機(jī)表示[20]。尤其是當(dāng)智能系統(tǒng)中員工個(gè)體與群體數(shù)據(jù)難以準(zhǔn)確反映其行為演化,或者數(shù)據(jù)收集難度大時(shí),多智能體模型配合元胞自動(dòng)機(jī)可以展現(xiàn)員工個(gè)體交互引起群體行為狀態(tài)演化的機(jī)制。

基于上述背景,本文研究在智能系統(tǒng)沖擊下,從員工個(gè)體行為選擇到員工群體行為狀態(tài)反轉(zhuǎn)的機(jī)制。首先建立員工個(gè)體博弈模型,分析智能系統(tǒng)沖擊對(duì)員工交互的影響;基于員工個(gè)體博弈模型用元胞自動(dòng)機(jī)描述員工群體的組織結(jié)構(gòu),使用仿真方法來推演勞動(dòng)密集型企業(yè)和技術(shù)密集型企業(yè)中的員工群體行為狀態(tài)演化;利用仿真模型生成的數(shù)據(jù)探究員工群體行為狀態(tài)演化過程中是否暗含突變機(jī)制,若存在則利用尖點(diǎn)突變理論分析員工群體行為狀態(tài)的變化機(jī)制與關(guān)鍵影響因素,以及智能系統(tǒng)在其中發(fā)揮的作用。本文將博弈論與突變理論結(jié)合,拓展了激勵(lì)-保健理論與行為選擇的研究思路,豐富了智能系統(tǒng)背景下合作行為理論的研究?jī)?nèi)容,自下而上地探索了員工個(gè)體間的博弈機(jī)制,以及員工群體行為演化中的反轉(zhuǎn)與突變機(jī)制,為研究員工個(gè)體與群體行為選擇提供新的理論視角。智能系統(tǒng)中員工行為研究能體現(xiàn)智能系統(tǒng)沖擊下企業(yè)員工交互的新特點(diǎn),勞動(dòng)密集型和技術(shù)密集型企業(yè)的劃分響應(yīng)當(dāng)下趨勢(shì),研究結(jié)論適用于上述兩類企業(yè)的管理,由此可以更有針對(duì)性地為國家和企業(yè)開展數(shù)字化建設(shè)提供對(duì)策與建議。

1 相關(guān)研究評(píng)述

1.1 激勵(lì)-保健理論

在激勵(lì)-保健理論的研究方面,Matei等[21]分析了職場(chǎng)中影響員工行為的激勵(lì)與保健因素,強(qiáng)調(diào)企業(yè)文化氛圍對(duì)激勵(lì)-保健理論有效性的作用。Wu[22]研究了ERP 系統(tǒng)影響員工行為的激勵(lì)與保健因素,發(fā)現(xiàn)系統(tǒng)收益等激勵(lì)因素以及學(xué)習(xí)成本與安全性等保健因素對(duì)員工影響最顯著。Ozsoy[23]利用激勵(lì)-保健理論分析影響員工積極性的關(guān)鍵因素,其中薪資等激勵(lì)因素以及企業(yè)管理與工作環(huán)境等保健因素對(duì)員工積極性的影響最顯著。激勵(lì)-保健理論研究多聚焦于傳統(tǒng)環(huán)境,但在智能系統(tǒng)沖擊下企業(yè)內(nèi)員工交互模式與結(jié)構(gòu)發(fā)生重大變化,關(guān)注傳統(tǒng)環(huán)境的激勵(lì)-保健理論很難揭示智能系統(tǒng)中的員工行為選擇機(jī)制。

1.2 智能系統(tǒng)中的員工行為

在智能系統(tǒng)中員工行為的研究方面,張艷霞等[24]通過委托-代理模型發(fā)現(xiàn),在現(xiàn)代企業(yè)中降低員工共享知識(shí)成本,給予員工適當(dāng)激勵(lì)能有效促進(jìn)員工合作互惠,共享知識(shí)。馬鴻佳等[25]認(rèn)為智能系統(tǒng)中技術(shù)收益越高,企業(yè)整合和配置數(shù)據(jù)資源的能力越強(qiáng),員工合作難度越小。Jago[26]發(fā)現(xiàn),多數(shù)員工很難像信任人類那樣信任智能系統(tǒng),而隨著智能系統(tǒng)與企業(yè)管理融合,員工行為透明化,員工懈怠行為被發(fā)現(xiàn)后受罰的概率顯著增大。Kellogg等[27]發(fā)現(xiàn),員工身處智能系統(tǒng)中隨時(shí)受到算法和設(shè)備的限制,導(dǎo)致其反抗,采取不合作態(tài)度,并在適應(yīng)系統(tǒng)的同時(shí)與其圍繞隱私進(jìn)行博弈。Veen等[28]表示,企業(yè)可以利用智能系統(tǒng)中信息不對(duì)稱和績(jī)效評(píng)價(jià)的不透明性進(jìn)一步加強(qiáng)對(duì)員工的控制。徐鵬等[29]則認(rèn)為智能系統(tǒng)基于數(shù)字技術(shù)的監(jiān)控不符合管理人性化的需求,進(jìn)而給員工塑造“全景監(jiān)獄”式工作環(huán)境。Dall’Asta等[30]分析不同網(wǎng)絡(luò)結(jié)構(gòu)下群體的博弈,指出群體中個(gè)體行為決策受系統(tǒng)和周圍其他個(gè)體行為的影響?；谏鲜鲅芯?本文認(rèn)為企業(yè)智能系統(tǒng)帶來的收益等激勵(lì)因素與合作成本等保健因素可以使員工認(rèn)真合作,或者懈怠不合作。然而,上述研究多為思辨性的理論與實(shí)證研究,這些研究很少從定量理論模型的視角研究員工個(gè)體與群體的行為選擇,很難發(fā)現(xiàn)員工行為選擇中更深層次的理論與邏輯。而且現(xiàn)有研究很少關(guān)注引入智能系統(tǒng)后,智能系統(tǒng)帶來的工作與交流新模式是否會(huì)造成員工群體行為選擇的反轉(zhuǎn)與突變。

1.3 尖點(diǎn)突變理論

為了探索智能系統(tǒng)中員工群體的行為演化是否存在突變機(jī)制,本文引入尖點(diǎn)突變理論。突變理論由Thom[31]提出,用于研究非連續(xù)現(xiàn)象。一般突變現(xiàn)象具有突跳性、多態(tài)性、發(fā)散性、滯后性和不可達(dá)性5個(gè)特征[32],如果系統(tǒng)具備上述兩個(gè)以上特征就可以考慮用突變模型分析。為了研究不同系統(tǒng)中的突變機(jī)制,Grasman等[33]用R 語言開發(fā)了Cuspfit工具包,其中包含與突變模型相關(guān)的函數(shù),可以根據(jù)輸入數(shù)據(jù)擬合尖點(diǎn)突變模型、評(píng)估模型和顯示擬合結(jié)果。Hu等[34]利用定性仿真模型和尖點(diǎn)突變模型對(duì)員工離職過程中的心理因素和行為選擇進(jìn)行建模,并分析其中隱含的非線性突變機(jī)制。趙旭等[35]將尖點(diǎn)突變模型與實(shí)證研究結(jié)合,利用定性仿真與參數(shù)估計(jì)的方式研究員工主動(dòng)離職行為的突變。徐巖等[36]通過理論模型推導(dǎo)發(fā)現(xiàn),群體內(nèi)員工知識(shí)共享行為存在尖點(diǎn)突變機(jī)制,并且其行為突變與共享成本和不共享懲罰相關(guān)。姜鳳珍等[37]利用演化博弈論對(duì)員工群體與組織間的合作與沖突行為進(jìn)行建模,并將演化博弈論模型轉(zhuǎn)化為尖點(diǎn)突變模型,運(yùn)用突變理論分析勞資沖突行為。上述研究表明,尖點(diǎn)突變模型能發(fā)現(xiàn)員工合作、知識(shí)共享、離職等行為選擇中更底層的非連續(xù)變化,相比于線性模型,其能更準(zhǔn)確地描述這種非線性突變。當(dāng)前員工群體行為選擇中的突變?cè)桨l(fā)普遍,探究員工群體行為選擇演化過程中的突變機(jī)制具有顯著的理論和實(shí)踐意義。

1.4 元胞自動(dòng)機(jī)與多智能體模型

在對(duì)員工群體行為演化進(jìn)行仿真模擬時(shí),Raghu等[38]利用多智能體仿真模型模擬企業(yè)內(nèi)部流程的運(yùn)作,并在此基礎(chǔ)上分析不同激勵(lì)機(jī)制對(duì)員工個(gè)體行為決策的影響機(jī)制。Ma?ecki[20]認(rèn)為元胞自動(dòng)機(jī)可以有效模擬智能體在復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)中的交互。張彤等[39]利用元胞自動(dòng)機(jī)定義群體領(lǐng)域結(jié)構(gòu),研究了群體內(nèi)具有相同特征的個(gè)體合作競(jìng)爭(zhēng)行為及聯(lián)盟形成的可能性。Levine等[40]將智能體作為節(jié)點(diǎn)構(gòu)建了柵欄網(wǎng)格式的仿真模型,以此研究員工之間的知識(shí)交互行為與對(duì)企業(yè)最終產(chǎn)出的影響?？梢?基于元胞自動(dòng)機(jī)的多智能體仿真模型可以準(zhǔn)確刻畫規(guī)整鄰域空間,自下而上地將微觀的個(gè)體互動(dòng)和宏觀的群體演化結(jié)合。雖然仿真模型無法準(zhǔn)確刻畫企業(yè)的所有特征,但是可以更加專注于特定的研究要素,模型運(yùn)行結(jié)果也能為企業(yè)提供有價(jià)值的結(jié)論。

基于上述研究,本文將博弈模型與元胞自動(dòng)機(jī)結(jié)合,從理論和仿真層面,研究智能系統(tǒng)中從員工個(gè)體博弈到群體行為演化的新機(jī)制。在此基礎(chǔ)上,利用尖點(diǎn)突變理論探索其中是否蘊(yùn)含突變機(jī)制,揭示員工合作行為選擇的底層邏輯。

2 理論模型

2.1 員工個(gè)體博弈模型

由前文可知,智能系統(tǒng)相比傳統(tǒng)環(huán)境具有生產(chǎn)率增長(zhǎng)、員工效率更高、信息交流頻率和強(qiáng)度加大、對(duì)員工監(jiān)管更嚴(yán)密等特征。這些特征顯著影響員工收益、工作投入、考評(píng)與獎(jiǎng)懲等因素,進(jìn)而影響員工間合作行為。因此,本文構(gòu)建智能系統(tǒng)中員工合作行為概念模型,如圖1所示。

圖1 智能系統(tǒng)中員工合作行為概念模型Fig.1 Conceptual model of employee cooperation behavior in intelligent systems

圖1中概念模型指出智能系統(tǒng)對(duì)員工行為決策的影響機(jī)制。智能系統(tǒng)的高生產(chǎn)率能為員工帶來收益,降低員工工作投入(即成本);高頻信息交流可能增加員工工作成本,而全方位監(jiān)管則為員工考評(píng)與獎(jiǎng)懲提供依據(jù)。此外,員工群體交互也對(duì)員工有影響。上述因素顯著影響員工交互的行為選擇,使員工可能選擇合作或不合作。本文規(guī)定員工策略集合為(合作,不合作),并參考已有研究[41-42]構(gòu)建以下博弈模型,員工個(gè)體博弈的收益矩陣如表1所示。

表1 博弈收益矩陣Tab.1 Game payoff matrix

表1中,b為智能系統(tǒng)為員工帶來的收益,c為員工合作成本,δ為員工因不合作被智能系統(tǒng)懲罰后的損失,b,c,δ>0;k為智能系統(tǒng)對(duì)員工合作成本的影響因子,k>0。智能系統(tǒng)對(duì)員工的利益、成本和損失均有影響,為了模型簡(jiǎn)潔性,本文將影響因子化簡(jiǎn),保留對(duì)員工成本的影響因子。根據(jù)激勵(lì)-保健理論,可將b視作個(gè)體激勵(lì)因素,c、δ視作個(gè)體保健因素。在b、c、δ不變的情況下,k=1表示員工合作成本并未受到企業(yè)智能系統(tǒng)的影響;k<1表示企業(yè)智能系統(tǒng)能降低員工原有的合作成本(kc1表示企業(yè)智能系統(tǒng)會(huì)提高員工原有的合作成本(kc>c),增加員工合作難度。

基于表1的收益矩陣,得出以下結(jié)論(證明過程見附錄A):

(1)當(dāng)k>δ/c,b-c>0時(shí),即當(dāng)b>c>δ/k時(shí),員工個(gè)體博弈納什均衡為(合作,合作)。

(2)當(dāng)k>δ/c,b-c≤0時(shí),納什均衡為(合作,合作)與(不合作,不合作)。

(3)當(dāng)k≤δ/c,b-c>0時(shí),納什均衡為(合作,不合作)與(不合作,合作)。

(4)當(dāng)k≤δ/c,b-c≤0時(shí),即當(dāng)b≤c≤δ/k時(shí),納什均衡為(不合作,不合作)。

可見,k作為智能系統(tǒng)的影響因子顯著影響員工合作。當(dāng)k>δ/c時(shí),隨著b增加以及c降低,即多項(xiàng)式b-c的值增加,員工個(gè)體合作意愿升高,進(jìn)而促成(合作,合作)納什均衡;當(dāng)k≤δ/c時(shí),多項(xiàng)式b-c的值增加雖然也能激勵(lì)更多員工合作,但無法促成(合作,合作),反之多項(xiàng)式b-c的值降低會(huì)導(dǎo)致(不合作,不合作)納什均衡。

由此可知,b增加可以激勵(lì)員工合作。如果δδ/c能同時(shí)成立,此時(shí)智能系統(tǒng)可以降低合作成本,b增加以及c降低可以促成(合作,合作)納什均衡;而c降低雖然能提升多項(xiàng)式b-c的值,但也使δ/c的值增加。如果c降低,則δ/c>1,為促成(合作,合作)納什均衡需將k提升至大于δ/c的水平,使得k>1,此時(shí)智能系統(tǒng)又會(huì)使員工合作成本升高。因此,為了讓智能系統(tǒng)激勵(lì)員工合作的同時(shí)減輕員工合作負(fù)擔(dān),在b增加、δ降低時(shí),c相比b、δ不應(yīng)降低過多,最好滿足b>c>δ/k這一條件。

2.2 員工群體交互機(jī)制

智能系統(tǒng)使企業(yè)員工間關(guān)系網(wǎng)格化、員工交互局部化,為體現(xiàn)上述特征,采用元胞自動(dòng)機(jī)來仿真員工群體的行為狀態(tài)。使用Euclidean型元胞結(jié)構(gòu)研究員工群體合作行為,每個(gè)員工行為選擇受到上下左右4個(gè)鄰居的影響。假設(shè)在t時(shí)間員工i的鄰居集合為Ni,員工i與其鄰居n的博弈收益為,則員工i的收益如下式所示,員工在t時(shí)間的收益等于他此時(shí)與所有鄰居博弈收益的總和,

群體中員工采取“費(fèi)米機(jī)制”來更新自己下一個(gè)時(shí)間點(diǎn)的行為選擇策略[43],即員工i隨機(jī)選擇一個(gè)鄰居j,并以概率P(i→j)在下個(gè)時(shí)間點(diǎn)用當(dāng)前鄰居j的行為選擇策略替換當(dāng)前自己的行為選擇策略。P(i→j)如下式所示:真過程中,博弈參數(shù)b、c、δ和k為大于0的連續(xù)數(shù)值,時(shí)間節(jié)點(diǎn)和員工人數(shù)為非零自然數(shù),符合元胞自動(dòng)機(jī)的離散特征,表示員工群體一段時(shí)間內(nèi)持續(xù)博弈。如引言所述,智能系統(tǒng)中員工交互呈現(xiàn)網(wǎng)格化和局部群體化特征,員工個(gè)體只會(huì)與鄰近個(gè)體交互,并不會(huì)與企業(yè)內(nèi)所有員工進(jìn)行交互,尤其是在擁有數(shù)十萬員工的大型企業(yè)中。多智能體仿真模型的復(fù)雜度隨著智能體的增加呈指數(shù)增長(zhǎng),因此,為了貼合現(xiàn)實(shí)并防止模型復(fù)雜度過高,設(shè)定員工數(shù)量N=400,以小見大,通過模擬員工小群體的行為選擇演化來研究企業(yè)中智能系統(tǒng)對(duì)員工合作行為的影響機(jī)制。員工分布于20×20的元胞自動(dòng)機(jī)模型中,初始狀態(tài)員工有50%的概率選擇合作,同時(shí)設(shè)定擾動(dòng)因子η=0.5[44]。本節(jié)將模擬元胞空間中員工群體行為的演化,重點(diǎn)關(guān)注不同參數(shù)設(shè)置下,t=1～300時(shí)間段內(nèi)群體中員工不同行為選擇的演化情況。

引言中提到的立訊精密工廠需要大量流水線工人配合機(jī)器,這些工人裝備較差,工資較低,操作簡(jiǎn)單且頻次高,工廠內(nèi)監(jiān)管嚴(yán)格,是典型的勞動(dòng)密集型工廠。相比起來,騰訊運(yùn)用更多電腦和服務(wù)器等設(shè)備提升員工效率,員工具有更高的專業(yè)知識(shí)和技能,工資更高,企業(yè)管理模式更科學(xué),是典型的技術(shù)密集型企業(yè)。為將上述勞動(dòng)密集型工廠和技術(shù)密集型企業(yè)的特征反映到仿真模型中,本節(jié)以立訊精密工廠和騰訊為基礎(chǔ)設(shè)置兩種場(chǎng)景:員工收益低、監(jiān)管嚴(yán)格的勞動(dòng)密集型企業(yè)場(chǎng)景(以下簡(jiǎn)稱“勞動(dòng)密集型場(chǎng)景”),以及員工收益高、監(jiān)管人性化的技術(shù)密集型企業(yè)場(chǎng)景(以下簡(jiǎn)稱“技術(shù)密集型場(chǎng)景”)。兩家企業(yè)都在積極構(gòu)建智能系統(tǒng),立訊精密工廠內(nèi)的普通工人時(shí)刻面臨監(jiān)管人員的嚴(yán)密監(jiān)控,加之流水線持續(xù)運(yùn)轉(zhuǎn),工人無法停歇,身心承受巨大監(jiān)管壓力;而騰訊管理更人性化,普通員工自由度更高,受到的監(jiān)管壓

3 仿真模型

3.1 仿真模型建模

基于2.1節(jié)中的員工個(gè)體博弈模型以及2.2節(jié)中的員工群體交互機(jī)制,本節(jié)構(gòu)建仿真模型。在仿力相對(duì)更小。根據(jù)百度百聘2022年3月數(shù)據(jù),立訊精密工廠普工月薪為5 000～8 000元,騰訊技術(shù)員工月薪為13 000～18 000元,兩者相差兩倍有余。綜上所述,本節(jié)設(shè)定前者成本c與后者相同,收益b為后者一半,損失δ為后者兩倍。為便于計(jì)算,前者參數(shù)設(shè)置為:b=2,c=3,δ=4,后者設(shè)置為:b=4,c=3,δ=2。

2.1 節(jié)說明了k值在不同范圍對(duì)員工的不同影響。為了模擬k值變化對(duì)員工行為的影響,本節(jié)分析當(dāng)智能系統(tǒng)降低合作成本(01)時(shí)員工群體行為選擇的演化。由于k值過大或過小會(huì)使員工群體行為狀態(tài)快速向合作或不合作狀態(tài)極化,失去分析價(jià)值,故以k=1為中心,將k值限定在1附近小范圍內(nèi),設(shè)定k=0.8,0.9,1,1.1。

3.2 仿真結(jié)果分析

3.2.1員工群體的行為選擇演化 如果b=2,c=3,δ=4,k=0.8,0.9,1,1.1,則b-δ

圖2 k 取不同值時(shí)員工群體行為選擇演化(b=2,c=3,δ=4)Fig.2 Evolution of employee group behavior selections for different k values (b=2,c=3,δ=4)

如果b=4,c=3,δ=2,k=0.8,0.9,1,1.1,則b-δ>b-c>0,員工不合作不會(huì)蒙受損失。圖3展示了當(dāng)k取不同值時(shí)員工群體行為選擇的演化。當(dāng)k<1時(shí),員工群體中幾乎全部員工選擇合作,合作員工數(shù)量在細(xì)微波動(dòng)中趨于穩(wěn)定;當(dāng)k=1時(shí),合作員工數(shù)量隨著時(shí)間推移逐漸增加;當(dāng)k=1.1時(shí),合作員工數(shù)量的波動(dòng)更為劇烈,其數(shù)量先減少后增加。k值越大,智能系統(tǒng)給員工合作增加的負(fù)擔(dān)越大,帶來的便利和改善越少。由于外界不確定因素的擾動(dòng),合作員工數(shù)量演化過程中波動(dòng)更大,傾向于合作的員工可能減少,但合作員工在群體中仍占主導(dǎo)。由2.1節(jié)結(jié)論可知,這一取值組合的員工個(gè)體博弈納什均衡為(合作,合作),圖3所示仿真結(jié)果同樣符合2.1節(jié)結(jié)論。

圖3 k 取不同值時(shí)員工群體行為選擇演化(b=4,c=3,δ=2)Fig.3 Evolution of employee group behavior selections for different k values (b=4,c=3,δ=2)

3.2.2員工群體行為選擇演化中的反轉(zhuǎn) 由圖2、3可以看出,員工群體行為選擇的演化過程中存在頻繁波動(dòng)。為了更直觀地分析員工群體行為演化過程中個(gè)體員工行為選擇變化,圖4分別展示了上述兩種情況。當(dāng)k=0.8時(shí),t=1～4,4個(gè)時(shí)間點(diǎn)仿真模型中不同行為選擇員工的分布情況,表示合作員工與不合作員工的元胞見圖4。在每個(gè)時(shí)間點(diǎn),元胞空間的不同位置都有員工個(gè)體行為發(fā)生反轉(zhuǎn)(圖4中方框標(biāo)示部分)。雖然在圖4(b)～4(d)中合作員工數(shù)量均為174,但是空間分布差異顯著。而且在圖4(a)～4(d)中,每個(gè)時(shí)間點(diǎn)平均有72人行為發(fā)生反轉(zhuǎn),占員工總數(shù)的18%。類似地,在圖4(e)～4(h)中每個(gè)時(shí)間點(diǎn)間合作人數(shù)差距小于34人,但是每個(gè)時(shí)間點(diǎn)平均有89人行為發(fā)生反轉(zhuǎn),占員工總數(shù)的22.25%。每個(gè)時(shí)間點(diǎn)的合作員工數(shù)量波動(dòng)較小,但行為選擇反轉(zhuǎn)的員工數(shù)量遠(yuǎn)多于合作員工數(shù)量變化。員工個(gè)體行為選擇的不同反轉(zhuǎn)在統(tǒng)計(jì)群體數(shù)據(jù)時(shí)會(huì)相互抵消,導(dǎo)致圖4中員工個(gè)體行為選擇的高頻反轉(zhuǎn)無法在圖2和圖3中體現(xiàn)。

圖4 當(dāng)k=0.8時(shí)不同時(shí)間點(diǎn)的員工行為選擇分布情況Fig.4 Distribution of employee behavior selections at different time stages when k=0.8

為進(jìn)一步研究員工群體中的行為反轉(zhuǎn),圖5展示了當(dāng)b=2,c=3,δ=4時(shí),不同k值下每個(gè)時(shí)間點(diǎn)行為選擇發(fā)生反轉(zhuǎn)的員工數(shù)量與合作員工數(shù)量變化的對(duì)比。在圖5(a)～5(d)中,行為反轉(zhuǎn)的員工數(shù)量在前期較大,隨著時(shí)間推進(jìn)逐漸減少并在波動(dòng)中趨于穩(wěn)定,除少數(shù)時(shí)間點(diǎn)外,行為反轉(zhuǎn)的員工數(shù)量折線總是在合作員工數(shù)量變化折線上方,說明行為反轉(zhuǎn)的員工數(shù)量都大于合作員工的數(shù)量變化。當(dāng)k<1時(shí),智能系統(tǒng)能提高合作效率,但仍有相當(dāng)一部分員工選擇不合作,因此,員工行為選擇反轉(zhuǎn)更頻繁,行為反轉(zhuǎn)員工數(shù)量遠(yuǎn)大于合作員工數(shù)量變化(見圖5(a)和5(b));當(dāng)k≥1時(shí),智能系統(tǒng)顯著增加員工合作難度,智能系統(tǒng)為員工帶來的收益較小,幾乎所有員工都堅(jiān)定地選擇不合作,群體中員工行為選擇反轉(zhuǎn)隨時(shí)間推進(jìn)逐漸減少,雖然行為反轉(zhuǎn)員工數(shù)量大于合作員工數(shù)量變化,但兩者數(shù)量相差相對(duì)較小(見圖5(c)和5(d))。

圖6展示了當(dāng)b=4,c=3,δ=2時(shí),不同k值下每個(gè)時(shí)間點(diǎn)行為選擇反轉(zhuǎn)的員工數(shù)量與合作員工數(shù)量變化的對(duì)比。在圖6(a)～6(d)中,行為反轉(zhuǎn)的員工數(shù)量在前期較大,隨著時(shí)間推進(jìn)在波動(dòng)中逐漸減少,除少數(shù)時(shí)間點(diǎn)外,行為反轉(zhuǎn)的員工數(shù)量折線總是在合作員工數(shù)量變化折線上方,說明行為反轉(zhuǎn)的員工數(shù)量都大于合作員工的數(shù)量變化。當(dāng)k<1時(shí),智能系統(tǒng)能提高合作效率,幾乎所有員工都堅(jiān)定地選擇合作,群體中員工行為選擇反轉(zhuǎn)隨時(shí)間的推進(jìn)逐漸減少,雖然行為反轉(zhuǎn)員工數(shù)量大于合作員工數(shù)量變化,但兩者數(shù)量相差相對(duì)較小(見圖6(a)和6(b));當(dāng)k≥1時(shí),智能系統(tǒng)雖然增加員工合作難度,但也給員工帶來較大收益,因此仍有相當(dāng)一部分員工選擇合作,此時(shí)員工行為選擇反轉(zhuǎn)更頻繁,行為反轉(zhuǎn)員工數(shù)量遠(yuǎn)大于合作員工數(shù)量變化(見圖6(c)和6(d))。由圖5、6可以看出,員工群體中行為選擇反轉(zhuǎn)人數(shù)多于合作員工在群體層面的數(shù)量變化。

圖6 k 取不同值時(shí)行為反轉(zhuǎn)員工數(shù)量與合作員工數(shù)量變化(b=4,c=3,δ=2)Fig.6 Changes in employees with behavior reversals and changes in cooperation employees for different k values (b=4,c=3,δ=2)

上述仿真結(jié)果表明,在員工群體行為選擇的演化過程中,在群體層面的合作員工數(shù)量變化之下暗含更激烈的員工行為選擇反轉(zhuǎn),員工個(gè)體行為選擇的高頻反轉(zhuǎn)會(huì)增加員工群體中的動(dòng)蕩與不確定性。然而,這種反轉(zhuǎn)很難在群體層面被察覺,博弈論模型也無法解釋這種反轉(zhuǎn)的形成機(jī)制。因此,下節(jié)將引入尖點(diǎn)突變理論與工具,揭示員工群體行為選擇演化過程中的反轉(zhuǎn)與突變機(jī)理。

4 基于仿真數(shù)據(jù)的突變分析

4.1 探索突變機(jī)制

上節(jié)仿真實(shí)驗(yàn)顯示,在員工群體的演化過程中,合作員工數(shù)量小范圍波動(dòng)下隱藏著員工個(gè)體行為選擇的大量反轉(zhuǎn),k的連續(xù)變化會(huì)引起員工群體演化方向的顯著改變,符合尖點(diǎn)突變模型的多模態(tài)性、突跳性和發(fā)散性特征。尖點(diǎn)(cusp)突變模型用于研究系統(tǒng)穩(wěn)態(tài)隨特定參數(shù)連續(xù)變化而發(fā)生離散突變的內(nèi)在機(jī)理,尖點(diǎn)突變模型假設(shè)系統(tǒng)狀態(tài)受到兩個(gè)控制變量的調(diào)控,系統(tǒng)狀態(tài)變量在兩個(gè)控制變量的作用下達(dá)成穩(wěn)態(tài),在這種系統(tǒng)穩(wěn)態(tài)下,各個(gè)狀態(tài)變量點(diǎn)的集合組成了尖點(diǎn)突變模型的平衡曲面。代表系統(tǒng)穩(wěn)態(tài)的平衡曲面用如下平衡曲面方程表示:

式中:f為系統(tǒng)狀態(tài)變量,作為系統(tǒng)狀態(tài)的量化衡量指標(biāo);u、v為系統(tǒng)的控制變量。

cusp模型的平衡曲面如圖7 所示。由圖7 可知,當(dāng)控制變量u、v值較大時(shí),狀態(tài)變量f值在平衡曲面上葉;當(dāng)u、v值較小時(shí),f值則處于平衡曲面下頁。圖7中的abcd部分曲面呈折疊狀,被稱為奇點(diǎn)集。當(dāng)狀態(tài)變量位于奇點(diǎn)集時(shí),系統(tǒng)狀態(tài)處于不穩(wěn)定狀態(tài),u、v在此處的連續(xù)變化可能引起f的非連續(xù)變化,即突變?？刂谱兞縰決定平衡曲面是否有折疊以及平面折疊的幅度。當(dāng)u>0時(shí),平衡曲面存在折疊,且u值越大,平面折疊幅度越大,奇點(diǎn)集的面積越大;當(dāng)u≤0時(shí),平衡曲面平滑無折疊,即u決定系統(tǒng)狀態(tài)是否存在突變。v決定系統(tǒng)狀態(tài)與平面折疊部分的相對(duì)位置,即v決定系統(tǒng)狀態(tài)何時(shí)發(fā)生突變。當(dāng)系統(tǒng)狀態(tài)變量位于奇點(diǎn)集時(shí),u值越大,控制變量u、v在奇點(diǎn)集的變化幅度越大,狀態(tài)變量f突變概率越高。

圖7 cusp模型的平衡曲面Fig.7 Equilibrium surface of cusp model

首先探究員工群體行為狀態(tài)演化過程中是否存在尖點(diǎn)突變現(xiàn)象,若存在,則從尖點(diǎn)突變的視角分析員工群體中個(gè)體行為選擇的頻繁變化及其機(jī)制。

然后擴(kuò)展研究場(chǎng)景,考慮不同員工數(shù)量對(duì)員工群體行為狀態(tài)演化的影響。增加員工數(shù)量N=200和N=600兩種情況,收集3種不同規(guī)模的員工群體在b=2,c=3,δ=4和b=4,c=3,δ=2時(shí),k=0.8,0.9,1,1.1的員工群體演化數(shù)據(jù),引入Cuspfit工具包(見附錄B)對(duì)數(shù)據(jù)進(jìn)行擬合。由于在各個(gè)時(shí)間點(diǎn),行為選擇反轉(zhuǎn)的員工數(shù)量遠(yuǎn)大于合作員工數(shù)量變化,群體中合作員工數(shù)量演化無法體現(xiàn)員工個(gè)體行為狀態(tài)的突變,故引入在每個(gè)時(shí)間點(diǎn)行為反轉(zhuǎn)的員工數(shù)量SC來反映員工群體行為狀態(tài)。由于員工群體內(nèi)不同行為的收益是員工行為選擇的重要判斷依據(jù),而合作員工數(shù)量變化體現(xiàn)員工群體選擇不同行為的傾向,故采用員工群體中合作員工總收益CP、不合作員工總收益NCP以及合作員工數(shù)量CN,以此分析員工合作行為、不合作行為以及員工合作傾向?qū)θ后w行為狀態(tài)的影響。按照前文描述,CP為員工群體行為選擇的激勵(lì)因素,NCP、CN為保健因素。接下來,利用cuspfit對(duì)數(shù)據(jù)進(jìn)行線性模型、logistic模型和cusp模型的擬合,探究員工群體行為演化中是否存在尖點(diǎn)突變機(jī)制以及各變量相互影響的機(jī)理。

在線性和logistic模型的擬合中,SC為因變量,CP、NCP和CN為自變量;在cusp模型的擬合中,SC為影響狀態(tài)變量f的自變量,CP、NCP和CN為影響控制變量u、v的自變量。對(duì)上述3種規(guī)模員工群體8種情況的多組數(shù)據(jù)進(jìn)行擬合后,就每種情況選出5組數(shù)據(jù),將其進(jìn)行平均得到擬合結(jié)果,以此提高準(zhǔn)確性,減小單個(gè)擬合結(jié)果的誤差。對(duì)于N=200,400,600的員工群體,上述8種情況下,線性模型、logistic模型和cusp模型的擬合優(yōu)度(R2)、赤池指標(biāo)(AIC)和貝葉斯指標(biāo)(BIC)如表2～表4所示。

表2 N=200時(shí)不同參數(shù)取值下的統(tǒng)計(jì)指標(biāo)值Tab.2 Statistical indicator values of for different parameters when N=200

表3 N=400時(shí)不同參數(shù)取值下的統(tǒng)計(jì)指標(biāo)值Tab.3 Statistical indicator values of for different parameters when N=400

表4 N=600時(shí)不同參數(shù)取值下的統(tǒng)計(jì)指標(biāo)值Tab.4 Statistical indicator values of for different parameters when N=600

由表2～表4可知,對(duì)于不同規(guī)模的員工群體,雖然每種情況下的cusp模型對(duì)仿真數(shù)據(jù)的擬合優(yōu)度R2小于logistic模型或線性模型,但是cusp模型的AIC和BIC的值都顯著低于另兩種模型。在評(píng)價(jià)模型擬合結(jié)果時(shí),R2更適用于線性模型。然而,對(duì)于非線性模型而言,AIC 和BIC 相比,R2是更有價(jià)值的評(píng)價(jià)指標(biāo)[33]。這一結(jié)果說明,cusp模型能在保證模型精度的同時(shí)有效降低模型復(fù)雜度,在精度和復(fù)雜度之間找到最佳平衡。因此,cusp模型最適合不同規(guī)模的員工群體演化數(shù)據(jù)。這也說明,員工群體行為演化中確實(shí)存在尖點(diǎn)突變機(jī)制。接下來,本節(jié)按照?qǐng)鼍昂蛦T工群體規(guī)模劃分不同的情況,分析不同情況中群體行為的突變機(jī)制。每種情況使用的突變分析范式相同,選取的控制變量與狀態(tài)變量也相同,只是突變擬合結(jié)果中變量的顯著性和系數(shù)值有所不同。

4.2 勞動(dòng)密集型場(chǎng)景中的群體行為狀態(tài)突變特征

當(dāng)N=200時(shí),Cuspfit得到的勞動(dòng)密集型場(chǎng)景(b=2,c=3,δ=4)中不同k值對(duì)應(yīng)cusp模型擬合結(jié)果如表5所示。擬合結(jié)果用CP、NCP、CN和SC對(duì)控制變量和狀態(tài)變量的擬合系數(shù)表示,表中每列數(shù)值表示不同k值下CP、NCP和CN對(duì)控制變量u、v的擬合系數(shù),以及SC對(duì)狀態(tài)變量f的擬合系數(shù)。例如,v[(CP)]表示CP對(duì)控制變量v的擬合系數(shù),intercept表示每個(gè)變量擬合結(jié)果中的截距項(xiàng)系數(shù)。

表5 N=200時(shí)不同k 值對(duì)應(yīng)的cusp模型擬合結(jié)果Tab.5 The results of cusp model fitting corresponding to different k values when N=200

由表5 可知,SC與狀態(tài)變量f正相關(guān);CP、NCP對(duì)控制變量u、v的擬合系數(shù)均不顯著,CP、NCP對(duì)控制變量u、v均無顯著影響;CN對(duì)控制變量v的擬合系數(shù)隨k值的變化而變化,圖8用折線圖的形式將這種變化趨勢(shì)可視化。其中,橫坐標(biāo)表示k值,縱坐標(biāo)表示不同k值對(duì)應(yīng)的CN對(duì)控制變量u的擬合系數(shù)值。結(jié)合表5和圖8可知,僅當(dāng)k=0.8時(shí),控制變量v與CN正相關(guān);當(dāng)k>0.8時(shí),兩者負(fù)相關(guān),且隨k值的增大,CN擬合系數(shù)逐漸增大。

圖8 N=200時(shí)不同k 值CN 對(duì)控制變量u 的擬合系數(shù)Fig.8 Fitting coefficients of CN to control variables u for different k values when N=200

圖9從突變視角展示了當(dāng)N=200時(shí),不同k值對(duì)應(yīng)的CN增加對(duì)控制變量u值的影響。由圖9中箭頭①可知,當(dāng)k>0.8時(shí),智能系統(tǒng)對(duì)員工合作的積極作用減弱,消極作用增強(qiáng),CN增加使u值減小,平衡曲面上下葉距離更小,此時(shí)員工群體行為狀態(tài)發(fā)生劇變的概率更小。

圖9 N=200時(shí)不同k 值下CN 對(duì)控制變量u 的影響Figure.9 The impact of CN to control variable u for different k values when N=200

由圖9中箭頭②可見,當(dāng)k=0.8時(shí),引入智能系統(tǒng)能顯著降低合作成本,CN增加使u值增加,平衡曲面上群體行為狀態(tài)進(jìn)入平衡曲面上下葉距離更大的區(qū)域,此時(shí)員工群體行為狀態(tài)發(fā)生劇變的概率更大。群體內(nèi)合作或不合作員工總收益對(duì)群體行為狀態(tài)無明顯影響。

當(dāng)N=400時(shí),勞動(dòng)密集型場(chǎng)景中不同k值對(duì)應(yīng)cusp模型擬合結(jié)果如表6所示;當(dāng)N=600時(shí),不同k值對(duì)應(yīng)的擬合結(jié)果如表7所示。由表6、7可知,當(dāng)N=400,600時(shí),SC系數(shù)均在0.1%的水平顯著,SC與狀態(tài)變量f正相關(guān)。CP、NCP和CN等變量對(duì)兩個(gè)控制變量的系數(shù)至少在5%的水平顯著。因?yàn)楫?dāng)N=200時(shí),CP、NCP的擬合系數(shù)均不顯著,只有CN的擬合系數(shù)顯著,所以此處只分析N=400和N=600的情況,沒有整合N=200的情況。

表6 N=400時(shí)不同k 值對(duì)應(yīng)的cusp模型擬合結(jié)果Tab.6 The results of cusp model fitting corresponding to different k values when N=400

表7 N=600時(shí)不同k 值對(duì)應(yīng)的cusp模型擬合結(jié)果Tab.7 The results of cusp model fitting corresponding to different k values when N=600

k取不同值時(shí)各變量系數(shù)的變化趨勢(shì)如圖10所示。

圖10 當(dāng)N=400和N=600時(shí),不同k 值下CP、NCP 和CN 對(duì)控制變量u、v 的擬合系數(shù)Figure.10 Fitting coefficients of CP,NCP,CN to control variables u,v for different k values when N=400 and N=600

由圖10(a)可見,當(dāng)N=400或N=600時(shí),u、v與合作員工總收益CP均正相關(guān),CP增加促使u、v增加;CP對(duì)u、v擬合系數(shù)值隨k值的增加呈“U型”變化趨勢(shì)。當(dāng)k=0.8時(shí),CP對(duì)u、v擬合系數(shù)最大;當(dāng)k=1 時(shí),CP對(duì)u、v擬合系數(shù)最小。當(dāng)N=400時(shí),CP擬合系數(shù)值隨k值增加的變化幅度比N=600時(shí)更大。

在圖10(b)中,當(dāng)N=400時(shí),不合作員工總收益NCP對(duì)u、v的擬合系數(shù)隨k值的增加而減小。當(dāng)k<1時(shí),u、v與NCP正相關(guān);當(dāng)k≥1時(shí)負(fù)相關(guān)。當(dāng)N=600時(shí),NCP與控制變量u正相關(guān)。當(dāng)k≤1時(shí),NCP與控制變量v正相關(guān);當(dāng)k>1時(shí)負(fù)相關(guān)。

由圖10(c)可見,當(dāng)N=400,k=1時(shí),u、v與CN負(fù)相關(guān),k取其他值時(shí)u、v與CN正相關(guān)。當(dāng)N=600時(shí),CN對(duì)控制變量u、v的擬合系數(shù)值隨k值的增大呈現(xiàn)“U 型”變化趨勢(shì)。當(dāng)k=0.8時(shí),CN對(duì)u擬合系數(shù)最小;當(dāng)k=0.9時(shí),CN對(duì)v擬合系數(shù)最小,此時(shí)CN與v負(fù)相關(guān),而k取其他值時(shí)CN與v正相關(guān)。

圖11從突變視角展示了當(dāng)N=400,N=600時(shí),不同k值對(duì)應(yīng)的CP、NCP和CN的增加對(duì)控制變量u、v值的影響。

圖11 當(dāng)N=400和N=600時(shí),不同k 值下CP、NCP 和CN 對(duì)控制變量u、v 的影響Fig.11 The impact of CP,NCP,CN to control variable u,v for different k values when N=400 and N=600

由圖11(a)中箭頭①可見,當(dāng)N=400時(shí),CP與u、v正相關(guān),NCP在k<1時(shí)與u、v正相關(guān),CN在k≠1時(shí)與u、v正相關(guān)。CP、NCP和CN在上述對(duì)應(yīng)情況中增加使u、v增加,如果u、v對(duì)應(yīng)的狀態(tài)變量f在平衡曲面下葉,則可能使f從下葉突跳至上葉,導(dǎo)致SC陡然增加,員工群體中大量員工行為選擇反轉(zhuǎn)。其中:當(dāng)k=0.8時(shí),CP和NCP增加使u、v增加幅度最大,CP和NCP增加導(dǎo)致SC劇增的概率最高;當(dāng)k=1時(shí),CP增加導(dǎo)致SC劇增的概率最小。由圖11(a)中箭頭②可見,當(dāng)N=400時(shí),NCP在k≥1時(shí)與u、v負(fù)相關(guān),CN在k=1時(shí)與u、v負(fù)相關(guān),此時(shí)NCP和CN增加使u、v減小,原本處于上葉的行為狀態(tài)可能突變至下葉。

由圖11(b)中箭頭①可見,當(dāng)N=600,k=1.1時(shí),NCP增加使v減小u增加,員工群體行為狀態(tài)f朝折疊幅度更大區(qū)域的下葉移動(dòng),員工個(gè)體行為選擇反轉(zhuǎn)減少,但群體行為狀態(tài)可能有較大波動(dòng)。圖11(b)中箭頭②顯示,當(dāng)N=600時(shí),CP同樣與u、v正相關(guān),NCP在k≤1時(shí)與u、v正相關(guān),CN在k=0.8或k=1.1時(shí)與u、v正相關(guān)。CP、NCP和CN在上述對(duì)應(yīng)情況中增加使員工群體行為狀態(tài)f朝平衡曲面上葉移動(dòng),導(dǎo)致行為選擇反轉(zhuǎn)的員工數(shù)量激增。由圖11(b)中箭頭③可見,當(dāng)N=600,k=0.9時(shí),CN增加使u減小v增加;由箭頭④可見,當(dāng)k=1時(shí),CN增加使u、v減小。這兩種情況下,CN增加都讓f朝平衡曲面折疊幅度小的區(qū)域移動(dòng),在一定程度上減少了員工群體行為狀態(tài)突變的概率。

在勞動(dòng)密集型場(chǎng)景中,當(dāng)N=400時(shí),首先,智能系統(tǒng)引入后,提高合作員工總收益可能會(huì)增加員工的行為反轉(zhuǎn),使群體更不穩(wěn)定,尤其當(dāng)k=0.8時(shí),合作員工總收益增加導(dǎo)致員工行為反轉(zhuǎn)劇增的概率最高。其次,當(dāng)智能系統(tǒng)降低合作成本時(shí),不合作員工總收益升高會(huì)增加員工行為反轉(zhuǎn)概率,使群體更不穩(wěn)定;而當(dāng)智能系統(tǒng)提高合作成本時(shí),其值升高則會(huì)減少員工行為反轉(zhuǎn)概率,使群體更穩(wěn)定。此外,引入智能系統(tǒng)前,合作人數(shù)增加會(huì)讓員工群體行為狀態(tài)更穩(wěn)定;但引入智能系統(tǒng)后,合作人數(shù)增加會(huì)提高員工群體內(nèi)個(gè)體行為反轉(zhuǎn)概率,尤其當(dāng)k=1.1時(shí),合作員工數(shù)增加導(dǎo)致員工行為反轉(zhuǎn)劇增的概率最高。

當(dāng)N=600時(shí),首先,合作員工總收益升高會(huì)增加員工行為反轉(zhuǎn)的概率,使群體狀態(tài)更不穩(wěn)定。其次,在未引入或引入智能系統(tǒng)降低合作成本(k≤1)時(shí),不合作員工總收益升高會(huì)降低群體行為狀態(tài)穩(wěn)定性,但是如果引入智能系統(tǒng)后員工合作成本增加,不合作員工總收益反而能減少員工行為反轉(zhuǎn)的概率。另外,合作員工數(shù)對(duì)群體穩(wěn)定性的影響多變。未引入智能系統(tǒng)前(k=1),合作員工數(shù)增加讓員工群體行為狀態(tài)更穩(wěn)定;引入智能系統(tǒng)后,當(dāng)k=0.8或k=1.1時(shí),員工群體內(nèi)個(gè)體行為反轉(zhuǎn)頻率隨合作員工數(shù)的增加而增加。只有當(dāng)k=0.9時(shí),合作員工數(shù)量增加將減少群體中員工行為反轉(zhuǎn)。

與N=400相比,當(dāng)N=600時(shí),不同k值下CP對(duì)u、v的擬合系數(shù)均更小,表明在勞動(dòng)密集型場(chǎng)景中,隨著員工數(shù)量的增加,合作員工總收益增加對(duì)群體穩(wěn)定性的負(fù)面影響逐漸減弱。

4.3 技術(shù)密集型場(chǎng)景中的群體行為狀態(tài)突變特征

b=4,c=3,δ=2的情況對(duì)應(yīng)現(xiàn)實(shí)中智能系統(tǒng)為員工帶來的收益高、監(jiān)管人性化的技術(shù)密集型企業(yè)。當(dāng)N=200時(shí),不同k值對(duì)應(yīng)的cusp模型擬合結(jié)果如表8所示。

表8 N=200時(shí)不同k 值對(duì)應(yīng)的cusp模型擬合結(jié)果Tab.8 The results of cusp model fitting corresponding to different k values when N=200

由表8可知,不同k值下SC都與狀態(tài)變量f正相關(guān),且系數(shù)都在0.1%的水平顯著;與勞動(dòng)密集型場(chǎng)景相同,CP和NCP對(duì)控制變量u、v的擬合系數(shù)均不顯著,只有CN對(duì)控制變量u的擬合系數(shù)顯著。CN對(duì)控制變量u的擬合系數(shù)隨k值的變化趨勢(shì)如圖12所示。

圖12 N=200時(shí)不同k 值下CN 對(duì)控制變量u 的擬合系數(shù)Figure.12 Fitting coefficients of CN to control variables u for different k values when N=200

結(jié)合表8和圖12可知,CN與u正相關(guān),CN增加使u增加。CN對(duì)u的擬合系數(shù)值隨k值的增大呈現(xiàn)“U 型”變化趨勢(shì),k=0.8時(shí)擬合系數(shù)最大,合作員工增加1個(gè)會(huì)使控制變量u增加0.975;k=0.9時(shí)擬合系數(shù)最小,合作員工增加1個(gè)會(huì)使控制變量u增加0.587。

圖13從突變角度展示了N=200時(shí)CN增加對(duì)控制變量u值的影響。由圖13中的箭頭可見,無論是否引入智能系統(tǒng),CN增加都使u值增加,平衡曲面上群體行為狀態(tài)進(jìn)入折疊幅度更大的區(qū)域,平衡曲面上下葉的距離變大,員工群體行為狀態(tài)發(fā)生大幅變化的概率隨之升高。群體內(nèi)合作或不合作員工總收益對(duì)群體行為狀態(tài)無明顯影響。與勞動(dòng)密集型場(chǎng)景相比,在技術(shù)密集型場(chǎng)景中,當(dāng)N=200時(shí),CN增加對(duì)員工群體穩(wěn)定性的負(fù)面影響更大。

圖13 N=200時(shí)CN 對(duì)控制變量u 的影響Fig.13 The impact of CN to control variable u for different k values when N=200

當(dāng)N=400時(shí),不同k值對(duì)應(yīng)的cusp模型擬合結(jié)果如表9所示;當(dāng)N=600時(shí),不同k值對(duì)應(yīng)的擬合結(jié)果如表10所示。

表9 N=400時(shí)不同k 值對(duì)應(yīng)的cusp模型擬合結(jié)果Tab.9 The results of cusp model fitting corresponding to different k values when N=400

表10 N=600時(shí)不同k 值對(duì)應(yīng)的cusp模型擬合結(jié)果Tab.10 The results of cusp model fitting corresponding to different k values when N=600

由表9可知,SC與狀態(tài)變量f正相關(guān),SC對(duì)狀態(tài)變量f系數(shù)至少在10%的水平顯著,CP和NCP對(duì)控制變量u、v的系數(shù)至少在10%的水平顯著。當(dāng)k=0.8時(shí),合作員工數(shù)量CN對(duì)控制變量u、v無顯著影響;當(dāng)k=0.9時(shí),CN與u負(fù)相關(guān);當(dāng)k=1時(shí),CN與u、v正相關(guān);當(dāng)k=1.1時(shí),CN與u、v負(fù)相關(guān)。由表10可知,SC同樣與狀態(tài)變量f正相關(guān),對(duì)狀態(tài)變量的系數(shù)至少在1%的水平顯著,CP、NCP和CN對(duì)控制變量的系數(shù)至少在10% 的水平顯著。當(dāng)k≤1時(shí),CP與控制變量u、v正相關(guān);當(dāng)k=1.1時(shí),CP與控制變量u、v負(fù)相關(guān),NCP和CN均與控制變量u、v負(fù)相關(guān)。與勞動(dòng)密集型場(chǎng)景中類似,因?yàn)楫?dāng)N=200時(shí)只有CN的擬合系數(shù)顯著,所以此處只分析N=400和N=600的情況。

k取不同值時(shí)各變量系數(shù)變化趨勢(shì)如圖14所示。

圖14 當(dāng)N=400和N=600時(shí),不同k 值下CP、NCP 和CN 對(duì)控制變量u、v 的擬合系數(shù)Fig.14 Fitting coefficients of CP,NCP,CN to control variables u,v for different k values when N=400 and N=600

由圖14(a)可見,當(dāng)N=400時(shí),CP與u、v負(fù)相關(guān),CP增加對(duì)應(yīng)u、v減小。當(dāng)N=600時(shí),CP對(duì)u、v的擬合系數(shù)隨k值的增大而減小,當(dāng)k≤1時(shí),CP與u、v正相關(guān);當(dāng)k=1.1時(shí),CP與u、v負(fù)相關(guān)。

在圖14(b)中,當(dāng)N=400時(shí),NCP與u、v也均為負(fù)相關(guān),NCP增加對(duì)應(yīng)u、v減小,而且當(dāng)k=1時(shí),NCP對(duì)u、v的擬合系數(shù)最大。當(dāng)N=600時(shí),NCP對(duì)u、v的擬合系數(shù)隨k值的增大呈現(xiàn)“U 型”變化趨勢(shì)。NCP對(duì)控制變量v的擬合系數(shù)比u更小,即NCP增加相同值,v值的減小幅度更大。

由于當(dāng)N=400時(shí),如果k≤0.9,則合作員工數(shù)量CN可能對(duì)u或v無顯著影響,所以圖14(c)中并未標(biāo)注N=400時(shí)不同k值下CN擬合系數(shù)。由圖14(c)可知,CN對(duì)u、v的擬合系數(shù)隨k值的增大也呈現(xiàn)“U 型”變化趨勢(shì)。當(dāng)k≤1時(shí),CN對(duì)控制變量v的擬合系數(shù)更小;當(dāng)k=1.1時(shí),CN對(duì)控制變量v的擬合系數(shù)更大。

圖15通過平衡曲面分別展示了N=400,N=600時(shí)不同k值對(duì)應(yīng)的CP、NCP和CN增加對(duì)控制變量u、v值的影響。

圖15 當(dāng)N=400和N=600時(shí),不同k 值下CP、NCP 和CN 對(duì)控制變量u、v 的影響Fig.15 The impact of CP,NCP,CN to control variable u,v for different k values when N=400 and N=600

由圖15(a)中箭頭①可見,當(dāng)N=400,k=0.9時(shí),CN增加使u值減小,員工群體行為狀態(tài)向折疊幅度更小的區(qū)域移動(dòng),在一定程度上也能減少員工行為選擇反轉(zhuǎn)。由圖15(a)中箭頭③可見,當(dāng)k=1時(shí),CN增加使u、v值增大,增加員工群體內(nèi)的行為選擇反轉(zhuǎn),使員工群體更不穩(wěn)定。由圖15(a)中箭頭②可見,當(dāng)N=400時(shí),CP和NCP與u、v負(fù)相關(guān),CN在k=1.1時(shí)與u、v負(fù)相關(guān),CP、NCP和CN在上述對(duì)應(yīng)情況中增加使u、v值減小,使員工群體行為狀態(tài)向折疊幅度更小的下頁移動(dòng),群體中行為選擇反轉(zhuǎn)的員工數(shù)量可能驟減,隨后員工群體行為狀態(tài)更穩(wěn)定。

由15(b)中箭頭①可知,當(dāng)N=600時(shí),NCP和CN與u、v負(fù)相關(guān),CP在k=1.1時(shí)也與u、v負(fù)相關(guān),CP、NCP和CN在上述對(duì)應(yīng)情況中增加都使u、v值減小,使員工群體行為狀態(tài)向折疊幅度更小的下頁移動(dòng),群體中行為選擇反轉(zhuǎn)的員工數(shù)量可能突然減少,隨后員工群體更穩(wěn)定。由圖15(b)箭頭②可見,當(dāng)N=600時(shí),CP在k≤1時(shí)與u、v正相關(guān),CP增加使員工群體行為狀態(tài)f朝平衡曲面上葉移動(dòng),提高員工行為選擇反轉(zhuǎn)的概率,使員工群體更不穩(wěn)定。

在技術(shù)密集型場(chǎng)景中,當(dāng)N=400時(shí),首先,智能系統(tǒng)引入后,提高合作員工總收益不僅可以激勵(lì)員工合作,還會(huì)減少員工行為反轉(zhuǎn)的概率,使群體更穩(wěn)定。其次,不合作員工總收益增加雖然可能促使更多員工不合作,但也會(huì)減少員工行為反轉(zhuǎn)的概率,使群體趨于穩(wěn)定。此外,在智能系統(tǒng)引入前,合作員工數(shù)增加會(huì)提高員工行為反轉(zhuǎn)的概率,讓員工群體行為狀態(tài)更不穩(wěn)定;在智能系統(tǒng)引入后,合作員工數(shù)增加使員工群體行為狀態(tài)更穩(wěn)定,智能系統(tǒng)降低合作成本的能力越強(qiáng),合作人數(shù)對(duì)員工群體穩(wěn)定性的影響越不顯著。

當(dāng)N=600時(shí):①在智能系統(tǒng)未引入前,或引入的智能系統(tǒng)可以降低員工合作成本時(shí),合作員工總收益增加會(huì)促使群體中員工行為選擇反轉(zhuǎn)的概率增加,降低員工群體行為狀態(tài)穩(wěn)定性;反而當(dāng)智能系統(tǒng)使員工合作成本升高時(shí),合作員工總收益增加能減少群體中員工行為選擇反轉(zhuǎn)的概率,提高員工群體行為狀態(tài)的穩(wěn)定性。②不合作員工增加雖然不利于員工合作,但不合作員工總收益得到提升,進(jìn)而減少群體中員工行為選擇反轉(zhuǎn)的概率,提高群體穩(wěn)定性。③合作員工增加同樣能使員工群體行為狀態(tài)更穩(wěn)定,避免其發(fā)生突變。

與N=400相比,當(dāng)N=600時(shí),不同k值下CP對(duì)控制變量u、v的擬合系數(shù)均有所增加,表明在技術(shù)密集型場(chǎng)景中,隨著員工數(shù)量增加,合作員工總收益增加對(duì)群體穩(wěn)定性造成的負(fù)面影響逐漸增強(qiáng)。

4.4 突變分析小結(jié)

本節(jié)利用Cuspfit對(duì)不同場(chǎng)景下不同規(guī)模的員工群體行為狀態(tài)的突變機(jī)制進(jìn)行了分析,發(fā)現(xiàn)每種場(chǎng)景中員工群體的行為選擇均存在突變。由于使用方法和擬合變量都是相同的,所以不同場(chǎng)景中員工群體行為狀態(tài)在不同情況下的突變與反轉(zhuǎn)機(jī)制是類似的,突變擬合結(jié)果都是相通的,只是變量的顯著性和擬合出的系數(shù)值有所不同。

當(dāng)群體規(guī)模為200時(shí),合作員工總收益CP與不合作員工總收益NCP對(duì)群體行為選擇無顯著影響。在勞動(dòng)密集型場(chǎng)景中,如果智能系統(tǒng)不能顯著減少員工合作成本(k≥0.8),合作員工數(shù)CN增加可以降低員工群體行為狀態(tài)突變的概率;而在技術(shù)密集型場(chǎng)景中,CN增加會(huì)提高員工群體行為狀態(tài)發(fā)生突變的風(fēng)險(xiǎn)。

當(dāng)群體規(guī)模為400時(shí),在勞動(dòng)密集型場(chǎng)景中,提高合作員工總收益在促使更多員工合作的同時(shí)也增加了群體中員工行為反轉(zhuǎn),使群體更不穩(wěn)定。當(dāng)智能系統(tǒng)降低合作成本(01)時(shí),不合作員工總收益越高,群體行為狀態(tài)越穩(wěn)定,而合作員工數(shù)CN增加會(huì)增加員工群體的不穩(wěn)定性。在技術(shù)密集型場(chǎng)景中,合作員工總收益和不合作員工總收益增加不僅能促使員工合作,還能使群體合作狀態(tài)更穩(wěn)定。在智能系統(tǒng)沖擊下,合作員工數(shù)增加能使群體行為狀態(tài)更穩(wěn)定,而且k值越小,系統(tǒng)積極作用越大,合作員工數(shù)對(duì)群體的影響就越不明顯。

當(dāng)群體規(guī)模為600時(shí),在勞動(dòng)密集型場(chǎng)景中,提高合作員工總收益會(huì)增加群體中員工行為選擇反轉(zhuǎn),使員工群體更不穩(wěn)定,而提高不合作員工總收益也會(huì)降低群體狀態(tài)的穩(wěn)定性,只有員工合作成本因智能系統(tǒng)而增加時(shí)(k=1.1),不合作員工總收益增加能減少員工行為反轉(zhuǎn)。未引入智能系統(tǒng)前(k=1),合作員工數(shù)增加讓員工群體行為狀態(tài)更穩(wěn)定;引入智能系統(tǒng)后,合作員工數(shù)增加可能增加員工群體內(nèi)個(gè)體行為反轉(zhuǎn),也可能使其減少。在技術(shù)密集型場(chǎng)景中,如果智能系統(tǒng)增加合作成本(k=1.1),合作員工總收益增加能使群體行為狀態(tài)更穩(wěn)定,其他情況下合作員工總收益增加同樣會(huì)加劇群體中員工行為選擇反轉(zhuǎn)。不合作員工總收益和合作員工數(shù)量增加都可以減少員工群體中個(gè)體的行為反轉(zhuǎn),使員工群體更穩(wěn)定。

對(duì)本文中的博弈模型、仿真模型和突變擬合結(jié)合分析可知:

(1)本文對(duì)現(xiàn)有研究在智能系統(tǒng)介入的兩種場(chǎng)景中進(jìn)行了補(bǔ)充和擴(kuò)展,發(fā)現(xiàn)智能系統(tǒng)(影響因子k)對(duì)合作員工總收益、不合作員工總收益和合作員工數(shù)在不同場(chǎng)景中作用的影響。改善工作環(huán)境、提高員工收益等激勵(lì)因素能激勵(lì)其努力工作[8]。在引入類似ERP的智能系統(tǒng)后,員工收益增加也能促進(jìn)員工與系統(tǒng)以及其他員工協(xié)同合作[22]。引入智能系統(tǒng)后,合作員工總收益對(duì)小規(guī)模員工群體的穩(wěn)定性無顯著影響。群體規(guī)模增大后,在勞動(dòng)密集型場(chǎng)景中,合作員工總收益除了激勵(lì)作用,還作為不穩(wěn)定因素影響群體合作狀態(tài),k值越小,對(duì)群體穩(wěn)定性的擾動(dòng)越大。在技術(shù)密集型場(chǎng)景中,合作員工總收益對(duì)員工群體合作行為同時(shí)有激勵(lì)和穩(wěn)定作用。因此,為避免員工群體狀態(tài)的劇變,企業(yè)構(gòu)建智能系統(tǒng)既要注重運(yùn)作效率和員工滿意度與收益的提升,也應(yīng)關(guān)注員工群體穩(wěn)定性的變化。

(2)通過仿真和數(shù)據(jù)擬合在不同場(chǎng)景中驗(yàn)證了現(xiàn)有研究結(jié)論,并引入了智能系統(tǒng)(影響因子k)的作用。研究指出,企業(yè)智能系統(tǒng)介入時(shí),合作員工能創(chuàng)造認(rèn)知優(yōu)勢(shì),改善薪酬與群體不穩(wěn)定性等保健因素[45];但也會(huì)提高工作烈度,使員工工作難度加大,給企業(yè)和員工帶來負(fù)面影響[46]。技術(shù)密集型企業(yè)在智能系統(tǒng)沖擊下,不合作員工總收益作為保健因素可以使員工群體更穩(wěn)定。而在勞動(dòng)密集型場(chǎng)景中,智能系統(tǒng)可以降低合作成本,不合作員工總收益作為保健因素,其值增加會(huì)促使群體行為狀態(tài)更不穩(wěn)定。隨著k值增大,雖然智能系統(tǒng)的消極作用增強(qiáng),但此時(shí)不合作員工總收益增加能使群體行為狀態(tài)更穩(wěn)定。因此,勞動(dòng)密集型企業(yè)智能系統(tǒng)降低合作成本后應(yīng)控制不合作員工總收益增長(zhǎng),將其保持在較低水平,由此激勵(lì)員工合作,同時(shí)維持員工群體穩(wěn)定。

(3)在智能系統(tǒng)沖擊下的兩個(gè)不同場(chǎng)景中對(duì)現(xiàn)有結(jié)論做了補(bǔ)充和延伸。研究表明,員工所處工作環(huán)境與其他個(gè)體的影響作為保健因素,得到改善后能顯著提高員工滿意度,促使員工認(rèn)真合作[47]。合作員工數(shù)可視為保健因素中的工作環(huán)境因素,勞動(dòng)密集型企業(yè)引入智能系統(tǒng)后,合作員工數(shù)增加,工作環(huán)境因素改善的同時(shí)卻使員工群體變得更加動(dòng)蕩,而在技術(shù)密集型企業(yè)中,構(gòu)建智能系統(tǒng)后合作員工數(shù)增加能減少群體中改變行為的員工,使群體更穩(wěn)定,工作環(huán)境進(jìn)一步改善,形成良性循環(huán)。k值越小,智能系統(tǒng)降低合作成本的能力越大,合作員工數(shù)對(duì)員工群體行為狀態(tài)穩(wěn)定性的影響就越不明顯?？梢?技術(shù)密集型企業(yè)引入智能系統(tǒng)獲得的優(yōu)勢(shì)比勞動(dòng)密集型企業(yè)更大。

此外,研究表明,多智能體模型的運(yùn)行結(jié)果對(duì)智能體的數(shù)量變化比較敏感[48],本文在智能系統(tǒng)沖擊下的企業(yè)場(chǎng)景中驗(yàn)證和擴(kuò)展了這一結(jié)論。在勞動(dòng)密集型場(chǎng)景中,隨著員工群體規(guī)模擴(kuò)大,不合作員工總收益與合作員工數(shù)量對(duì)員工群體行為狀態(tài)的影響更多變,使員工群體在其影響下更不穩(wěn)定,隨著員工數(shù)量增加,合作員工總收益增加對(duì)員工群體穩(wěn)定性造成負(fù)面影響逐漸減弱。在技術(shù)密集型場(chǎng)景中,員工群體規(guī)模擴(kuò)大后上述兩者增加可以更大程度減少群體中員工的行為反轉(zhuǎn),使群體更穩(wěn)定;但是員工數(shù)量增加后,合作員工總收益增加對(duì)員工群體穩(wěn)定性造成負(fù)面影響會(huì)逐漸變強(qiáng)。本文還擴(kuò)展了智能系統(tǒng)對(duì)技術(shù)密集型企業(yè)的正向影響大于勞動(dòng)密集型企業(yè)的研究結(jié)論[49],智能系統(tǒng)對(duì)員工群體激勵(lì)因素與保健因素的影響會(huì)隨著場(chǎng)景和員工規(guī)模改變。

5 結(jié)語

本文將理論模型、仿真模型和數(shù)據(jù)擬合相結(jié)合,自下而上地對(duì)員工個(gè)體博弈機(jī)制和員工群體行為狀態(tài)反轉(zhuǎn)進(jìn)行了研究。首先分析得出不同情況下員工個(gè)體博弈的納什均衡;然后利用仿真模型模擬勞動(dòng)密集型場(chǎng)景和技術(shù)密集型場(chǎng)景中員工群體行為狀態(tài)的演化;最后,對(duì)仿真模型生成數(shù)據(jù)進(jìn)行擬合,發(fā)現(xiàn)并分析了員工群體行為狀態(tài)演化中暗含的突變機(jī)制,以及不同變量對(duì)員工群體行為狀態(tài)反轉(zhuǎn)的不同影響。

本文理論意義體現(xiàn)在以下3個(gè)方面:

(1)將博弈模型、元胞自動(dòng)機(jī)和尖點(diǎn)突變模型相結(jié)合,從理論和模型的視角研究了智能系統(tǒng)沖擊下,員工個(gè)體與群體的合作行為選擇與突變機(jī)制。研究結(jié)果雖然尚未得到現(xiàn)實(shí)數(shù)據(jù)驗(yàn)證,但為行為選擇研究提出新的思路框架,在其他勞動(dòng)密集型或技術(shù)密集型企業(yè)場(chǎng)景中,這種框架也能用于研究群體不同行為的總收益,以及選擇不同行為的員工數(shù)量對(duì)群體行為狀態(tài)的影響機(jī)制,對(duì)未來相關(guān)研究起到示范與指導(dǎo)作用。

(2)發(fā)現(xiàn)并驗(yàn)證了智能系統(tǒng)中不同規(guī)模的員工群體合作行為的尖點(diǎn)突變機(jī)制,進(jìn)一步證實(shí)了智能系統(tǒng)對(duì)企業(yè)影響的兩面性,可以用于分析各類勞動(dòng)密集型或技術(shù)密集型企業(yè)情境下,員工群體行為演化中的突變機(jī)制,探究影響群體行為突變的關(guān)鍵因素,為智能環(huán)境中員工群體行為突變與反轉(zhuǎn)的研究提供了新方法。

(3)分析了不同場(chǎng)景下,智能系統(tǒng)對(duì)員工個(gè)體和群體激勵(lì)因素與保健因素的影響,在數(shù)字化背景下為激勵(lì)-保健理論開辟新的發(fā)展前景。

本文實(shí)踐意義體現(xiàn)在以下4個(gè)方面:

(1)在智能系統(tǒng)沖擊下,不同規(guī)模的員工群體行為狀態(tài)演化中都暗含突變。員工更多的大企業(yè)尤其需要注意合作員工總收益、不合作員工總收益以及合作員工數(shù)量等因素對(duì)員工群體行為狀態(tài)穩(wěn)定性的影響。

(2)企業(yè)構(gòu)建智能系統(tǒng)后一味降低合作成本不一定促進(jìn)員工個(gè)體合作。此外,員工群體行為演化看似波動(dòng)較小,實(shí)則暗含大量員工行為反轉(zhuǎn)。因此,管理者需保持智能系統(tǒng)收益、成本等因素之間的平衡,維持員工群體的穩(wěn)定。

(3)在以立訊精密為代表的勞動(dòng)密集型企業(yè)中,智能系統(tǒng)能讓更多員工合作,但也會(huì)讓員工群體穩(wěn)定性越低,使員工離職率不斷升高;在以騰訊為代表的技術(shù)密集型企業(yè)中,智能系統(tǒng)能激勵(lì)員工合作并讓員工群體的合作狀態(tài)更穩(wěn)定。因此,勞動(dòng)密集型企業(yè)在數(shù)字化轉(zhuǎn)型并構(gòu)建智能系統(tǒng)時(shí),除了關(guān)注企業(yè)效率,還應(yīng)關(guān)注員工群體收益,同時(shí)進(jìn)行產(chǎn)業(yè)升級(jí),向技術(shù)密集型企業(yè)靠攏,擺脫智能系統(tǒng)的負(fù)面影響。

(4)企業(yè)構(gòu)建智能系統(tǒng)后,僅僅改善激勵(lì)與保健因素也會(huì)給企業(yè)發(fā)展帶來問題。例如,技術(shù)密集型企業(yè)提高合作員工總收益導(dǎo)致員工行為反轉(zhuǎn)增加,員工群體更不穩(wěn)定。

本文研究存在不足。例如:未引入現(xiàn)實(shí)數(shù)據(jù),與現(xiàn)實(shí)聯(lián)系需要加強(qiáng);進(jìn)行模型仿真時(shí),對(duì)兩種不同的現(xiàn)實(shí)情況進(jìn)行了抽象和簡(jiǎn)化,使其存在一定的局限性;未考慮員工之間更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)。后續(xù)研究可以引入真實(shí)企業(yè)數(shù)據(jù),用理論模型解釋數(shù)據(jù)規(guī)律,用數(shù)據(jù)證明模型的有效性,同時(shí),在現(xiàn)有模型基礎(chǔ)上進(jìn)行改進(jìn)調(diào)整,研究更多現(xiàn)實(shí)場(chǎng)景中智能系統(tǒng)的影響,還可以分析當(dāng)員工群體網(wǎng)絡(luò)結(jié)構(gòu)更復(fù)雜時(shí),企業(yè)智能系統(tǒng)對(duì)其的影響。

附錄A

2.1 節(jié)結(jié)論證明

由表1的博弈收益矩陣可知,當(dāng)員工2選擇合作,此時(shí)員工1合作收益為b-kc,不合作收益為b-δ。若b-kc>b-δ,即k>δ/c,此時(shí)員工1將選擇合作,反之員工1將選擇不合作。同理,當(dāng)員工1選擇合作時(shí),員工2會(huì)按照同樣的判斷方式選擇自身行為。

當(dāng)員工2選擇不合作,則員工1合作收益為b-c,不合作收益為0。若b-c>0,此時(shí)員工1將選擇合作,反之員工1將選擇不合作。同理,當(dāng)員工1選擇不合作時(shí),員工2會(huì)按照同樣的判斷方式選擇自身行為。

由此可知,當(dāng)k>δ/c,b-c>0時(shí),不管博弈一方選擇行為,另一方都會(huì)選擇合作行為,此時(shí)博弈雙方達(dá)成(合作,合作)納什均衡。由于k,c>0,k>δ/c等價(jià)于c>δ/k,可得k、b、c和δ滿足b>c>δ/k。同理,當(dāng)k>δ/c,b-c≤0時(shí),博弈一方選擇什么行為,另一方都會(huì)選擇與之相同的行為,此時(shí)博弈雙方達(dá)成(合作,合作)和(不合作,不合作)納什均衡;當(dāng)k≤δ/c,b-c>0時(shí),博弈一方選擇什么行為,另一方都會(huì)選擇與之相反的行為,此時(shí)博弈雙方達(dá)成(合作,不合作)和(不合作,合作)納什均衡;當(dāng)k≤δ/c,b-c≤0時(shí),不管博弈一方選擇什么行為,另一方都會(huì)選擇不合作行為,此時(shí)博弈雙方達(dá)成(不合作,不合作)納什均衡。因此,k≤δ/c等價(jià)于c≤δ/k,可得k、b、c和δ滿足b≤c≤δ/k。

結(jié)論得證。

附錄B

Cuspfit工具包的擬合原理簡(jiǎn)介

在式(3)中,f為系統(tǒng)狀態(tài)的連續(xù)狀態(tài)變量。假設(shè)有一組因變量Z1,Z2,…,Zm,f可寫為

式中,ω0,ω1,…,ωm為f的回歸多項(xiàng)式系數(shù)。u、v為系統(tǒng)中控制因素的連續(xù)控制變量,假設(shè)有已知的或測(cè)量的自變量X1,X2,…,Xn和Y1,Y2,…,Yk,則u、v可依次寫為:

式中,α0,α1,…,αn和β0,β1,…,βk分別為控制變量u、v的回歸多項(xiàng)式系數(shù)。Cuspfit工具包通過擬合系數(shù)ω0,ω1,…,ωm,α0,α1,…,αn,β0,β1,…,βk的值來間接擬合式(3)表示的尖點(diǎn)突變模型。