[摘要]算法控制作為數(shù)字時(shí)代的新型管理模式，正在全球企業(yè)組織中得到廣泛的應(yīng)用。尤其在零工經(jīng)濟(jì)領(lǐng)域，算法的深度滲透已引發(fā)零工工作者勞動(dòng)過(guò)程的系統(tǒng)性變革。以自我調(diào)節(jié)理論與勞動(dòng)過(guò)程理論的控制抵制框架為基礎(chǔ)，在外賣(mài)騎手群體中檢驗(yàn)零工工作者感知算法控制與逆算法行為之間的非線性關(guān)聯(lián)，并揭示上述關(guān)系的內(nèi)在機(jī)制和邊界條件?；?85份有效問(wèn)卷調(diào)查數(shù)據(jù)發(fā)現(xiàn)，零工工作者感知算法控制與工作壓力、逆算法行為呈“U”形關(guān)系，工作壓力在感知算法控制與逆算法行為的“U”形關(guān)系中起中介作用；成就動(dòng)機(jī)分別調(diào)節(jié)感知算法控制與工作壓力、逆算法行為的“U”形關(guān)系。

[關(guān)鍵詞]感知算法控制；逆算法行為；成就動(dòng)機(jī)；工作壓力

一、 引言

近年來(lái)，機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘與人工智能技術(shù)的迭代升級(jí)推動(dòng)算法技術(shù)向多行業(yè)縱深發(fā)展。通過(guò)大數(shù)據(jù)分析與智能建模，算法技術(shù)幫助企業(yè)優(yōu)化供應(yīng)鏈管理、提升市場(chǎng)預(yù)測(cè)精度、精準(zhǔn)響應(yīng)客戶(hù)需求，從而顯著提高運(yùn)營(yíng)效率和決策質(zhì)量[1]；同時(shí)，算法驅(qū)動(dòng)的自動(dòng)化系統(tǒng)通過(guò)人力資本重組與風(fēng)險(xiǎn)控制，提升企業(yè)的整體競(jìng)爭(zhēng)力和創(chuàng)新能力[2]。對(duì)于工作者而言，一方面，引入算法的任務(wù)分配機(jī)制大幅減少了重復(fù)性工作的時(shí)間投入，使其能夠?qū)Ｗ⒂诟邉?chuàng)造性和戰(zhàn)略性的任務(wù)[3]；另一方面，算法提供的精準(zhǔn)數(shù)據(jù)分析和實(shí)時(shí)反饋機(jī)制，有助于快速了解其自身績(jī)效和改進(jìn)方向，從而不斷提升技能和工作表現(xiàn)[4]。

然而，隨著算法控制在企業(yè)管理中的結(jié)構(gòu)性嵌入與治理邊界的模糊化，其對(duì)工作者的負(fù)面影響逐漸顯現(xiàn)。算法機(jī)械式的運(yùn)行邏輯缺乏對(duì)個(gè)體情境和情感的敏感性，這種非人格化的管控機(jī)制不僅加劇了工作場(chǎng)所的監(jiān)控密度，更導(dǎo)致工作者產(chǎn)生強(qiáng)烈的異化體驗(yàn)，進(jìn)而誘發(fā)職業(yè)倦怠與工作疏離感[5]。算法控制中預(yù)設(shè)的標(biāo)準(zhǔn)化操作框架則僅允許工作者在“限度”之內(nèi)處理任務(wù)，嚴(yán)重壓縮了工作者的思維彈性。長(zhǎng)期處于“系統(tǒng)預(yù)設(shè)—被動(dòng)執(zhí)行”循環(huán)中的工作者逐漸喪失自主性與創(chuàng)造性[4]。技術(shù)規(guī)訓(xùn)的深化還暴露了算法黑箱的治理困境，算法的不透明性及可解釋性問(wèn)題引發(fā)了工作者對(duì)算法決策過(guò)程公正性的質(zhì)疑；當(dāng)績(jī)效評(píng)估偏差或任務(wù)分配爭(zhēng)議反復(fù)發(fā)生時(shí)，持續(xù)的信任危機(jī)最終演化為組織凝聚力的下降與人員的流失[6]。

值得注意的是，有研究發(fā)現(xiàn)，面對(duì)具有實(shí)施主體模糊及實(shí)施范圍全覆蓋特征的算法控制[7]，工作者積累的消極認(rèn)知與負(fù)面情緒會(huì)促使其采取策略性規(guī)避行為。這一現(xiàn)象在決策層面表現(xiàn)為管理者基于經(jīng)驗(yàn)直覺(jué)而非算法建議進(jìn)行決策[8]，在操作層面則表現(xiàn)為工作者對(duì)算法生成的工作規(guī)劃與績(jī)效評(píng)估系統(tǒng)采取選擇性忽視[9]。在算法深度嵌入的零工經(jīng)濟(jì)體系中，工作者甚至可能發(fā)揮主觀能動(dòng)性對(duì)算法控制進(jìn)行抵制[7]。如，經(jīng)驗(yàn)豐富的網(wǎng)約車(chē)司機(jī)基于路況經(jīng)驗(yàn)自主選擇行駛路線而拒絕遵循算法指定的路線[10]，即時(shí)配送騎手會(huì)通過(guò)與商家合作進(jìn)行虛假下單以獲得更多報(bào)酬，或是通過(guò)與顧客協(xié)商偽造好評(píng)以影響算法評(píng)級(jí)[11]。由此可見(jiàn)，在算法驅(qū)動(dòng)的新型組織形態(tài)下，當(dāng)算法控制持續(xù)引發(fā)工作者負(fù)面心理反應(yīng)時(shí)，個(gè)體可能采取非組織化、非制度化的隱蔽對(duì)抗策略，這種獨(dú)特的抵制形式被學(xué)界定義為“逆算法行為”[12]。

在勞動(dòng)力價(jià)值重塑與算法賦能的時(shí)代，企業(yè)的核心競(jìng)爭(zhēng)力直接關(guān)聯(lián)工作者工作效率與服務(wù)品質(zhì)[13]。算法控制雖能提升運(yùn)營(yíng)效率，卻可能因工作者的逆算法行為而使服務(wù)質(zhì)量受損，因此厘清工作者算法感知機(jī)制及其應(yīng)對(duì)策略的重要性日益凸顯[9]?；诖?，本文依據(jù)自我調(diào)節(jié)理論與勞動(dòng)過(guò)程理論的控制抵制框架，以零工工作者為研究對(duì)象，深入探討零工工作者感知算法控制對(duì)逆算法行為的影響機(jī)制。在理論層面作出以下四個(gè)方面的貢獻(xiàn)：首先，深化對(duì)逆算法行為成因的認(rèn)知。學(xué)界與業(yè)界已普遍注意到逆算法行為的存在，相關(guān)研究在概念內(nèi)涵界定與測(cè)量工具開(kāi)發(fā)方面取得顯著進(jìn)展[14]，但關(guān)于其形成機(jī)理的探討仍處于起步階段[15]。其次，驗(yàn)證感知算法控制存在“U”形非線性影響，突破傳統(tǒng)線性假設(shè)的局限[16]。再次，構(gòu)建“感知算法控制→工作壓力→逆算法行為”的傳導(dǎo)鏈條，揭示工作壓力的中介效應(yīng)，打開(kāi)感知算法控制與逆算法行為之間的“黑箱”，解釋工作者消極應(yīng)對(duì)算法控制的心理路徑。最后，從成就動(dòng)機(jī)視角研究感知算法控制對(duì)逆算法行為的作用邊界，構(gòu)建更具解釋力的情境化理論模型，為算法管理系統(tǒng)的人本化設(shè)計(jì)提供理論支撐。

二、 理論基礎(chǔ)與研究假設(shè)

1. 零工工作者感知算法控制與工作壓力之間的關(guān)系

算法控制是指使用算法等數(shù)字技術(shù)對(duì)組織內(nèi)外決策過(guò)程與行為模式進(jìn)行引導(dǎo)、監(jiān)督及調(diào)節(jié)的治理機(jī)制[17]。以滴滴、美團(tuán)為代表的平臺(tái)企業(yè)通過(guò)在線勞動(dòng)平臺(tái)整合零工勞動(dòng)力資源，并深度運(yùn)用算法技術(shù)實(shí)現(xiàn)工作調(diào)度、績(jī)效評(píng)估與報(bào)酬計(jì)算的全流程管理。Kellogg等系統(tǒng)歸納了零工領(lǐng)域中算法的六項(xiàng)核心運(yùn)行機(jī)制，包括工作游戲化、限制工作者行為等[7]。感知算法控制特指工作者對(duì)算法實(shí)施的實(shí)時(shí)動(dòng)態(tài)監(jiān)管體系（含規(guī)范指導(dǎo)、追蹤評(píng)估與行為約束）的認(rèn)知程度[18]，該感知反映了零工工作者對(duì)平臺(tái)規(guī)則體系的理解與價(jià)值判斷，并對(duì)其行為決策產(chǎn)生深刻影響[19]。現(xiàn)有研究表明，感知算法控制顯著作用于工作者行為模式、績(jī)效產(chǎn)出及健康狀況[16]，但鮮有研究涉及其對(duì)零工工作者工作壓力的動(dòng)態(tài)影響機(jī)制。

在零工經(jīng)濟(jì)發(fā)展初期，平臺(tái)企業(yè)多采用基于簡(jiǎn)單模型的初級(jí)算法系統(tǒng)。該階段算法主要依據(jù)歷史均值設(shè)定任務(wù)標(biāo)準(zhǔn)時(shí)長(zhǎng)，既無(wú)法實(shí)現(xiàn)個(gè)體技能差異（技能熟練度等）的精準(zhǔn)識(shí)別，也缺乏對(duì)工作條件（訂單狀態(tài)、天氣狀況等）動(dòng)態(tài)變化的適應(yīng)性調(diào)整。與此同時(shí)，由于算法作為新興技術(shù)尚處探索階段，平臺(tái)普遍存在規(guī)范指引缺失與決策透明度不足等問(wèn)題。這種技術(shù)與制度的雙重局限導(dǎo)致零工工作者既難以獲取算法決策的完整信息，也缺乏理解系統(tǒng)運(yùn)行邏輯的必要知識(shí)基礎(chǔ)，因而屬于感知較低程度的算法控制。在此階段，工作者對(duì)調(diào)整工作的方向和方式感到無(wú)所適從，且無(wú)法準(zhǔn)確判斷努力是否能夠得到公正的回報(bào)。這種工作穩(wěn)定性與收入預(yù)期的雙重不確定性，最終導(dǎo)致工作壓力顯著增加。

隨著技術(shù)進(jìn)步與制度環(huán)境優(yōu)化，平臺(tái)企業(yè)逐步構(gòu)建起更具彈性和透明度的智能算法體系。新型算法架構(gòu)通過(guò)時(shí)空數(shù)據(jù)建模與動(dòng)態(tài)優(yōu)化算法，串聯(lián)起工作時(shí)段、地理位置隨機(jī)分布的零工工作者，高效匹配市場(chǎng)需求、優(yōu)化勞動(dòng)力資源配置，顯著提升零工工作者的工作效率和收入[20]。更規(guī)范化的算法指導(dǎo)意味著任務(wù)分配和報(bào)酬計(jì)算過(guò)程更可預(yù)測(cè)，零工工作者可以更清晰地理解算法的運(yùn)作邏輯，其感知算法控制程度相應(yīng)提高。此時(shí)，零工工作者通過(guò)提高經(jīng)濟(jì)效益和對(duì)工作過(guò)程的掌控感有效緩解工作壓力。

然而，隨著平臺(tái)企業(yè)愈加注重效率和客戶(hù)服務(wù)體驗(yàn)，算法通過(guò)不斷縮短任務(wù)時(shí)長(zhǎng)，并輔以嚴(yán)格的懲罰機(jī)制（如封號(hào)、扣薪、取消優(yōu)先接單權(quán)等）構(gòu)建高強(qiáng)度規(guī)訓(xùn)體系，導(dǎo)致零工工作者算法控制感知持續(xù)強(qiáng)化[21]。這種“算法鐐銬”效應(yīng)迫使零工工作者參與“趕工游戲”：零工工作者為維持平臺(tái)評(píng)級(jí)而不得不長(zhǎng)期處于高壓力、快節(jié)奏的工作狀態(tài)，造成身心資源的嚴(yán)重耗損。此外，算法通過(guò)實(shí)時(shí)定位追蹤、行為數(shù)據(jù)采集等技術(shù)手段構(gòu)建“全景監(jiān)控”機(jī)制，實(shí)質(zhì)上違背了在線勞動(dòng)平臺(tái)倡導(dǎo)的靈活性和自主性原則；強(qiáng)控制的監(jiān)督模式不僅剝奪了零工工作者對(duì)工作過(guò)程的控制權(quán)，侵犯了零工工作者的個(gè)人隱私[22]，還削弱了零工工作者對(duì)平臺(tái)的信任，引發(fā)反感、抵觸等負(fù)面情緒。此時(shí)，零工工作者可能被迫“積極”工作來(lái)規(guī)避監(jiān)管系統(tǒng)的負(fù)面評(píng)價(jià)，然而，持續(xù)性的非自愿勞動(dòng)投入不僅難以提升工作效率，反而會(huì)加劇工作壓力，最終形成“高投入—低效能—負(fù)情緒”的惡性循環(huán)。

綜上，零工工作者的工作壓力隨著感知算法控制的增強(qiáng)呈先降低后上升的態(tài)勢(shì)，據(jù)此，本研究提出以下假設(shè)：

H1：零工工作者感知算法控制對(duì)工作壓力的影響具有正“U”形變化特征。

2. 零工工作者工作壓力在感知算法控制對(duì)逆算法行為的影響關(guān)系中發(fā)揮中介作用

勞動(dòng)過(guò)程理論中的控制抵制框架揭示了組織控制與工作者抵制行為之間的動(dòng)態(tài)關(guān)系。組織為了提高效率和生產(chǎn)力、應(yīng)對(duì)不確定性，通過(guò)制度化手段持續(xù)強(qiáng)化對(duì)勞動(dòng)過(guò)程的控制，而具有主體性的工作者在面對(duì)雇主的嚴(yán)格控制時(shí)并非消極接受，而是采取相應(yīng)的抵制策略以維護(hù)自主權(quán)、尊嚴(yán)和身份[23]。零工經(jīng)濟(jì)中的工作者在延續(xù)傳統(tǒng)勞動(dòng)者主體性特征的同時(shí)，更發(fā)展出具有技術(shù)賦權(quán)特質(zhì)的抵抗策略：在因算法控制而面臨較大的工作壓力時(shí)，他們憑借在平臺(tái)勞動(dòng)實(shí)踐中積累的算法認(rèn)知，識(shí)別并利用技術(shù)與規(guī)則上的漏洞，通過(guò)技術(shù)手段的巧妙運(yùn)用和規(guī)則的靈活解釋實(shí)施逆算法行為，在與平臺(tái)互動(dòng)中實(shí)現(xiàn)風(fēng)險(xiǎn)的最小化和利益的最大化。具體而言，騎手群體常運(yùn)用外掛程序（如智能搶單軟件）主動(dòng)篩選低價(jià)值訂單，優(yōu)先獲取高價(jià)值訂單機(jī)會(huì)；網(wǎng)約車(chē)司機(jī)則通過(guò)虛擬定位技術(shù)偽造位置信息，將位置定于需求較低的邊緣區(qū)域，在規(guī)避高峰時(shí)段強(qiáng)制派單壓力的同時(shí)，避免因主動(dòng)拒單觸發(fā)的系統(tǒng)懲罰。

綜上，本研究提出以下假設(shè)：

H2：零工工作者工作壓力正向影響逆算法行為。

郭彤梅等指出，零工工作者并非算法控制的被動(dòng)接受者，而是處在與算法的動(dòng)態(tài)互動(dòng)中通過(guò)不斷的博弈尋求自身利益最大化的積極參與者[20]，因此零工工作者對(duì)算法控制的不同感知會(huì)觸發(fā)差異化的行為響應(yīng)機(jī)制。

當(dāng)感知到算法控制程度過(guò)低時(shí)，單一且不透明的算法使零工工作者感受到較大的工作壓力，工作者采取人為延長(zhǎng)服務(wù)時(shí)長(zhǎng)等逆算法行為以降低不確定性和不公平感。當(dāng)感知到算法控制程度過(guò)高時(shí)，零工工作者因處于算法的“全景監(jiān)督”中同樣感受到較大的工作壓力，激發(fā)工作者采取利用系統(tǒng)漏洞進(jìn)行刷單套利等逆算法行為以重新獲得自主權(quán)。相反，當(dāng)零工工作者感知到適中的算法控制時(shí)，其工作壓力處于較低水平，傾向于主動(dòng)適應(yīng)算法規(guī)則并減少逆算法行為。根據(jù)自我調(diào)節(jié)理論，個(gè)體在追求目標(biāo)的過(guò)程中會(huì)激活自我調(diào)節(jié)系統(tǒng)，通過(guò)控制環(huán)境引發(fā)的原始反應(yīng)來(lái)選擇有利于目標(biāo)實(shí)現(xiàn)的行為策略[24]。當(dāng)在線勞動(dòng)平臺(tái)采用具備精確性、靈活性特征的算法模型，并配套完善的算法規(guī)范體系時(shí)，零工工作者會(huì)將算法控制機(jī)制內(nèi)化為自我管理工具，使其充分認(rèn)知到算法在提升工作效率、優(yōu)化收入結(jié)構(gòu)方面的積極作用，從而有效緩解工作壓力?；谏鲜稣J(rèn)知轉(zhuǎn)變，零工工作者開(kāi)始主動(dòng)設(shè)計(jì)和采納與算法適配的行為策略：利用算法預(yù)測(cè)交通流量和擁堵情況，動(dòng)態(tài)調(diào)整工作路線；將地理位置相近的任務(wù)進(jìn)行批量處理，顯著降低移動(dòng)成本并提升單位時(shí)間產(chǎn)出；持續(xù)跟蹤算法反饋數(shù)據(jù)，針對(duì)性改進(jìn)服務(wù)方式以提升用戶(hù)評(píng)分，從而形成“服務(wù)質(zhì)量—平臺(tái)評(píng)級(jí)—訂單獲取”的良性循環(huán)。這種策略創(chuàng)新不僅實(shí)現(xiàn)了自我管理的優(yōu)化和工作方式的升級(jí)，更通過(guò)人機(jī)協(xié)同效應(yīng)達(dá)成個(gè)人收益最大化目標(biāo)。

綜上，感知算法控制對(duì)逆算法行為的影響并非簡(jiǎn)單的線性關(guān)系，工作壓力在其中具有中介作用，據(jù)此，本研究提出以下假設(shè)：

H3：零工工作者工作壓力在感知算法控制對(duì)逆算法行為的“U”形影響中具有中介作用。

3. 零工工作者成就動(dòng)機(jī)的調(diào)節(jié)作用

成就動(dòng)機(jī)作為一種內(nèi)在自驅(qū)力，反映了個(gè)體在面對(duì)挑戰(zhàn)性任務(wù)時(shí)，基于成功預(yù)期所展現(xiàn)的目標(biāo)導(dǎo)向性行為和心理特質(zhì)[25]。現(xiàn)有研究表明，零工經(jīng)濟(jì)從業(yè)群體普遍是年齡結(jié)構(gòu)年輕化、教育水平基礎(chǔ)化的“雙低”人群[26]。究其原因，年輕一代的工作者具有更強(qiáng)的風(fēng)險(xiǎn)偏好和職業(yè)探索意愿，對(duì)自我實(shí)現(xiàn)存在更高訴求，而學(xué)歷水平較低的工作者則面臨傳統(tǒng)就業(yè)市場(chǎng)的準(zhǔn)入壁壘。零工經(jīng)濟(jì)通過(guò)構(gòu)建彈性化工作場(chǎng)域，為這類(lèi)群體創(chuàng)造了突破結(jié)構(gòu)性制約、實(shí)現(xiàn)人力資本增值的實(shí)踐空間。因此，分析零工工作者的成就動(dòng)機(jī)有助于揭示其在在線勞動(dòng)平臺(tái)上的獨(dú)特行為特征。

基于自我調(diào)節(jié)理論框架，成就動(dòng)機(jī)的強(qiáng)度差異會(huì)系統(tǒng)性地影響個(gè)體對(duì)算法控制的認(rèn)知與反饋機(jī)制[27]。首先，高成就動(dòng)機(jī)者往往將適度的算法控制內(nèi)化為績(jī)效提升工具。這類(lèi)群體傾向于主動(dòng)適配算法規(guī)則，通過(guò)建構(gòu)性自我調(diào)節(jié)機(jī)制降低工作壓力感知，并有效利用算法反饋優(yōu)化任務(wù)執(zhí)行策略。這種適應(yīng)性行為源于其成功歸因模式——將算法約束重構(gòu)為能力展示平臺(tái)，繼而形成“挑戰(zhàn)—技能”動(dòng)態(tài)平衡。其次，高成就動(dòng)機(jī)強(qiáng)烈的成就導(dǎo)向與自我效能感形成正向強(qiáng)化回路。高動(dòng)機(jī)個(gè)體在面對(duì)算法控制時(shí)展現(xiàn)顯著的心理韌性，能夠通過(guò)即時(shí)策略調(diào)整化解工作壓力，并在持續(xù)的能力驗(yàn)證中鞏固職業(yè)自信。

綜上，本研究提出以下假設(shè)：

H4a：成就動(dòng)機(jī)正向調(diào)節(jié)感知算法控制與逆算法行為的“U”形關(guān)系，使其更陡峭。

H4b：成就動(dòng)機(jī)正向調(diào)節(jié)感知算法控制與工作壓力的“U”形關(guān)系，使其更陡峭。

綜合上述假設(shè)，本研究的理論模型如圖1所示。

三、 研究方法

1. 樣本選擇與數(shù)據(jù)收集

本研究以武漢市外賣(mài)騎手為研究對(duì)象，采用滾雪球抽樣方法開(kāi)展問(wèn)卷調(diào)查。研究團(tuán)隊(duì)首先向36名武漢外賣(mài)騎手當(dāng)面發(fā)放問(wèn)卷并進(jìn)行深度訪談，隨后通過(guò)受訪騎手將問(wèn)卷鏈接推送至其所在的工作微信群開(kāi)展線上調(diào)查。最終共回收問(wèn)卷723份，經(jīng)數(shù)據(jù)清洗后獲得有效樣本585份。所有有效樣本來(lái)自美團(tuán)、餓了么兩大平臺(tái)的在職騎手。人口統(tǒng)計(jì)特征如下：在性別方面，男性為432人，占73.8%；在年齡方面，26至30歲群體占比最大，占41%；在工作年限方面，1至2年群體占比最大，占31.8%；在日訂單量方面，31至40單占比最大，占37.8%；在全職/兼職方面，全職為379人，占比64.8%。

2. 變量測(cè)量

本文使用國(guó)內(nèi)外已有的成熟量表進(jìn)行變量測(cè)量。各變量的測(cè)量采用李克特五點(diǎn)計(jì)分的方式，從“1=非常不同意”到“5=非常同意”。

感知算法控制，采用裴嘉良等[18]開(kāi)發(fā)的感知算法控制量表進(jìn)行測(cè)量。量表包含算法追蹤評(píng)估、算法規(guī)范指導(dǎo)和算法行為約束三個(gè)維度，共6個(gè)條目。本研究中該量表的Cronbach’s α值為0.864。

成就動(dòng)機(jī)，采用葉仁敏等[28]修訂的成就動(dòng)機(jī)量表進(jìn)行測(cè)量，共包含5個(gè)條目。本研究中該量表的Cronbach’s α值為0.888。

工作壓力，采用Cohen等[29]開(kāi)發(fā)的工作壓力量表進(jìn)行測(cè)量，該量表經(jīng)楊廷忠等[30]修訂并翻譯為中文版，共包含5個(gè)條目。本研究中該量表的Cronbach’s α值為0.819。

逆算法行為，選取魏昕等[12]開(kāi)發(fā)的反抗算法量表進(jìn)行測(cè)量，共包含6個(gè)條目。本研究中該量表的Cronbach’s α值為0.897。

參考已有文獻(xiàn)，選擇零工工作者的個(gè)體特征與工作特征兩方面進(jìn)行變量控制，具體包括零工工作者的性別、年齡、工作年限、日訂單量、全職/兼職。

具體量表題項(xiàng)見(jiàn)表1。

四、 研究結(jié)果

1. 共同方法偏差與效度檢驗(yàn)

本文使用SPSS 26.0和Amos 24.0對(duì)問(wèn)卷數(shù)據(jù)進(jìn)行驗(yàn)證性因子分析，檢驗(yàn)各變量間的區(qū)分效度。表2顯示，四因子模型的擬合指標(biāo)最佳，感知算法控制、成就動(dòng)機(jī)、工作壓力、逆算法行為四個(gè)變量之間的區(qū)分效度良好（χ2=194.713，df=203.000，χ2/df=0.959，RMSEA=0.000，CFI=1.000，TLI=1.002，SRMR=0.024）。本研究還通過(guò)ULMC分析法（Unmeasured Latent Methods Factor）檢驗(yàn)了共同方法偏差，結(jié)果表明ULMC模型的擬合指標(biāo)并未優(yōu)于四因子模型，不存在嚴(yán)重的共同方法偏差。

2. 描述性統(tǒng)計(jì)與相關(guān)性分析

本文使用SPSS 26.0對(duì)問(wèn)卷數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)分析，包括各變量的均值、標(biāo)準(zhǔn)差和相關(guān)系數(shù)。表3顯示，感知算法控制平方對(duì)工作壓力（r=0.544，plt;0.01）、逆算法行為（r=0.514，plt;0.01）具有顯著正向影響，工作壓力對(duì)逆算法行為（r=0.758，plt;0.01）同樣具有顯著正向影響。

3. 多重共線性檢驗(yàn)

本文采用方差膨脹因子（VIF）和容差（Tolerance）進(jìn)行多重共線性檢驗(yàn)。結(jié)果表明，感知算法控制、成就動(dòng)機(jī)、工作壓力、逆算法行為四個(gè)變量的VIF均小于5，容差均大于0.1，因此不存在嚴(yán)重的多重共線性。

4. 假設(shè)檢驗(yàn)

（1）主效應(yīng)檢驗(yàn)

本文使用SPSS 26.0進(jìn)行回歸分析，并通過(guò)三步法（自變量的二次項(xiàng)系數(shù)顯著為正，自變量取最小值時(shí)曲線的斜率為負(fù)、自變量取最大值時(shí)曲線的斜率為正，曲線的拐點(diǎn)位于自變量的取值范圍內(nèi)）檢驗(yàn)感知算法控制和逆算法行為之間的“U”形關(guān)系[31]。表4顯示，在模型5的基礎(chǔ)上引入感知算法控制平方項(xiàng)后，模型6的擬合優(yōu)度得到顯著改善（ΔR2=0.256，plt;0.001）。第一步，模型6結(jié)果顯示感知算法控制平方項(xiàng)對(duì)逆算法行為具有顯著正向影響（b=0.649，plt;0.001）。第二步，構(gòu)建感知算法控制（X）與逆算法行為（Y）的回歸方程：Y=b0+b1X+b2X2，斜率方程：S=b1+2b2X。經(jīng)過(guò)均值中心化的X取值范圍為[-2.075，2.392]，b1=0.012，b2=0.649，當(dāng)X=-2.075時(shí)，S=-2.681；當(dāng)X=2.392時(shí)，S=3.117。第三步，X的拐點(diǎn)為（-b1/2b2）=-0.009，位于X的取值范圍內(nèi)。綜上，感知算法控制與逆算法行為呈“U”形關(guān)系。進(jìn)一步采用STATA的utest命令檢驗(yàn)發(fā)現(xiàn)，感知算法控制與逆算法行為“U”形關(guān)系的p值小于0.001；當(dāng)感知算法控制未中心化時(shí)，一次項(xiàng)系數(shù)為-3.611，二次項(xiàng)系數(shù)為0.610，拐點(diǎn)（-3.611/2×0.610）=2.960落在[1，5]的數(shù)據(jù)范圍內(nèi)，驗(yàn)證了“U”形關(guān)系的穩(wěn)健性。

進(jìn)一步檢驗(yàn)感知算法控制和工作壓力之間的U形關(guān)系。在模型1的基礎(chǔ)上引入感知算法控制平方項(xiàng)后，模型2的擬合優(yōu)度得到顯著改善（ΔR2=0.276，plt;0.001）。第一步，在模型2中，模型6結(jié)果顯示感知算法控制平方項(xiàng)對(duì)工作壓力具有顯著正向影響（b=0.604，plt;0.001）。第二步，構(gòu)建感知算法控制（X）與工作壓力（M）的回歸方程：M=b0+b3X+b4X2，斜率方程：S=b3+2b4X2。在模型2中，b3=-0.04，b4=0.604，當(dāng)X=-2.075時(shí)，S=-2.547；當(dāng)X=2.392時(shí)，S=2.850。第三步，X的拐點(diǎn)為（-b3/2b4）=0.033，位于X的取值范圍內(nèi)。綜上，感知算法控制與工作壓力呈“U”形關(guān)系。進(jìn)一步采用STATA的utest命令檢驗(yàn)發(fā)現(xiàn)，感知算法控制與工作壓力“U”形關(guān)系的p值小于0.001；當(dāng)感知算法控制未中心化時(shí)，一次項(xiàng)系數(shù)為-3.515，二次項(xiàng)系數(shù)為0.586，拐點(diǎn)為（-3.515/2×0.586）=2.999落在[1，5]的數(shù)據(jù)范圍內(nèi)，驗(yàn)證了“U”形關(guān)系的穩(wěn)健性。因此，H1得到支持。（2）工作壓力的中介效應(yīng)檢驗(yàn)

本文使用開(kāi)發(fā)的曲線中介宏（MEDCURVE）重復(fù)抽取5000個(gè)Bootstrap樣本檢驗(yàn)中介模型中的瞬時(shí)間接效應(yīng)（Instantaneous Indirect Effects）[32]。結(jié)果顯示，感知算法控制與工作壓力不存在顯著關(guān)系（b=-0.884，SE=0.230，pgt;0.1），感知算法控制平方項(xiàng)對(duì)工作壓力有顯著的正向影響（b=0.156，SE=0.038，plt;0.001），工作壓力對(duì)逆算法行為有顯著的正向影響（b=0.767，SE=0.036，plt;0.001），H2得到支持。

進(jìn)一步計(jì)算了在不同的感知算法控制水平下（M±SD），工作壓力對(duì)逆算法行為的瞬時(shí)間接影響。結(jié)果顯示，感知算法控制從較低到中等水平的增加通過(guò)工作壓力間接減少逆算法行為（X-SD=2.089，θ=-0.827，SE=0.065，95%的置信區(qū)間為[-0.957，-0.706]；XM=2.947，θ=-0.046，SE=0.023，95%的置信區(qū)間為[-0.092，-0.001]），當(dāng)感知算法控制處于較高水平時(shí)，感知算法控制的增加，會(huì)通過(guò)工作壓力促進(jìn)逆算法行為增加（X+SD=3.806，θ=0.734，SE=0.058，95%的置信區(qū)間為[0.628，0.856]）。其中，高、低感知算法控制的θ值差異為1.561。因此，在感知算法控制水平較低時(shí)，工作壓力發(fā)揮負(fù)向中介作用；而當(dāng)感知算法控制水平較高時(shí)，工作壓力發(fā)揮正向中介作用，H3得到支持。

（3）成就動(dòng)機(jī)的調(diào)節(jié)作用檢驗(yàn)

本文分別構(gòu)造成就動(dòng)機(jī)與感知算法控制、感知算法控制平方的交互項(xiàng)，進(jìn)一步說(shuō)明成就動(dòng)機(jī)對(duì)感知算法控制與工作壓力、逆算法行為之間“U”形關(guān)系的調(diào)節(jié)作用。結(jié)果表明，在模型8中，感知算法控制平方與成就動(dòng)機(jī)的交互項(xiàng)對(duì)逆算法行為的作用顯著（b=0.129，plt;0.01），成就動(dòng)機(jī)使感知算法控制和逆算法行為的“U”形關(guān)系更陡峭。圖2為成就動(dòng)機(jī)分別高于和低于均值一個(gè)標(biāo)準(zhǔn)差時(shí)感知算法控制對(duì)逆算法行為的“U”形關(guān)系的效應(yīng)圖。低成就動(dòng)機(jī)時(shí)，斜率=-0.069（ns），曲率=0.358（plt;0.001）；高成就動(dòng)機(jī)時(shí)，斜率=-0.024（ns），曲率=0.804（plt;0.001）。結(jié)果表明，當(dāng)個(gè)體成就動(dòng)機(jī)較高時(shí)，感知算法控制與逆算法行為之間的“U”形關(guān)系更陡峭，H4a得到支持。

在模型4中，感知算法控制平方與成就動(dòng)機(jī)的交互項(xiàng)對(duì)工作壓力的作用顯著（b=0.072，plt;0.01），成就動(dòng)機(jī)使感知算法控制和工作壓力的“U”形關(guān)系更陡峭。圖3為成就動(dòng)機(jī)高于和低于均值一個(gè)標(biāo)準(zhǔn)差時(shí)感知算法控制影響工作壓力的效應(yīng)圖。本研究進(jìn)一步計(jì)算在成就動(dòng)機(jī)分別高于和低于均值一個(gè)標(biāo)準(zhǔn)差時(shí)的斜率和曲率。低成就動(dòng)機(jī)時(shí)，斜率=-0.109（ns），曲率=0.335（plt;0.001）；高成就動(dòng)機(jī)時(shí)，斜率=-0.028（ns），曲率=0.817（plt;0.001）。結(jié)果表明，當(dāng)個(gè)體成就動(dòng)機(jī)較高時(shí)，感知算法控制與工作壓力之間的“U”形關(guān)系更陡峭，H4b得到支持。

五、 結(jié)論

本文基于自我調(diào)節(jié)理論和勞動(dòng)過(guò)程理論的控制抵制框架，系統(tǒng)探討了零工工作者感知算法控制對(duì)逆算法行為的作用機(jī)制，發(fā)現(xiàn)：感知算法控制分別與工作壓力、逆算法行為呈現(xiàn)“U”形關(guān)系；工作壓力中介了感知算法控制與逆算法行為之間的“U”形關(guān)系；成就動(dòng)機(jī)在感知算法控制對(duì)工作壓力和逆算法行為的“U”形關(guān)系中發(fā)揮正向調(diào)節(jié)作用。

1. 理論意義

（1）本文基于自我調(diào)節(jié)理論和勞動(dòng)過(guò)程理論的控制抵制框架，以外賣(mài)騎手群體為研究對(duì)象，揭示了感知算法控制是影響逆算法行為的重要前因，且工作壓力在兩者間具有中介作用，彌補(bǔ)了現(xiàn)有算法控制感知領(lǐng)域?qū)ぷ鲏毫澳嫠惴ㄐ袨楫a(chǎn)生的內(nèi)在機(jī)制研究的不足，豐富了算法管理領(lǐng)域的理論研究。在此基礎(chǔ)上，探討了成就動(dòng)機(jī)這個(gè)體特質(zhì)變量在感知算法控制與逆算法行為之間“U”形關(guān)系的邊界影響，為后續(xù)探尋算法管理如何“揚(yáng)長(zhǎng)補(bǔ)短”提供了新思路。

（2）揭示了感知算法控制的非線性效應(yīng)，為理解感知算法控制提供了更為全面的視角。感知算法控制一直是研究者關(guān)注的焦點(diǎn)，也是平臺(tái)企業(yè)面臨的現(xiàn)實(shí)挑戰(zhàn)。已有文獻(xiàn)對(duì)感知算法控制的理論研究?jī)A向于分析其潛在的線性效應(yīng)，而本研究揭示了零工工作者對(duì)算法控制感知的“U”形關(guān)系，證明了適度的感知算法控制并非“算法鐐銬”限制零工工作者的自主性，反而能夠激勵(lì)工作者更好地適應(yīng)算法環(huán)境，從而降低其逆算法行為的傾向，進(jìn)一步深化了人們對(duì)算法管理的認(rèn)識(shí)。

2. 管理啟示

（1）在線用工平臺(tái)須建立常態(tài)化的人工智能與算法知識(shí)培訓(xùn)機(jī)制，并推進(jìn)算法透明化進(jìn)程。系統(tǒng)的算法指導(dǎo)可有效幫助零工工作者準(zhǔn)確認(rèn)知算法運(yùn)作機(jī)理及其對(duì)勞動(dòng)過(guò)程的實(shí)際影響，進(jìn)而消解因技術(shù)黑箱引發(fā)的過(guò)度焦慮與合法性質(zhì)疑。透明的算法管理不僅能夠強(qiáng)化平臺(tái)治理效能，更有助于構(gòu)建基于技術(shù)共識(shí)的互信型勞動(dòng)關(guān)系。工作者擺脫算法認(rèn)知困境，既可緩解其工作壓力，又能減少逆算法行為，進(jìn)而促進(jìn)平臺(tái)與之良性互動(dòng)，最終實(shí)現(xiàn)平臺(tái)與零工工作者的雙贏局面。

（2）算法控制強(qiáng)度的閾值管理是企業(yè)數(shù)字化治理的核心命題。適度的算法控制可有效優(yōu)化工作者的任務(wù)執(zhí)行路徑，實(shí)現(xiàn)效率提升與價(jià)值創(chuàng)造的耦合效應(yīng)。但須警惕過(guò)度控制引發(fā)的負(fù)向激勵(lì)：超限的算法約束不僅會(huì)加劇工作者的心理負(fù)荷，更可能觸發(fā)策略性低效生產(chǎn)、選擇性指令規(guī)避等反控制行為。因此，企業(yè)在設(shè)計(jì)和應(yīng)用算法控制時(shí)，須構(gòu)建動(dòng)態(tài)平衡機(jī)制，在算法系統(tǒng)中嵌入自主決策空間，通過(guò)實(shí)時(shí)反饋通道與彈性調(diào)節(jié)機(jī)制，使技術(shù)控制與工作者主體性形成有機(jī)統(tǒng)一。這種治理范式既能保障算法效能的最大化釋放，又能通過(guò)增強(qiáng)工作自主性提升工作者的組織承諾，最終達(dá)成技術(shù)應(yīng)用與人文關(guān)懷的均衡發(fā)展。

（3）政府須構(gòu)建更和諧的新型勞動(dòng)關(guān)系，指引平臺(tái)企業(yè)承擔(dān)更多社會(huì)責(zé)任，開(kāi)展更有效的零工勞動(dòng)力管理。首先，拓寬政策制度的適用對(duì)象和范圍，將零工群體全面納入勞動(dòng)合同、最低工資與社會(huì)保障制度覆蓋范圍，重點(diǎn)完善職業(yè)傷害保險(xiǎn)等新型保障機(jī)制。其次，強(qiáng)化平臺(tái)企業(yè)社會(huì)責(zé)任的制度約束，建立算法備案審查、勞動(dòng)強(qiáng)度監(jiān)測(cè)等預(yù)防性監(jiān)管體系，遏制零工經(jīng)濟(jì)中的技術(shù)權(quán)力濫用。最后，創(chuàng)新集體協(xié)商機(jī)制，推動(dòng)建立具有零工經(jīng)濟(jì)特質(zhì)的行業(yè)性工會(huì)組織，構(gòu)建政府主導(dǎo)、平臺(tái)協(xié)同、勞動(dòng)者參與的多層次權(quán)益保障體系，從而實(shí)現(xiàn)數(shù)字經(jīng)濟(jì)背景下勞動(dòng)關(guān)系的包容性發(fā)展。

3. 研究不足與展望

本研究仍有以下幾點(diǎn)不足：首先，樣本群體較為單一，僅以外賣(mài)騎手為例進(jìn)行探討，因而研究結(jié)果的普適性存在一定局限，后續(xù)研究應(yīng)納入更多不同群體和地區(qū)的樣本。其次，由于采用問(wèn)卷調(diào)查法收集的數(shù)據(jù)無(wú)法完全避免主觀性偏差，建議后續(xù)研究結(jié)合案例研究和實(shí)驗(yàn)研究等方法以進(jìn)一步驗(yàn)證研究假設(shè)并提升研究結(jié)果的外部效度。最后，基于自我調(diào)節(jié)理論和勞動(dòng)過(guò)程理論的控制抵制框架，揭示了零工工作者感知算法控制與逆算法行為之間的非線性作用機(jī)制，后續(xù)研究可突破現(xiàn)有理論范式，引入新的理論視角，深化對(duì)感知算法控制與其他結(jié)果變量間復(fù)雜關(guān)系的探索，構(gòu)建更完整的零工經(jīng)濟(jì)算法治理理論體系。

參考文獻(xiàn)：

[1] TONG S， JIA N， LUO X， et al.The Janus Face of Artificial Intelligence Feedback： Deployment versus Disclosure Effects on Employee Performance[J].Strategic Management Journal， 2021，42（9）：1600-1631.

[2] 謝小云，左玉涵，胡瓊晶.數(shù)字化時(shí)代的人力資源管理：基于人與技術(shù)交互的視角[J].管理世界，2021，37（1）：200-216.

[3] VRONTIS D， CHRISTOFI M， PEREIRA V， et al. Artificial Intelligence， Robotics， Advanced Technologies and Human Resource Management：A Systematic Review[J].Artificial Intelligence and International HRM，2023：172-201.

[4] 劉善仕，裴嘉良，葛淳棉，等.在線勞動(dòng)平臺(tái)算法管理：理論探索與研究展望[J].管理世界，2022，38（2）：225-239.

[5] YAM K C， TANG P M， JACKSON J C， et al.The Rise of Robots Increases Job Insecurity and Maladaptive Workplace Behaviors： Multimethod Evidence[J].Journal of Applied Psychology， 2023，108（5）：850.

[6] 玉勝賢，劉敏，劉善仕，等.平臺(tái)算法控制對(duì)零工工作者離職傾向的影響機(jī)制研究[J].管理學(xué)報(bào)，2024，21（8）：1152-1162.

[7] KELLOGG K C， VALENTINE M A， CHRISTIN A.Algorithms at Work： The New Contested Terrain of Control[J].Academy of Management Annals，2020，14（1）：366-410.

[8] ALLEN R， CHOUDHURY P.Algorithm-augmented Work and Domain Experience：The Countervailing Forces of Ability and Aversion[J].Organization Science，2022，33（1）：149-169.

[9] 陳龍.“數(shù)字控制”下的勞動(dòng)秩序——外賣(mài)騎手的勞動(dòng)控制研究[J].社會(huì)學(xué)研究，2020，35（6）：113-135.

[10] SUN P.Your Order， Their Labor： An Exploration of Algorithms and Laboring on Food Delivery Platforms in China[J].Chinese Journal of Communication，2019，12（3）：308-323.

[11] RAHMAN H A.The Invisible Cage： Workers’ Reactivity to Opaque Algorithmic Evaluations[J].Administrative Science Quarterly，2021，66（4）：945-988.

[12] 魏昕，董韞韜，曹甜，等.員工反抗算法的結(jié)果及影響機(jī)制：資源保存的視角[J].管理工程學(xué)報(bào)， 2024，38（1）：31-45.

[13] 吳清軍，李貞.分享經(jīng)濟(jì)下的勞動(dòng)控制與工作自主性——關(guān)于網(wǎng)約車(chē)司機(jī)工作的混合研究[J].社會(huì)學(xué)研究，2018，33（4）：137-162.

[14] 周戀，李嘉慧，雷雪，等.在線用工平臺(tái)從業(yè)者算法抵制行為量表開(kāi)發(fā)與檢驗(yàn)[J].中國(guó)人力資源開(kāi)發(fā)， 2023，8（8）：102-118.

[15] MEIJERINK J， BONDAROUK T.The Duality of Algorithmic Management： Toward a Research Agenda on HRM Algorithms， Autonomy and Value Creation[J].Human Resource Management Review， 2023，33（1）：100876.

[16] 孫銳，袁圓，朱秋華，等.感知算法控制的雙刃劍效應(yīng)對(duì)零工工作者情緒耗竭的影響：基于合法性判斷視角[J].系統(tǒng)管理學(xué)報(bào)，2024，33（5）：1373-1385.

[17] DUGGAN J， SHERMAN U， CARBERY R， et al.Algorithmic Management and App‐work in the Gig Economy： A Research Agenda for Employment Relations and HRM[J].Human Resource Management Journal，2020，30（1）：114-132.

[18] 裴嘉良，劉善仕，崔勛，等.零工工作者感知算法控制：概念化、測(cè)量與服務(wù)績(jī)效影響驗(yàn)證[J].南開(kāi)管理評(píng)論，2021，24（6）：14-27.

[19] 張?zhí)m霞，李佳敏，毛孟雨.零工工作者感知算法控制對(duì)工作投入的影響機(jī)制研究——基于認(rèn)知和情感的雙路徑模型[J].商業(yè)經(jīng)濟(jì)與管理，2024（3）：47-58.

[20] 郭彤梅，苗梓欣，戈童言，等.安撫算法：零工工作者算法反饋策略[J].中國(guó)人力資源開(kāi)發(fā)，2023，40（11）：86-101.

[21] PARK S， RYOO S.How does Algorithm Control Affect Platform Workers’ Responses？ Algorithm as a Digital Taylorism[J].Journal of Theoretical and Applied Electronic Commerce Research，2023，18（1）：273-288.

[22] WOOD A J， GRAHAM M， LEHDONVIRTA V， et al.Good Gig， Bad Gig： Autonomy and Algorithmic Control in the Global Gig Economy[J].Work， Employment and Society，2019，33（1）：56-75.

[23] EDWARDS R.Contested Terrain： The Transformation of the Workplace in the Twentieth Century[J].Science and Society，1982，46（2）.

[24] VOHS K D， BAUMEISTER R F， SCHMEICHEL B J， et al.Making Choices Impairs Subsequent Self-Control：A Limited-Resource Account of Decision Making， Self-Regulation， and Active Initiative[J].Journal of Personality and Social Psychology，2008，94（5）：883-898.

[25] MCCLELLAND D C. The Achieving Society[M].Princeton： D.Van.Nostrand，1961：281-287.

[26] 高雪原，張志朋，錢(qián)智超，等.零工工作者工作壓力：形成機(jī)理與量表開(kāi)發(fā)[J].南開(kāi)管理評(píng)論，2023，26（3）：244-258.

[27] 占小軍，盧娜，羅文豪，等.自我調(diào)節(jié)理論視角下教練型領(lǐng)導(dǎo)對(duì)員工主動(dòng)擔(dān)責(zé)行為的作用機(jī)制研究[J].管理評(píng)論，2020，32（8）：193-203.

[28] 葉仁敏，Hagtvet K A.成就動(dòng)機(jī)的測(cè)量與分析[J].心理發(fā)展與教育，1992（2）：14-16.

[29] COHEN S， KAMARCK T， MERMELSTEIN R.A Global Measure of Perceived Stress[J].Journal of Health and Social Behavior，1983：385-396.

[30] 楊廷忠，黃漢騰.社會(huì)轉(zhuǎn)型中城市居民心理壓力的流行病學(xué)研究[J].中華流行病學(xué)雜志，2003（9）： 11-15.

[31] HAANS R F J， PIETERS C， HE Z L.Thinking about U： Theorizing and Testing U‐and Inverted U‐shaped Relationships in Strategy Research[J].Strategic Management Journal，2016，37（7）：1177-1195.

[32] HAYES A F， PREACHER K J.Quantifying and Testing Indirect Effects in Simple Mediation Models When the Constituent Paths are Nonlinear[J].Multivariate Behavioral Research， 2010，45（4）：627-660.

作者簡(jiǎn)介：倪艷，女，博士，湖北省社會(huì)科學(xué)院經(jīng)濟(jì)研究所副所長(zhǎng)、副研究員、研究生導(dǎo)師，研究方向?yàn)槿肆Y源管理及組織行為；柳文軒，通訊作者，男，湖北省社會(huì)科學(xué)院經(jīng)濟(jì)研究所碩士研究生，研究方向?yàn)槿肆Y源管理及組織行為。

（收稿日期：2024-12-10" 責(zé)任編輯：魯文雯）