零工工作者感知算法控制對工作壓力和逆算法行為的影響研究

[摘要]算法控制作為數字時代的新型管理模式，正在全球企業組織中得到廣泛的應用。尤其在零工經濟領域，算法的深度滲透已引發零工工作者勞動過程的系統性變革。以自我調節理論與勞動過程理論的控制抵制框架為基礎，在外賣騎手群體中檢驗零工工作者感知算法控制與逆算法行為之間的非線性關聯，并揭示上述關系的內在機制和邊界條件。基于585份有效問卷調查數據發現，零工工作者感知算法控制與工作壓力、逆算法行為呈“U”形關系，工作壓力在感知算法控制與逆算法行為的“U”形關系中起中介作用；成就動機分別調節感知算法控制與工作壓力、逆算法行為的“U”形關系。

[關鍵詞]感知算法控制；逆算法行為；成就動機；工作壓力

一、 引言

近年來，機器學習、數據挖掘與人工智能技術的迭代升級推動算法技術向多行業縱深發展。通過大數據分析與智能建模，算法技術幫助企業優化供應鏈管理、提升市場預測精度、精準響應客戶需求，從而顯著提高運營效率和決策質量[1]；同時，算法驅動的自動化系統通過人力資本重組與風險控制，提升企業的整體競爭力和創新能力[2]。對于工作者而言，一方面，引入算法的任務分配機制大幅減少了重復性工作的時間投入，使其能夠專注于更具創造性和戰略性的任務[3]；另一方面，算法提供的精準數據分析和實時反饋機制，有助于快速了解其自身績效和改進方向，從而不斷提升技能和工作表現[4]。

然而，隨著算法控制在企業管理中的結構性嵌入與治理邊界的模糊化，其對工作者的負面影響逐漸顯現。算法機械式的運行邏輯缺乏對個體情境和情感的敏感性，這種非人格化的管控機制不僅加劇了工作場所的監控密度，更導致工作者產生強烈的異化體驗，進而誘發職業倦怠與工作疏離感[5]。算法控制中預設的標準化操作框架則僅允許工作者在“限度”之內處理任務，嚴重壓縮了工作者的思維彈性。長期處于“系統預設—被動執行”循環中的工作者逐漸喪失自主性與創造性[4]。技術規訓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題引發了工作者對算法決策過程公正性的質疑；當績效評估偏差或任務分配爭議反復發生時，持續的信任危機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，有研究發現，面對具有實施主體模糊及實施范圍全覆蓋特征的算法控制[7]，工作者積累的消極認知與負面情緒會促使其采取策略性規避行為。這一現象在決策層面表現為管理者基于經驗直覺而非算法建議進行決策[8]，在操作層面則表現為工作者對算法生成的工作規劃與績效評估系統采取選擇性忽視[9]。在算法深度嵌入的零工經濟體系中，工作者甚至可能發揮主觀能動性對算法控制進行抵制[7]。如，經驗豐富的網約車司機基于路況經驗自主選擇行駛路線而拒絕遵循算法指定的路線[10]，即時配送騎手會通過與商家合作進行虛假下單以獲得更多報酬，或是通過與顧客協商偽造好評以影響算法評級[11]。由此可見，在算法驅動的新型組織形態下，當算法控制持續引發工作者負面心理反應時，個體可能采取非組織化、非制度化的隱蔽對抗策略，這種獨特的抵制形式被學界定義為“逆算法行為”[12]。

在勞動力價值重塑與算法賦能的時代，企業的核心競爭力直接關聯工作者工作效率與服務品質[13]。算法控制雖能提升運營效率，卻可能因工作者的逆算法行為而使服務質量受損，因此厘清工作者算法感知機制及其應對策略的重要性日益凸顯[9]。基于此，本文依據自我調節理論與勞動過程理論的控制抵制框架，以零工工作者為研究對象，深入探討零工工作者感知算法控制對逆算法行為的影響機制。在理論層面作出以下四個方面的貢獻：首先，深化對逆算法行為成因的認知。學界與業界已普遍注意到逆算法行為的存在，相關研究在概念內涵界定與測量工具開發方面取得顯著進展[14]，但關于其形成機理的探討仍處于起步階段[15]。其次，驗證感知算法控制存在“U”形非線性影響，突破傳統線性假設的局限[16]。再次，構建“感知算法控制→工作壓力→逆算法行為”的傳導鏈條，揭示工作壓力的中介效應，打開感知算法控制與逆算法行為之間的“黑箱”，解釋工作者消極應對算法控制的心理路徑。最后，從成就動機視角研究感知算法控制對逆算法行為的作用邊界，構建更具解釋力的情境化理論模型，為算法管理系統的人本化設計提供理論支撐。

二、 理論基礎與研究假設

1. 零工工作者感知算法控制與工作壓力之間的關系

算法控制是指使用算法等數字技術對組織內外決策過程與行為模式進行引導、監督及調節的治理機制[17]。以滴滴、美團為代表的平臺企業通過在線勞動平臺整合零工勞動力資源，并深度運用算法技術實現工作調度、績效評估與報酬計算的全流程管理。Kellogg等系統歸納了零工領域中算法的六項核心運行機制，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算法實施的實時動態監管體系（含規范指導、追蹤評估與行為約束）的認知程度[18]，該感知反映了零工工作者對平臺規則體系的理解與價值判斷，并對其行為決策產生深刻影響[19]。現有研究表明，感知算法控制顯著作用于工作者行為模式、績效產出及健康狀況[16]，但鮮有研究涉及其對零工工作者工作壓力的動態影響機制。

在零工經濟發展初期，平臺企業多采用基于簡單模型的初級算法系統。該階段算法主要依據歷史均值設定任務標準時長，既無法實現個體技能差異（技能熟練度等）的精準識別，也缺乏對工作條件（訂單狀態、天氣狀況等）動態變化的適應性調整。與此同時，由于算法作為新興技術尚處探索階段，平臺普遍存在規范指引缺失與決策透明度不足等問題。這種技術與制度的雙重局限導致零工工作者既難以獲取算法決策的完整信息，也缺乏理解系統運行邏輯的必要知識基礎，因而屬于感知較低程度的算法控制。在此階段，工作者對調整工作的方向和方式感到無所適從，且無法準確判斷努力是否能夠得到公正的回報。這種工作穩定性與收入預期的雙重不確定性，最終導致工作壓力顯著增加。

隨著技術進步與制度環境優化，平臺企業逐步構建起更具彈性和透明度的智能算法體系。新型算法架構通過時空數據建模與動態優化算法，串聯起工作時段、地理位置隨機分布的零工工作者，高效匹配市場需求、優化勞動力資源配置，顯著提升零工工作者的工作效率和收入[20]。更規范化的算法指導意味著任務分配和報酬計算過程更可預測，零工工作者可以更清晰地理解算法的運作邏輯，其感知算法控制程度相應提高。此時，零工工作者通過提高經濟效益和對工作過程的掌控感有效緩解工作壓力。

然而，隨著平臺企業愈加注重效率和客戶服務體驗，算法通過不斷縮短任務時長，并輔以嚴格的懲罰機制（如封號、扣薪、取消優先接單權等）構建高強度規訓體系，導致零工工作者算法控制感知持續強化[21]。這種“算法鐐銬”效應迫使零工工作者參與“趕工游戲”：零工工作者為維持平臺評級而不得不長期處于高壓力、快節奏的工作狀態，造成身心資源的嚴重耗損。此外，算法通過實時定位追蹤、行為數據采集等技術手段構建“全景監控”機制，實質上違背了在線勞動平臺倡導的靈活性和自主性原則；強控制的監督模式不僅剝奪了零工工作者對工作過程的控制權，侵犯了零工工作者的個人隱私[22]，還削弱了零工工作者對平臺的信任，引發反感、抵觸等負面情緒。此時，零工工作者可能被迫“積極”工作來規避監管系統的負面評價，然而，持續性的非自愿勞動投入不僅難以提升工作效率，反而會加劇工作壓力，最終形成“高投入—低效能—負情緒”的惡性循環。

綜上，零工工作者的工作壓力隨著感知算法控制的增強呈先降低后上升的態勢，據此，本研究提出以下假設：

H1：零工工作者感知算法控制對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逆算法行為的影響關系中發揮中介作用

勞動過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態關系。組織為了提高效率和生產力、應對不確定性，通過制度化手段持續強化對勞動過程的控制，而具有主體性的工作者在面對雇主的嚴格控制時并非消極接受，而是采取相應的抵制策略以維護自主權、尊嚴和身份[23]。零工經濟中的工作者在延續傳統勞動者主體性特征的同時，更發展出具有技術賦權特質的抵抗策略：在因算法控制而面臨較大的工作壓力時，他們憑借在平臺勞動實踐中積累的算法認知，識別并利用技術與規則上的漏洞，通過技術手段的巧妙運用和規則的靈活解釋實施逆算法行為，在與平臺互動中實現風險的最小化和利益的最大化。具體而言，騎手群體常運用外掛程序（如智能搶單軟件）主動篩選低價值訂單，優先獲取高價值訂單機會；網約車司機則通過虛擬定位技術偽造位置信息，將位置定于需求較低的邊緣區域，在規避高峰時段強制派單壓力的同時，避免因主動拒單觸發的系統懲罰。

綜上，本研究提出以下假設：

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接受者，而是處在與算法的動態互動中通過不斷的博弈尋求自身利益最大化的積極參與者[20]，因此零工工作者對算法控制的不同感知會觸發差異化的行為響應機制。

當感知到算法控制程度過低時，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服務時長等逆算法行為以降低不確定性和不公平感。當感知到算法控制程度過高時，零工工作者因處于算法的“全景監督”中同樣感受到較大的工作壓力，激發工作者采取利用系統漏洞進行刷單套利等逆算法行為以重新獲得自主權。相反，當零工工作者感知到適中的算法控制時，其工作壓力處于較低水平，傾向于主動適應算法規則并減少逆算法行為。根據自我調節理論，個體在追求目標的過程中會激活自我調節系統，通過控制環境引發的原始反應來選擇有利于目標實現的行為策略[24]。當在線勞動平臺采用具備精確性、靈活性特征的算法模型，并配套完善的算法規范體系時，零工工作者會將算法控制機制內化為自我管理工具，使其充分認知到算法在提升工作效率、優化收入結構方面的積極作用，從而有效緩解工作壓力。基于上述認知轉變，零工工作者開始主動設計和采納與算法適配的行為策略：利用算法預測交通流量和擁堵情況，動態調整工作路線；將地理位置相近的任務進行批量處理，顯著降低移動成本并提升單位時間產出；持續跟蹤算法反饋數據，針對性改進服務方式以提升用戶評分，從而形成“服務質量—平臺評級—訂單獲取”的良性循環。這種策略創新不僅實現了自我管理的優化和工作方式的升級，更通過人機協同效應達成個人收益最大化目標。

綜上，感知算法控制對逆算法行為的影響并非簡單的線性關系，工作壓力在其中具有中介作用，據此，本研究提出以下假設：

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

3. 零工工作者成就動機的調節作用

成就動機作為一種內在自驅力，反映了個體在面對挑戰性任務時，基于成功預期所展現的目標導向性行為和心理特質[25]。現有研究表明，零工經濟從業群體普遍是年齡結構年輕化、教育水平基礎化的“雙低”人群[26]。究其原因，年輕一代的工作者具有更強的風險偏好和職業探索意愿，對自我實現存在更高訴求，而學歷水平較低的工作者則面臨傳統就業市場的準入壁壘。零工經濟通過構建彈性化工作場域，為這類群體創造了突破結構性制約、實現人力資本增值的實踐空間。因此，分析零工工作者的成就動機有助于揭示其在在線勞動平臺上的獨特行為特征。

基于自我調節理論框架，成就動機的強度差異會系統性地影響個體對算法控制的認知與反饋機制[27]。首先，高成就動機者往往將適度的算法控制內化為績效提升工具。這類群體傾向于主動適配算法規則，通過建構性自我調節機制降低工作壓力感知，并有效利用算法反饋優化任務執行策略。這種適應性行為源于其成功歸因模式——將算法約束重構為能力展示平臺，繼而形成“挑戰—技能”動態平衡。其次，高成就動機強烈的成就導向與自我效能感形成正向強化回路。高動機個體在面對算法控制時展現顯著的心理韌性，能夠通過即時策略調整化解工作壓力，并在持續的能力驗證中鞏固職業自信。

綜上，本研究提出以下假設：

H4a：成就動機正向調節感知算法控制與逆算法行為的“U”形關系，使其更陡峭。

H4b：成就動機正向調節感知算法控制與工作壓力的“U”形關系，使其更陡峭。

綜合上述假設，本研究的理論模型如圖1所示。

三、 研究方法

1. 樣本選擇與數據收集

本研究以武漢市外賣騎手為研究對象，采用滾雪球抽樣方法開展問卷調查。研究團隊首先向36名武漢外賣騎手當面發放問卷并進行深度訪談，隨后通過受訪騎手將問卷鏈接推送至其所在的工作微信群開展線上調查。最終共回收問卷723份，經數據清洗后獲得有效樣本585份。所有有效樣本來自美團、餓了么兩大平臺的在職騎手。人口統計特征如下：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. 變量測量

本文使用國內外已有的成熟量表進行變量測量。各變量的測量采用李克特五點計分的方式，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]開發的感知算法控制量表進行測量。量表包含算法追蹤評估、算法規范指導和算法行為約束三個維度，共6個條目。本研究中該量表的Cronbach’s α值為0.864。

成就動機，采用葉仁敏等[28]修訂的成就動機量表進行測量，共包含5個條目。本研究中該量表的Cronbach’s α值為0.888。

工作壓力，采用Cohen等[29]開發的工作壓力量表進行測量，該量表經楊廷忠等[30]修訂并翻譯為中文版，共包含5個條目。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]開發的反抗算法量表進行測量，共包含6個條目。本研究中該量表的Cronbach’s α值為0.897。

參考已有文獻，選擇零工工作者的個體特征與工作特征兩方面進行變量控制，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。

具體量表題項見表1。

四、 研究結果

1. 共同方法偏差與效度檢驗

本文使用SPSS 26.0和Amos 24.0對問卷數據進行驗證性因子分析，檢驗各變量間的區分效度。表2顯示，四因子模型的擬合指標最佳，感知算法控制、成就動機、工作壓力、逆算法行為四個變量之間的區分效度良好（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ULMC分析法（Unmeasured Latent Methods Factor）檢驗了共同方法偏差，結果表明ULMC模型的擬合指標并未優于四因子模型，不存在嚴重的共同方法偏差。

2. 描述性統計與相關性分析

本文使用SPSS 26.0對問卷數據進行描述性統計分析，包括各變量的均值、標準差和相關系數。表3顯示，感知算法控制平方對工作壓力（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

本文采用方差膨脹因子（VIF）和容差（Tolerance）進行多重共線性檢驗。結果表明，感知算法控制、成就動機、工作壓力、逆算法行為四個變量的VIF均小于5，容差均大于0.1，因此不存在嚴重的多重共線性。

4. 假設檢驗

（1）主效應檢驗

本文使用SPSS 26.0進行回歸分析，并通過三步法（自變量的二次項系數顯著為正，自變量取最小值時曲線的斜率為負、自變量取最大值時曲線的斜率為正，曲線的拐點位于自變量的取值范圍內）檢驗感知算法控制和逆算法行為之間的“U”形關系[31]。表4顯示，在模型5的基礎上引入感知算法控制平方項后，模型6的擬合優度得到顯著改善（ΔR2=0.256，plt;0.001）。第一步，模型6結果顯示感知算法控制平方項對逆算法行為具有顯著正向影響（b=0.649，plt;0.001）。第二步，構建感知算法控制（X）與逆算法行為（Y）的回歸方程：Y=b0+b1X+b2X2，斜率方程：S=b1+2b2X。經過均值中心化的X取值范圍為[-2.075，2.392]，b1=0.012，b2=0.649，當X=-2.075時，S=-2.681；當X=2.392時，S=3.117。第三步，X的拐點為（-b1/2b2）=-0.009，位于X的取值范圍內。綜上，感知算法控制與逆算法行為呈“U”形關系。進一步采用STATA的utest命令檢驗發現，感知算法控制與逆算法行為“U”形關系的p值小于0.001；當感知算法控制未中心化時，一次項系數為-3.611，二次項系數為0.610，拐點（-3.611/2×0.610）=2.960落在[1，5]的數據范圍內，驗證了“U”形關系的穩健性。

進一步檢驗感知算法控制和工作壓力之間的U形關系。在模型1的基礎上引入感知算法控制平方項后，模型2的擬合優度得到顯著改善（ΔR2=0.276，plt;0.001）。第一步，在模型2中，模型6結果顯示感知算法控制平方項對工作壓力具有顯著正向影響（b=0.604，plt;0.001）。第二步，構建感知算法控制（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X=-2.075時，S=-2.547；當X=2.392時，S=2.850。第三步，X的拐點為（-b3/2b4）=0.033，位于X的取值范圍內。綜上，感知算法控制與工作壓力呈“U”形關系。進一步采用STATA的utest命令檢驗發現，感知算法控制與工作壓力“U”形關系的p值小于0.001；當感知算法控制未中心化時，一次項系數為-3.515，二次項系數為0.586，拐點為（-3.515/2×0.586）=2.999落在[1，5]的數據范圍內，驗證了“U”形關系的穩健性。因此，H1得到支持。（2）工作壓力的中介效應檢驗

本文使用開發的曲線中介宏（MEDCURVE）重復抽取5000個Bootstrap樣本檢驗中介模型中的瞬時間接效應（Instantaneous Indirect Effects）[32]。結果顯示，感知算法控制與工作壓力不存在顯著關系（b=-0.884，SE=0.230，pgt;0.1），感知算法控制平方項對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。

進一步計算了在不同的感知算法控制水平下（M±SD），工作壓力對逆算法行為的瞬時間接影響。結果顯示，感知算法控制從較低到中等水平的增加通過工作壓力間接減少逆算法行為（X-SD=2.089，θ=-0.827，SE=0.065，95%的置信區間為[-0.957，-0.706]；XM=2.947，θ=-0.046，SE=0.023，95%的置信區間為[-0.092，-0.001]），當感知算法控制處于較高水平時，感知算法控制的增加，會通過工作壓力促進逆算法行為增加（X+SD=3.806，θ=0.734，SE=0.058，95%的置信區間為[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，工作壓力發揮負向中介作用；而當感知算法控制水平較高時，工作壓力發揮正向中介作用，H3得到支持。

（3）成就動機的調節作用檢驗

本文分別構造成就動機與感知算法控制、感知算法控制平方的交互項，進一步說明成就動機對感知算法控制與工作壓力、逆算法行為之間“U”形關系的調節作用。結果表明，在模型8中，感知算法控制平方與成就動機的交互項對逆算法行為的作用顯著（b=0.129，plt;0.01），成就動機使感知算法控制和逆算法行為的“U”形關系更陡峭。圖2為成就動機分別高于和低于均值一個標準差時感知算法控制對逆算法行為的“U”形關系的效應圖。低成就動機時，斜率=-0.069（ns），曲率=0.358（plt;0.001）；高成就動機時，斜率=-0.024（ns），曲率=0.804（plt;0.001）。結果表明，當個體成就動機較高時，感知算法控制與逆算法行為之間的“U”形關系更陡峭，H4a得到支持。

在模型4中，感知算法控制平方與成就動機的交互項對工作壓力的作用顯著（b=0.072，plt;0.01），成就動機使感知算法控制和工作壓力的“U”形關系更陡峭。圖3為成就動機高于和低于均值一個標準差時感知算法控制影響工作壓力的效應圖。本研究進一步計算在成就動機分別高于和低于均值一個標準差時的斜率和曲率。低成就動機時，斜率=-0.109（ns），曲率=0.335（plt;0.001）；高成就動機時，斜率=-0.028（ns），曲率=0.817（plt;0.001）。結果表明，當個體成就動機較高時，感知算法控制與工作壓力之間的“U”形關系更陡峭，H4b得到支持。

五、 結論

本文基于自我調節理論和勞動過程理論的控制抵制框架，系統探討了零工工作者感知算法控制對逆算法行為的作用機制，發現：感知算法控制分別與工作壓力、逆算法行為呈現“U”形關系；工作壓力中介了感知算法控制與逆算法行為之間的“U”形關系；成就動機在感知算法控制對工作壓力和逆算法行為的“U”形關系中發揮正向調節作用。

1. 理論意義

（1）本文基于自我調節理論和勞動過程理論的控制抵制框架，以外賣騎手群體為研究對象，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，彌補了現有算法控制感知領域對工作壓力及逆算法行為產生的內在機制研究的不足，豐富了算法管理領域的理論研究。在此基礎上，探討了成就動機這個體特質變量在感知算法控制與逆算法行為之間“U”形關系的邊界影響，為后續探尋算法管理如何“揚長補短”提供了新思路。

（2）揭示了感知算法控制的非線性效應，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注的焦點，也是平臺企業面臨的現實挑戰。已有文獻對感知算法控制的理論研究傾向于分析其潛在的線性效應，而本研究揭示了零工工作者對算法控制感知的“U”形關系，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，反而能夠激勵工作者更好地適應算法環境，從而降低其逆算法行為的傾向，進一步深化了人們對算法管理的認識。

2. 管理啟示

（1）在線用工平臺須建立常態化的人工智能與算法知識培訓機制，并推進算法透明化進程。系統的算法指導可有效幫助零工工作者準確認知算法運作機理及其對勞動過程的實際影響，進而消解因技術黑箱引發的過度焦慮與合法性質疑。透明的算法管理不僅能夠強化平臺治理效能，更有助于構建基于技術共識的互信型勞動關系。工作者擺脫算法認知困境，既可緩解其工作壓力，又能減少逆算法行為，進而促進平臺與之良性互動，最終實現平臺與零工工作者的雙贏局面。

（2）算法控制強度的閾值管理是企業數字化治理的核心命題。適度的算法控制可有效優化工作者的任務執行路徑，實現效率提升與價值創造的耦合效應。但須警惕過度控制引發的負向激勵：超限的算法約束不僅會加劇工作者的心理負荷，更可能觸發策略性低效生產、選擇性指令規避等反控制行為。因此，企業在設計和應用算法控制時，須構建動態平衡機制，在算法系統中嵌入自主決策空間，通過實時反饋通道與彈性調節機制，使技術控制與工作者主體性形成有機統一。這種治理范式既能保障算法效能的最大化釋放，又能通過增強工作自主性提升工作者的組織承諾，最終達成技術應用與人文關懷的均衡發展。

（3）政府須構建更和諧的新型勞動關系，指引平臺企業承擔更多社會責任，開展更有效的零工勞動力管理。首先，拓寬政策制度的適用對象和范圍，將零工群體全面納入勞動合同、最低工資與社會保障制度覆蓋范圍，重點完善職業傷害保險等新型保障機制。其次，強化平臺企業社會責任的制度約束，建立算法備案審查、勞動強度監測等預防性監管體系，遏制零工經濟中的技術權力濫用。最后，創新集體協商機制，推動建立具有零工經濟特質的行業性工會組織，構建政府主導、平臺協同、勞動者參與的多層次權益保障體系，從而實現數字經濟背景下勞動關系的包容性發展。

3. 研究不足與展望

本研究仍有以下幾點不足：首先，樣本群體較為單一，僅以外賣騎手為例進行探討，因而研究結果的普適性存在一定局限，后續研究應納入更多不同群體和地區的樣本。其次，由于采用問卷調查法收集的數據無法完全避免主觀性偏差，建議后續研究結合案例研究和實驗研究等方法以進一步驗證研究假設并提升研究結果的外部效度。最后，基于自我調節理論和勞動過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制，后續研究可突破現有理論范式，引入新的理論視角，深化對感知算法控制與其他結果變量間復雜關系的探索，構建更完整的零工經濟算法治理理論體系。

參考文獻：

[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.數字化時代的人力資源管理：基于人與技術交互的視角[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.在線勞動平臺算法管理：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.平臺算法控制對零工工作者離職傾向的影響機制研究[J].管理學報，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.“數字控制”下的勞動秩序——外賣騎手的勞動控制研究[J].社會學研究，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.員工反抗算法的結果及影響機制：資源保存的視角[J].管理工程學報， 2024，38（1）：31-45.

[13] 吳清軍，李貞.分享經濟下的勞動控制與工作自主性——關于網約車司機工作的混合研究[J].社會學研究，2018，33（4）：137-162.

[14] 周戀，李嘉慧，雷雪，等.在線用工平臺從業者算法抵制行為量表開發與檢驗[J].中國人力資源開發， 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對零工工作者情緒耗竭的影響：基于合法性判斷視角[J].系統管理學報，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、測量與服務績效影響驗證[J].南開管理評論，2021，24（6）：14-27.

[19] 張蘭霞，李佳敏，毛孟雨.零工工作者感知算法控制對工作投入的影響機制研究——基于認知和情感的雙路徑模型[J].商業經濟與管理，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].中國人力資源開發，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，錢智超，等.零工工作者工作壓力：形成機理與量表開發[J].南開管理評論，2023，26（3）：244-258.

[27] 占小軍，盧娜，羅文豪，等.自我調節理論視角下教練型領導對員工主動擔責行為的作用機制研究[J].管理評論，2020，32（8）：193-203.

[28] 葉仁敏，Hagtvet K A.成就動機的測量與分析[J].心理發展與教育，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.社會轉型中城市居民心理壓力的流行病學研究[J].中華流行病學雜志，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.

作者簡介：倪艷，女，博士，湖北省社會科學院經濟研究所副所長、副研究員、研究生導師，研究方向為人力資源管理及組織行為；柳文軒，通訊作者，男，湖北省社會科學院經濟研究所碩士研究生，研究方向為人力資源管理及組織行為。

（收稿日期：2024-12-10" 責任編輯：魯文雯）