算法管理視角下在線勞動平臺收益形成機理研究

楊學成，郭 景

（北京郵電大學經濟管理學院，北京 100876）

1 研究背景

數字經濟是當前經濟發展中的最具活力的領域之一，孕育了平臺經濟、零工經濟等多種經濟形態。其中，智能算法越來越多地改變人們的工作方式，誕生了微商、網絡直播、網約車、外賣送餐、快遞物流等新業態、新模式、新渠道［1］。人類社會的工作開始通過智能算法來分配、優化和評估，社會結構也開始由算法和人類行為所共同塑造［2］。數據與算法驅動的APP Work 型在線勞動平臺能夠自動管理成千上萬的零工與服務對象之間通過任務進行的交易與學習活動，這導致了靈活工作形式的出現［3］。在線勞動平臺的工作時間和工作地點具有高度的靈活性［4］，并具有持續跟蹤勞動者行為、對員工進行實時績效評估、自動執行決策、參與者與算法系統互動、較低的算法透明度等特征［5］。這些特征使得工人在任務、報酬、工作時間等工作條件上更加靈活，這種組織模式也已經成為企業業務創新、競爭力和生產率提升的重要著手點［6］。然而，在線勞動平臺如何在組織績效層面對勞動者與企業產生影響依然是一個尚未解決的問題［7］。

算法管理是在線勞動平臺最為核心的特征之一，也是提高平臺組織績效的重要手段［8］。已有研究對算法管理的研究分為算法控制過程和算法輔助決策兩個方向［9］。其中算法控制主要研究算法控制系統對工作者行為的規范和限制［10］；而算法輔助決策則更加強調算法管理的理性決策支持作用［11］。對在線勞動平臺的人機交互過程進行分析，無論是算法控制還是算法決策都會影響價值形成過程。例如，算法控制能夠在按單計酬的平臺中減少勞動者的無效產出活動，提高單位產出效率［12］；算法決策能夠給出比人類更加科學理性的判斷，提高勞動者對環境的應對與改造能力［11］。因此，算法管理的應用也被認為是提高平臺組織績效的重要手段［13］。

本文從算法管理的決策主義出發，提出算法系統的智能化將改變崗位勝任過程，進而通過增強人機任務匹配來提高組織績效。人工智能技術深刻改變了任務序列與匹配，人機交互過程成為重要的價值形成手段［14］。工作崗位中的各類任務事項開始變成算法處理一部分，規范化流程處理一部分，人工再處理剩下的部分。也即人機交互過程中，人和算法究竟要處理哪些任務，這與算法智能化程度以及人的技能水平相關。本文聚焦該問題：在算法系統不斷勝任崗位任務的過程中，人工創造與機器算法創造的價值占比將如何變化？并以一個典型的人機交互場景——外賣配送為切入點，利用勝任力模型來分析績效產出的價值創造過程，嘗試對人機交互過程中的收益形成與分配問題進行回應。本文梳理了已有研究中的算法管理實踐，利用比較靜態方法來定量化描述收益形成過程，體現了崗位勝任對組織績效的影響；最后利用案例分析交叉驗證人類與算法在完成任務過程中的收益形成與占比變化過程。研究結論對在線勞動平臺調整人機交互過程中智能代理的價值屬性以及收益分配策略，從而構建競爭優勢具有一定的參考意義。

2 文獻綜述

2.1 崗位勝任力

1973 年McClelland［15］提出勝任力是影響個人工作績效的關鍵因素，而非個人智力水平。受此影響，圍繞勝任力誕生了洋蔥模型、冰山模型、素質模型等經典理論。勝任力最早是對個人深層次特質的描述，是可以被計量或計數的且能顯著區別優秀和一般績效的個體特征［16］。企業可以根據崗位要求不同設置不同的勝任力標準，并通過培訓等手段提高員工勝任力。員工也可以通過學習來不斷積累經驗，掌握更多技能來提高自身對崗位的勝任水平［17］。工作角色、個人特質、知識與技能、協作與創新、動機與需要等都是勝任力的重要組成部分［18］。

數字技術的廣泛應用，推動了勝任力研究的不斷深入，國內外研究主要分為兩大方向：一是人的崗位勝任，二是機器或智能代理的崗位勝任。針對人的崗位勝任研究，以往的研究主要從素養的視角進行分析。由于素養體現了具體領域的知識與能力，窄化了實踐中的豐富性，數字勝任力的研究快速發展［19］。數字能力超越了技能，涵蓋了知識與經驗，不斷融合態度、性格、價值觀等內涵［20］。詹森等［21］從多元維度視角提出數字勝任力的多元性架構，包括功能性、綜合性和專門性的核心勝任力，以及支持性的輔助勝任力，二者共同支持數字技術的無縫選擇和使用。相比于素養，數字勝任力是對基礎或常識性能力的進一步發展，包括綜合性、實踐性的能力基礎［22］。總之，數字勝任力是一套基本的知識、技能、能力以及其他特征，使工作中的人能夠高效和成功地完成工作中與數字技術有關的任務［23］。

針對機器或智能代理的崗位勝任研究起源于人工智能深度學習算法。隨著人類—人工智能團隊概念的出現，智能代理開始作為人類的團隊伙伴參與生產與工作［24］。機器被認為也具有特殊的管理行為，其行為也存在對崗位的勝任過程，能夠影響組織績效［13］。人類行為與智能代理的行為具有一定的互補性，在不確定性、模糊性以及復雜性為特征的組織決策過程中，智能代理憑借更強的計算處理能力得以勝任復雜任務的應對，這對于拓展人類認知，協助人類進行模糊、復雜的決策時有更加全面與直觀的參考［14］。在一些特殊領域，人工智能的表現已經優于人類專家，而專家可以通過豐富的實踐知識來彌補智能代理通過標簽數據獲取知識時面臨的不確定性，提高智能代理在具體任務中的勝任程度［25］。

總之，勝任力和具體的工作過程密不可分，技能與知識的積累、進步也存在于具體任務中。現有研究對人與智能代理的勝任力的內涵以及維度已經形成了初步共識。

2.2 智能算法變革崗位勝任過程

崗位勝任的內涵是個體的特質，其表現是個體能夠處理相應的任務事項。智能算法在工作的嵌入將會影響崗位的相似性和獨特性［26］。人機交互過程中勝任體現為能夠處理任務事項，一部分需要人處理的任務將被機器所勝任，同時又會有新任務事項被創造出來，人在這些新任務上更具有比較優勢［27］。這種任務模型為探討智能算法變革崗位勝任過程提供了基礎。人工智能對常規、可編碼任務不斷勝任，憑借計算能力拓展人類認知，而人更多地處理需要適應性、創造性的任務，發展自身解決問題的技能，最終以人機協作模式實現來解決任務事項［28］。智能算法系統也是一種代理［29］，基于統計模型的自動化決策算法系統也代替了過去經理和人力資源管理專員所承擔的職責［30］，縮短了勞動者的無效工作時間，增加固有崗位的單位績效產出［31］。在固定任務中，智能代理決策被認為比人類決策更具有效率和客觀性；而在靈活任務中，智能代理被認為缺乏知覺和判斷能力，將導致較低的公平性［32］。因此，雖然算法代理能夠在諸多方面優于人類的決策水平，但崗位的任務序列中依然存在算法不能勝任的任務，需要人機協作來共同完成［33］。

相比于傳統完全以人為主的工作流程，這種以人機協作為主的算法管理系統能通過數字化的方式將崗位職責任務拆解為更加微小的任務序列［34］。機器學習工具降低了執行重復性、長耗時任務的成本［35］，人類不再是唯一有能力學習并為組織的知識儲備作出貢獻的人［36］，人工智能開始更多地參與到人類的工作之中。在線勞動平臺是最能體現人機交互變化的管理情境之一。平臺中勞動者與任務實時匹配，選擇特定任務按單計費，很少與買家或者雇主互動，很多環節都是與算法系統進行互動［37］。這可以讓人類勞動者專注于其中某幾項任務，其余任務通過智能算法系統來完成［38］。傳統的勝任力模型核心要素由內至外分別是動機、個性、自我形象與價值觀、社會角色、態度、知識、技能等［16］。勞動力在不同的勝任力維度上勝任崗位需求。而在線勞動平臺中更多的工作任務將變為人機協作類型，人類行為者將做大量需要創造力的任務［39］。因此，智能算法將在知識、技能、角色等方面勝任工作任務的要求，人類更多地關注需要高級認知技能或者體力技能的工作任務［11］，模型如圖1 所示。

圖1 智能算法系統參與下崗位勝任過程的變化

2.3 人機交互中崗位勝任影響績效產出

人類和智能代理處于共同的環境并進行優勢互補時，就會出現最大的績效改善［40］。智能代理也會通過影響心理預期與團隊氛圍有效提高個人的績效表現［13］。人類需要訓練智能代理，并確保它們被負責任地使用；智能代理可以協助人類進行信息收集、數據計算、日常客戶服務和體力勞動，從而使人類從事需要領導力、創造性思維、判斷力等更高創造性的任務［40］。個體技能水平與工作任務難易程度之間存在最優的正向匹配，匹配程度越優則創造的績效將越高［41］。算法系統作為智能代理參與人機任務匹配過程，改變了平臺的組織模式，內化了標準化與專業化的知識與經驗［42］。智能代理能夠不斷改進自身計算能力，通過深度學習、程序更新及數據管理，實現在運營中對資源的整合，從而改進人機交互過程的組織績效［43］。并且，智能代理也能夠通過交互記憶系統增強個人創造力，進而影響個人績效產出［39］。因此，智能代理與人類勞動者的協作能夠提高績效產出，而人機交互中技能水平與任務序列的匹配程度是影響績效產出的重要變量。在線勞動平臺中的崗位任務被不斷拆分重組，是否能夠完成指定任務是衡量勝任水平的重要因素，而且崗位勝任過程既包含人類勞動力的勝任，也包括智能代理的勝任。人類勞動力與智能代理共同參與價值創造是在線勞動平臺有別于傳統工作價值形成過程的重要特征，其創造價值的過程與機理都是亟需研究的問題。

由此，本文旨在以勝任力理論、匹配理論、任務模型、人機交互視角為基礎［41］，對在線勞動平臺中人機交互創造價值的過程進行深入剖析，以收益形成占比為衡量，聚焦分析在算法系統不斷勝任崗位任務的過程中人力創造與機器算法創造的收益占比如何變化的問題，理論框架見圖2。

圖2 崗位勝任對績效與收益的影響機制

3 混合研究設計

本文選擇中國某知名外賣配送公司作為研究對象，該公司是一家綜合生活服務平臺，以位置為中心，連接人與服務，打造了商家、服務、消費者本地生活網絡生態閉環。以騎手為代表的零工就業滿足了從業者的時間自由、權衡工作與家庭、補充家庭收入等多方面的需求，已經成為當前社會就業的重要組成成分。

本文采用先定量后定性的混合研究設計，具體技術路線如圖3 所示。在定量研究中，基于勝任力理論提出算法系統與自然人勞動力的交互模型，并使用比較靜態分析方法深入分析。比較靜態分析是改變模型中某一參數，通過新均衡狀態與原均衡狀態的比較以分析某項因素的變化對均衡所產生影響的方法。這一方法能夠將單一因素從眾多影響因素的綜合效應中提煉出來，為認識多項因素共同作用下產生復雜變化的現實世界提供簡明的思路。然而，有關算法系統在價值形成過程中的作用、與自然人勞動力任務協作的細節影響過程難以被定量研究所回答，這是定性研究所擅長的領域。筆者對騎手群體和算法工程師群體進行的一對一訪談結果也印證了定量研究的結論，揭示了算法系統崗位勝任水平升高在價值形成過程中的具體細節。這種混合研究設計綜合定性與定量研究的優勢，通過不同類型數據對研究結果進行交叉驗證，增加了結論的可信度和穩定性［44］。

圖3 先定量后定性的混合研究技術路線

4 定量模型分析

4.1 模型基礎情境

應用程序型在線勞動平臺的關鍵特征是利用算法系統對平臺勞動者進行任務分配、過程監督控制、自動化指導評估等管理工作［8］。外賣配送是一個典型的應用程序型在線勞動平臺場景，是基于數據運算的實時“匹配”，實現決策機制從人力到算法運算的改變。更加先進的平臺信息技術設施應用后，業務數據被算法系統計算、學習，這提高了算法系統的智能化水平［31］，降低了平臺勞動者準入門檻，同時也提高了勞動力的交付速度和工作效率［12］。

傳統的用工模式中自然人勞動力參與企業生產，企業會不斷通過員工技能培訓增加自然人勞動力的崗位勝任水平。企業比勞動力自身更了解生產的目標和需求的技能，而勞動者比企業更了解自身的真實技能素養水平。在線勞動平臺將雇傭關系變為“平臺-用戶”互動關系，企業需要更加智能化的匹配系統來勝任配送情景，一方面解決信息不對稱問題，另一方面通過海量數據分析建立高效的價值創造流程。考慮極端情況，若平臺算法系統的崗位勝任程度無限大，人力都會被人工智能所替代；反之，企業用工依然以人力為主。算法系統的崗位勝任構成包括兩部分，一是從實踐中不斷優化的算法模型能夠更加勝任具體崗位的計算任務；二是從數據中不斷修正的決策輸出，能夠更加勝任崗位的決策與控制任務［24］。若出現新的數據流與計算結果，原有模型將會繼續被修正，崗位勝任水平將會進一步提高。

4.2 崗位勝任過程與市場供需關系

勞動者的能力水平與崗位任務的復雜程度之間存在一定的匹配關系［45］。對于平臺企業中某一具體崗位而言，理性的平臺會優先采納技能水平與該崗位的任務復雜程度相匹配的勞動者。針對某一具體崗位，企業對勞動力群體采納用工的傾向會因勞動力與崗位的匹配度不同而發生變化，并更傾向于采納能夠勝任崗位任務的勞動力。這種勝任既體現為可以縮短交付時間、提高工作效率，也體現為更少的學習成本。

在線勞動平臺中，勞動者可以靈活切換自己的工作，崗位任務與勞動力技能的匹配尤為重要。互動變為人機協作流程，智能代理與人類勞動力協作完成生產活動。以配送場景為例，平臺智能算法系統在配送端不斷提高訂單分配與路徑規劃水平，在研發端不斷提高一站式研發服務水平，智能算法越來越能勝任配送場景。與之相對應，騎手需要掌握更多與算法系統相協作的數字技能。此時，平臺與勞動力的收益模型變為：平臺需要勞動力的技能來完成任務，并收集更多人機交互數據，提升平臺的計算與服務價值；勞動力通過按單計費的方式獲取報酬，補貼提高自身數字技能所付出的時間與金錢成本。

4.3 崗位勝任過程與收益形成模型

在模型設定上，本文主要參考匹配理論模型進行展開論述［46］。模型包括四個參數，分別是價值（新創造的價值，用V表示）、技能素養（對應勞動力的技能，用L表示）、勝任水平（對應智能代理算法系統簡稱“算法系統”的崗位勝任水平，用P表示）、用工需求（對應平臺企業的用工需求，用q表示）。假設有市場上的某一數字勞動平臺，其選擇用工的傾向依賴于算法系統的崗位勝任水平以及勞動者的技能素養，則算法系統崗位勝任水平越高，企業選擇勞動者的傾向受勞動者技能水平的影響越大。首先，假定相同崗位中勞動者創造的價值是給定的，企業對勞動者的需求函數見式（1），其中（）。

從圖4 可以看出，平臺企業選擇零工的傾向受勞動力技能素養的影響。對于既定的算法系統崗位勝任水平，勞動力技能素養越高，則勞動力與算法系統的協作水平會越高，平臺采納用工的傾向就越大。如圖4（a），在算法系統的崗位勝任水平較低時，日常工作任務以人力處理為主，受限于平臺規模并不需要大量的勞動力，此時勞動力技能素養上升對企業采納用工的影響十分有限。如圖4（b），當算法系統勝任水平提升的時候，算法系統對提高配送效率的作用更大，勞動力技能素養提升對平臺用工傾向有明顯的影響。而如圖4（c），當算法系統崗位勝任水平較高的時候，由于崗位任務流程與算法系統緊密耦合，平臺企業更愿意接受高技能素養的勞動力。并且，平臺企業能夠利用算法系統管理大規模的勞動力，用工需求進一步提高。此時低技能素養的勞動力不能適應與算法系統的協作，該群體技能素養的輕微提高對企業的用工采納決策影響不大；高技能素養的勞動力繼續提升自身技能水平，將有利于發揮算法系統的工具賦能作用，企業更需要此類高技能群體。對模型進一步分析，算法系統通過數字孿生以及深度學習技術，在算法的正反饋價值創造模式下將有效提升自身的崗位勝任水平［47］，進而促使企業以更高的采納傾向招募高技能素養的勞動力。

圖4 不同算法的系統崗位勝任水平下企業用工需求隨員工技能素養變化示意

算法系統崗位勝任水平的變化，不僅影響平臺企業用工需求，也影響勞動力市場的供給。在不同的勝任力水平下，企業不能直接獲悉勞動力技能的高低，只能通過已有的信息對勞動力市場做一個合理預期，根據勞動力預期效益來確定勞動力工資和用工需求；而平臺企業所確定的工資和用工需求又會影響零工市場的用工形勢與供給數量。在線勞動平臺與零工市場的供需關系在不斷發生變化，零工市場的供給曲線是對平臺用工需求曲線的一系列映射集合，供給與需求二者互相影響。

以圖4 所表示的用工需求為例，假設零工勞動者創造的單位價值是1，而平臺企業給單個勞動者的工資是k，其中；勞動者由于需要投入時間、精力來提升自身技能素養，單位勞動者付出的成本正比于勞動者技能素養L，則單位勞動者的收益是。若勞動力市場中有N個相同技能素養水平的勞動者被商家采用，則勞動者群體的收益見式（2）。

從式（4）與式（6）可以得到市場總收益的函數表達式，見公式（7）。

市場總收益、平臺企業收益、勞動力收益隨算法系統勝任水平提高的變化情況見圖5，市場的總收益與平臺企業的收益曲線一階導數均大于0，但是勞動者群體的收益曲線一階導在之前大于0，之后小于0，收益函數先上升后下降，并且拐點時候勞動者群體的收益最大。整個收益曲線分為兩個部分，以為界，其左側是收益上升的合作區，右側是收益下降的排斥區。在合作區，勞動者愿意與算法系統合作來提高自己的收益，借助智能算法系統的工具屬性來提高自己的工作效率。當用工企業的算法崗位勝任程度達到最優點時候，勞動力群體獲得最大收益。但該點并不是均衡點，隨著交互數據的累積，算法系統的崗位勝任水平會繼續增加，用工企業的收益繼續上升，但人類勞動者的收益越過峰值開始下降，勞動者群體與算法系統的迭代升級開始出現收益沖突，并將出現對算法系統控制的反抗行為，以減緩算法系統崗位勝任水平繼續增加。因此，可以得出以下命題：

圖5 市場總收益、平臺企業收益、勞動力收益隨算法系統崗位勝任水平的變化

命題一：在線勞動平臺的智能代理算法系統能通過算法邏輯協助人類完成任務，提高人類勞動者個人績效表現，促使勞動者群體創造更多收益。

命題二：隨著算法系統崗位勝任水平的增加，人機交互所創造的市場總收益將不斷增加。

命題三：隨著算法系統崗位勝任水平的增加，算法系統創造的收益越來越大，而人類勞動者的收益存在拐點，先上升后下降。

對平臺企業而言，調整勞動者工資k的大小將會造成移動。若減小工資k則勞動者收益出現下降，曲線峰值下降；同時平臺企業收益先上升后下降；市場總收益出現下降，見圖6。因此，可以得出：

圖6 減小k 后的收益變化情況

命題四：在線勞動平臺中，勞動者工資k的調整是調節收益的重要手段。

結合上述分析過程，隨著智能代理算法系統崗位勝任水平的增加，在線勞動平臺上勞動者群體的收益占比不斷下降，而平臺企業占有智能代理算法系統，其收益占比不斷增加，如圖7 所示。因此，可以得出：

圖7 平臺企業與勞動力收益占比隨智能代理崗位勝任水平的變化情況

命題五：平臺企業更有動機不斷引入人工智能技術，利用交互數據來提高算法系統的崗位勝任水平，進而提高自身的收益占比。

5 定性數據研究

5.1 定性數據收集

研究者根據定量研究結果設計了一對一訪談提綱，訪談對象包括兩名算法工程師、十二名代表性騎手。這些騎手包括專送騎手與眾包騎手，觀點均具有代表性。研究者請受訪者回憶在日常使用智慧配送系統時配送時長、服務水平、用戶反饋的經歷，平均每名受訪者的訪談時長為22 分鐘，訪談全過程錄音。除此之外，研究者還從百度貼吧、嗶哩嗶哩等平臺收集騎手的公開評論、對話材料共計三萬字，用以對深度訪談材料結論的補充驗證。

5.2 定性數據分析與結果

研究者將訪談錄音轉錄為文檔（共計41 922 字的訪談材料），然后遵循“開放式編碼—主軸編碼—選擇性編碼”的過程對文本材料進行迭代分析。研究者嘗試通過“條件—過程—結果”邏輯軸線，展現人類勞動者與智能算法在交互過程中的收益形成占比變化的全過程。

5.2.1 算法系統不斷勝任即時配送崗位的過程

人工智能使得工作任務的流程、組織架構發生了變化，人類更需要完成機器或者人工智能無法完成的工作［48］。新的工作形式和組織架構要求自然人勞動力與人工智能的組合協作來提高工作效能，也即通過調節自然人勞動力、人工智能和崗位需求的匹配程度來提高產出［14］。在算法管理中，算法系統對勞動力的績效進行持續的評估，平臺勞動力不斷與算法系統進行互動而不是其他的自然人［49］。這種互動類型提高了管理的透明度，企業可以通過調整算法系統的能力水平以及選擇合適的技能的自然人勞動力來實現崗位技能匹配程度的最高［40］。針對配送這一領域，從人工派單階段到機器智能階段，算法系統在不斷智能化迭代，改變了具體崗位的任務序列以及職責要求。算法迭代與流程優化的過程中，作為平臺勞動力的算法工程師與配送騎手的準入門檻大幅降低，一方面算法系統能夠輔助算法研發人員，讓其脫離繁瑣的工程化開發，另一方面算法系統能夠對配送場景進行孿生模型與預估，提高了騎手配送的工作效率。具體情況見圖8。

圖8 算法系統勝任即時配送崗位的過程

5.2.2 算法系統改變人機交互任務序列以提高個人績效表現

算法系統中存在正反饋的交互機制，系統能夠與人類勞動者通過數據資源交互不斷提高自身智能化水平［47］，更加智能化的算法系統能夠改變配送端的任務序列，不斷提高配送的組織績效與服務水平［43］。在騎手配送的關鍵流程，需要即時做出決策，例如尋找商家位置、餐品沒做好是否繼續等待、超時訂單是否先配送、何時給顧客打電話通知等。這其中的決策類型既包括數量計算型決策，也包括場景感知型決策。如果在配送任務中決策判斷失誤，錯誤的時間或者順序選擇將會很影響效率。例如，“如果我打電話時間非常早，他（顧客）早來了，可能等很久，到頭來給我一個差評”，“有的地方沒有外賣柜，得送到人家手里。我有一次打電話通知顧客后，他說這就到，讓我等他，我一下等了七八分鐘，很浪費我的時間”，“有時商家會卡單，一個卡了全都卡了。”這個過程中，騎手需要不斷操作手機進入下一個服務流程，操作繁瑣，也增加了交互時間。由于配送平臺積累了大量有關騎手、商家、和用戶的位置信息以及交互數據，能夠利用機器學習、智能調度進行場景精準預測。“我們的智慧配送系統能夠通過場景分析，推算出來何時喚醒和應答，能夠符合騎手的實際配送情況”，“我們有精準的騎車軌跡數據，可以根據配送地點和騎手在不同時刻打電話的情況畫出一個等待時間曲線。”基于每天數十億次的定位數據，算法系統能夠精準定位騎手位置，對配送路徑進行修正，改變了配送過程的任務流程。基于場景識別的交互系統能夠對騎手進行智能引導，降低騎手操作APP 次數50%以上，縮短交付時長。算法系統利用強化學習、運籌優化、機器學習的人工智能技術解決配送的定位與預測問題，綜合考慮配送時長、準時率和置信度來衡量用戶的配送體驗。更加智能化的算法系統能夠提高對場景的模擬與預測效果，減少失敗服務流程出現的次數，見圖9。在程序型的在線勞動平臺，隨著算法系統的崗位勝任水平提高，系統對重復性、知識積累、大規模可編碼等體力、人工操作類技能與基本認知技能不斷替代，進而提高了單個崗位的員工效益產出。相比于純人力完成工作任務，智能算法在相同的時間中完成更大規模、更規范化的任務，且完成相同任務將使用更少的時間，擴大了市場規模與交易范圍，提高了整個勞動力市場的效益。“配送流程中的各類事項，算法處理一部分，規范化流程處理一部分，人工再處理剩下的。各個環節共同配合來完成一次配送服務。比如騎手到商家后，商家沒有按時出餐，算法會自動識別騎手身上訂單的超時風險，將訂單改派給其他人。騎手也可以按照流程上報異常情況，系統會進行校驗。”

圖9 智能算法系統促進騎手配送績效與服務水平提升機制

算法系統不斷勝任配送過程中的任務事項，使得外賣騎手變成一個入行門檻特別低的行業，騎手不需要像過去一樣熟知城市道路或者善于規劃送餐路徑，因為算法系統以及背后的分配與路徑規劃算法可以為外賣騎手完成除了取餐、送餐、聯系用戶之外的所有事項。在人機交互過程中，算法能夠基于智慧配送系統賦能整個配送流程，騎手的配送效率以及服務水平也因此得以提高。

5.2.3 人機交互任務序列中的收益形成過程

平臺企業的收益曲線導數大于零，收益隨算法系統崗位勝任水平的提高而上升。智能算法被應用在企業的內部管理中，對組織模式與業務流程重新改造，提高了用工企業生產效率，縮短了任務流程的完成時間，擴大企業業務規模與范圍，進而使企業收益不斷提高。算法系統中的人力收益隨著算法系統崗位勝任水平的提高而先增加后下降。仍以模型中配送情景為例，人力創造的收益根據派送完成的訂單數量來進行核算，收益形成過程是累計激勵。在算法勝任水平較低的階段，訂單派送主要依靠人工操作，整個市場的收益形成以人力付出為主。而后智能算法的應用在計算配送距離、控制騎手數量、預測送達時間、動態調整排班等多個任務層面取代了人工規劃與計算，生產工具變得更加先進，擴大了銷售規模與交易范圍，提高了整體配送效率。消費者降低了自身搜索成本，商家可以降低運營成本，市場與騎手的收益都有所增加。“和以前比起來，（用上系統的工具后）確實能多跑幾單，配送的時間短了些。”

而隨著算法崗位勝任水平繼續增加，每單配送時間持續縮短，騎手在算法系統中受到更多的監督與控制［50］。“我們專送騎手每單賺取9 元～11 元不等，眾包的騎手能拿到4 元～10 元。不能超時，超時就扣錢，超過15 分鐘扣一半。”在相同工資水平下，智能算法對騎手的配送路線、配送時間等規劃、優化，進一步替代了騎手自身的工作技能。“現在我們這些騎手門檻很低的，基本上只要會用手機就行，騎手資質很快就能審核下來。直接聽手機的指示就行，有異常情況也直接在手機反映”，“現在掙得也沒以前多了，競爭不過（機器）的，都是辛苦錢”。同樣的配送中，算法系統發揮的價值要大于勞動力，收益的形成過程逐漸以算法系統為主。而智能算法系統這一重要的生產資料歸平臺所有，因此市場中新形成的收益主要是以平臺企業為主體，勞動力群體創造的收益份額開始下降。“我們也沒有別的技能，出來打工就是希望能多跑幾單，多掙點錢”，“現在有很多的無人車配送，也許我們騎手送餐逐漸要變成過去式了。”

6 討論

6.1 崗位勝任過程的技能序列變化與收益形成

基于自然人勞動力技能序列變化的視角，崗位勝任的技能范圍包括體力和人工操作類技能、認知與情感溝通類技能、技術與數字化類技能三類［51］。首先，被算法系統直接替代的技能序列是新的收益形成最主要的路徑，這類技能主要包括體力和人工操作類技能、基本認知技能。算法系統勝任該類技能后，通過數據收集與計算來不斷優化工作模式，提高了工作效率和績效，帶來了直接的利潤提升［43］。例如，算法系統在計算配送距離、預估配送時間上通過海量數據運算替代了人工計算，提高了模型的準確性。其次，被算法系統所改造的技能序列主要包括技術以及數字化技能。隨著算法系統勝任水平的不斷增加，勞動者的技術與數字化類技能重要性越來越高，這重塑了人機交互任務流程，人機共同創造價值成為了收益形成的主要形式。例如，配送員使用智能語音助手進行送餐，將異常通過智能終端上傳、申訴等，為顧客創造了新的服務價值。最后，未被算法系統替代或改造的技能序列主要包括高級認知技能，以及社會和情感溝通技能［25］。在外賣配送情境中，除了正常的配送技能，配送員被要求進行情緒勞動、學習算法系統規則等來維持在算法系統中的評級［52］。這個過程中配送員的認知與情感技能成為與算法系統的交互的基礎，收益形成的關鍵是勞動者的認知學習與情緒勞動。但這一過程被管理者有意或無意地忽視，不斷進化的、理性的算法系統壓縮了勞動者的收益空間［31］。

6.2 價值形成空間中的收益份額變化

研究發現算法管理可以有效提高勞動力的工作效率，縮短配送時間，提高勞動者的生產力，帶來平臺收益的增加［8］。同時，本文還進一步說明了隨算法崗位勝任程度增加，智能代理在價值形成中作用逐漸增大，平臺收益的上升是持續的；但對人力而言，在價值形成空間中的作用先增加后減小，收益也將先上升后下降；對整個市場而言，收益是逐漸上升的。智能代理能夠提高個人的績效水平［13］，使得等量勞動力創造更大的收益空間。隨著智能代理對崗位勝任程度的增加，其創造價值的能力也會上升，在收益形成過程中的占比開始加大。由此，人類勞動者對算法系統的態度從最初的“合作”逐漸轉為“排斥”，并因智能代理崗位勝任水平的持續增加而主要表現為對智能算法的排斥與對抗［50］。在外賣平臺的算法系統中，算法系統的崗位勝任程度增加也表現為算法技術逐漸取代了傳統的人力監管的手段［53］。原有的勞資矛盾從人之間斗爭轉變為“算法系統—勞動者”的實踐矛盾，管理者退居幕后變成了“不在場的老板”［54］。與此同時，勞動者在使用算法系統過程中，成為數字世界的數字勞工，創造出的交互數據促進了算法系統崗位勝任水平的提高。由于算法系統對勞動者的技能序列不斷“侵蝕”，固有技能水平下的勞動者收益空間將會越來越小。出于對收益下降的擔憂，勞動者在實踐中將會采取組合策略對抗算法系統。例如，騎手加入周邊商圈的非官方社群、對算法監督規則以及評級制度進行“逆向改造”、在系統內保持低調避免算法審查、減少與客戶的接觸等多種躲避算法監督的情況，這些都在一定程度上使得勞動過程脫離了算法的監督與控制［10］。

7 貢獻與展望

7.1 理論貢獻

第一，驗證了算法管理理論在實踐中的適用性。本文首先對算法管理研究進行了梳理，研究結論對算法管理理論的實踐提供了支持。首先，算法控制的理論視角認為人類勞動者會受到越來越多監督與控制，算法系統造成了信息不對稱，削弱了員工的決策和表達代理能力［4］，這將引起勞動者的“逆向工程”與反抗［10］。勞動力群體會尋求如何避免算法控制，并因此誕生了反抗算法控制的社區化群體。本文的研究結論為上述過程提供了支持，提出人類勞動者的收益占比下降是其對算法系統的規避與反抗的重要原因。其次，本文從算法決策的視角進行定性與定量的混合研究，發現算法系統一方面會通過算法邏輯協助人類做出科學的決策，進而提高個人績效表現，這與之前的算法決策相關研究結論相符［13］。因此，本文從任務模型推導的收益形成過程結果為平臺勞動者的反規訓行為提出了新的理論性解釋。

第二，歸納了在線勞動平臺的任務勝任模型。在線勞動平臺中包括智能代理以及人類勞動者，由于崗位要求的工作任務事項被智能算法系統不斷勝任，人類勞動者勝任任務的技能范圍也發生了變化。本文從人機交互的視角歸納了智能算法的勝任模型，提出崗位任務與技能的匹配是在線勞動平臺中最主要的工作流程。平臺會將復雜的任務分解為一系列更小的任務，尋找能夠勝任的群體［3］。該勝任過程既包括人類勞動者通過學習培訓等方式掌握技能，也包括智能代理從海量數據中學習的知識判斷，進而人類勞動者與智能代理基于具體的任務進行協作配合，發揮人機組合效能［14］。本文將崗位技能匹配過程納入模型分析中，提出了人機協作配合實現崗位勝任，并分階段總結了勞動力技能序列中被智能代理替代或者改造的技能類別，為后續繼續分析在線勞動平臺中的崗位—技能匹配過程提供了研究基礎。

第三，揭示了人機交互算法系統中的收益形成機理。本研究通過構建崗位—任務序列模型揭示了算法系統中的收益形成機理，提出在線勞動平臺的收益形成過程與智能代理的崗位勝任程度相關。已有理論提出在具體的任務序列中，具有比較優勢的一方將會獲得更多的收益占比［27］。由于智能代理在常規可編碼任務上不斷勝任，則該類任務中智能代理將會更具有比較優勢，在收益形成過程中作用更大。本文研究結論進一步支持了這種觀點：在算法系統勝任水平較低階段，人類勞動力借助算法系統提高自身績效水平，在收益形成過程中作用更大；在算法系統勝任水平較高的階段，算法系統利用算法邏輯勝任更多任務，而人類勞動者更多扮演輔助算法系統的角色，在收益形成過程中的作用開始減少。這種人機互動協作進一步加強了任務模型中技能的分化，智能代理的機器學習過程釋放了數據資源的價值，使得算法系統能夠解決更多的任務，更勝任多崗位任務序列，這也引發了人類勞動者技能的不斷變化［11］。本文從任務模型、勝任力理論以及人機交互的視角提出了在線勞動平臺中的收益形成機理，也為后續分析算法系統的在任務序列上的演進提供了研究基礎。

7.2 管理建議

本文的研究成果在拓展已有理論范疇的同時，也為在線勞動平臺進行更合理的收益分配決策，實現企業可持續發展，提高企業競爭力提供了管理啟示。第一，準確的人機交互崗位技能序列是提高勞動力崗位勝任力的關鍵，因此，平臺應梳理勞動者技能序列，明確勞動者技能優先順序，找出本行業、本企業的技能缺口，投入時間和預算來填補勞動力的技能缺口，并且需要依據實際經營情況，重新梳理勞動者技能序列，繪制本行業中的技能和能力圖譜，有序推進算法系統對工作技能的替代與改造，培養能夠在人機交互中更加勝任工作任務的員工。第二，企業應充分認識到被算法系統所直接替代的技能序列是提高生產效率、提升收益的關鍵；被算法系統所改造的技能序列，是提高收益上限的關鍵；不能被算法系統所替代的技能序列是被忽視的潛在收益，也是提高服務水平、改善管理模式的突破點。第三，在線勞動平臺算法系統是一種智能代理，存在對崗位的勝任過程，而企業提升算法系統崗位勝任水平能夠獲得更大的收益份額，因此，理性的平臺企業應持續投入算法系統，通過引進與培養算法工程師，優化人才資源配置，提升算法系統的崗位勝任水平，并強化利用算法系統來對勞動者進行監督管理的過程，利用算法系統來創造更大的價值空間。最后，平臺企業管理者應重視收益形成過程的不均衡性，隨著算法系統勝任水平的提高，自然人勞動力在收益形成空間中的作用先上升后下降，因此，平臺在推進算法系統升級的過程中，要通過補貼的方式來調節收益分配，建設更加公平合理的收益分配制度，保證企業的可持續發展。

7.3 局限與展望

首先，本文模型仍具有優化的空間。本文假定的價值空間是單位1，但是隨著平臺算法系統智能化程度不斷提高，價值空間應該會不斷變大。其次，文中模型并非從經濟學視角進行的論述。從新古典理論看來，算法這種生產技術的提高，對企業用工可以帶來收益和成本兩個方面的變化：從收益來看，算法的改進會引起企業用工的邊際收益曲線的外移從而增加雇傭水平、提高工人的工資水平，同時也增加平臺企業的總剩余；從成本來看，算法增強了平臺企業的壟斷勢力，平臺企業成了“騎手”這類勞動力的壟斷需求者，勞動供給的邊際成本曲線變得更加陡峭，從而使平臺企業更有能力雇用更少的“騎手”勞動力（與完全競爭相比），并支付給“騎手”更低的工資水平。相比于新古典經濟模型，本文模型是從勝任-匹配的角度嘗試構造了人機交互任務序列，經濟學意義顯得不夠充分。最后，本文探討的價值形成過程是在線勞動平臺與零工群體之間的交互模型，而不可否認的是，當把顧客考慮進模型后，價值創造流程的形式以及理論邏輯將會出現變化，也會有更大的討論意義。更進一步地，從數據生產與消費的視角，將消費者的體驗價值與使用價值納入模型討論將是下一步優化模型的突破口。