平台劳动者“逆算法行为”形成过程中羊群效应探讨——来自演化博弈模型及数值仿真实验的证据

刘 苹 张 一

一、引言

羊群效应理论有助于我们更好地理解平台劳动者“逆算法行为”的形成和演化。“逆算法行为”是指平台劳动者，即依托于数字平台开展劳动的各类众包从业人员(邹开亮和王霞，2022[1])，为摆脱平台算法规则对自己的不利影响所采取的一种主体性策略(刘善仕等，2022[2]；张媛媛，2022[3])，从而使算法更有利于增加自身利益的行为(李营辉，2022[4])。实践中，平台劳动者与数字平台之间固有的以利益为核心的博弈导致了“逆算法行为”的出现，这不仅使得平台算法运行机制处于部分或完全失灵的状态(范如国，2021[5])，还将平台劳动者置于了竞相角逐、自我施压的“内卷竞争”中(Yan 等，2022[6])。从表象上看，“逆算法行为”是算法运行机制和平台劳动者二者共同作用的结果(Lee，2018[7]；Kuhn和Maleki，2017[8]；张媛媛，2022[3])，但其本质却是平台劳动者感知劳动收益与算法决策之间是否公平的主观性评判(Kellogg 等，2020[9])。“逆算法行为”研究的关键是挖掘影响平台劳动者主观性评判的核心要素(李营辉，2022[4]；张媛媛，2022[3])。羊群效应(Herd effect)理论认为，依据预期收益最大化原则进行的行为模仿是个体普遍遵循的决策逻辑(汪熠杰等，2022[10]；Zemsky，1998[11])，这就使得“逆算法行为”成为平台劳动者感知到收益与公平不对等后的最佳逻辑结果(沈灏和辛姜，2023[12]；李营辉，2022[4])。截止目前，已有学者从算法逻辑(孙萍，2019[13])、算法权力规训(顾烨烨和莫少群，2022[14])、工作压力与认知体验(刘苹，2023[15]；刘善仕等，2022[2])等多个角度对“逆算法行为”形成进行了有益的探讨，但现有相关文献中尚无关于探讨“逆算法行为”形成及演化过程中羊群效应方面的学术成果。

关于平台劳动者“逆算法行为”形成及其演化机制中羊群效应问题是值得学术界探讨的一个重要课题。从现有相关研究成果可知，虽然平台劳动者的主观性评判是影响“逆算法行为”的关键因素，但“逆算法行为”的形成和演化还会受到情境因素的形塑作用，其中平台惩罚力度和负外部效应是影响“逆算法行为”的重要情境因素。社会学习理论(social learning theory)指出，除预期收益下的行为模仿外，无意识状态下的群体感染会使得个体的行为决策随情境因素的变化呈现出差异性(汪熠杰等，2022[10]；徐浩等，2019[16])。首先，不同程度的平台惩罚力度在约束和规范劳动过程、劳动收益和劳动行为等方面存在差异性(邹开亮和王霞，2022[1]；李营辉，2022[4])，从而对“逆算法行为”的影响也有所不同。其次，作为重要的情境因素，“逆算法行为”所造成的负外部性效应会在平台劳动者群体中不断扩散和蔓延，诱发群体性的不良后果(Molleman和Gachter，2018[17]；Mesoudi，2011[18])，并对“逆算法行为”的出现产生显著影响。因此，在探讨平台劳动者“逆算法行为”形成过程中羊群效应的作用机制时，还需要考虑平台惩罚力度与负外部性水平的影响。基于上述原因，本文根据社会学习理论，从劳动收益、平台惩罚力度、负外部性水平三个维度构建平台劳动者“逆算法行为”形成及演化博弈模型，通过模型求解和数值仿真实验，旨在揭示平台劳动者“逆算法行为”形成过程中羊群效应的作用。

二、文献综述与研究假设

(一)平台劳动者劳动收益、羊群效应与“逆算法行为”之间的关系

劳动收益，根据社会学习理论中关于人类决策行为动机的解读(Molleman等，2014[19]；Mesoudi等，2011[18])，可以分为生理收益与心理收益两种类型，该分类有助于解释个体在有限信息的环境下为何会模仿他人的行为以实现自身收益最大化的目的(汪熠杰等，2022[10]；徐浩等，2019[16])。近年来，数字平台追求“效率至上”的理念愈发明显(Rosenblat和Stark，2016[20])，却忽略了平台劳动者的情感体验(王蔚，2021[21]；Liu等，2022[22])。这种现象的出现不仅导致了平台劳动者劳动自主性的高度压缩和劳动强度的大幅度提升，还迫使平台劳动者采取逃避、解码和操作算法运行机制(Kellogg等，2020[9])以提高自身的生理与心理收益，使“逆算法行为”成为平台劳动者的最佳选择(张媛媛，2022[3])。

羊群效应是指个体在不完备信息环境下对他人的行为进行复制、模仿和跟随的现象(Banerjee等，1992[23])。根据羊群效应理论，存在两种机制会对个体的行为产生影响，一是预期收益下的行为模仿；二是无意识的群体感染(徐浩等，2019[16]；张媛媛，2022[3])。羊群效应会影响平台劳动者对待劳动收益的感知程度，进而推动“逆算法行为”的出现，原因在于：首先，平台劳动者对生理收益提高的预期会促使他们刻意识别和利用算法漏洞，达到“省时省力”的效果(陈洋等，2020[24])；一旦该效果达成，平台劳动者在预期收益的导向下会不断重复这种行为，最终实现对数字劳动过程中“逆算法”化的改造(李营辉，2022[4])。其次，因心理收益增大所带来的负面情感宣泄和工作压力释放，无疑会让平台劳动者意识到解码和操作算法运行机制的行为能够带来更高的心理满足感(汪熠杰等，2022[10]；Doorn， 2017[25])。从收益和公平角度看，没有得到这种心理满足感的平台劳动者会在潜意识中认为这种行为是合理的，因为反抗算法的行为能够显著降低算法不公平决策对他们的负面影响(魏昕等，2024[26])；进一步地，在劳动实践中，这部分平台劳动者会有意或无意识地跟随和模仿他人的行为，从而参与和推动“逆算法行为”。总之，劳动收益的提高在羊群效应的作用下推动了“逆算法行为”的产生。据此，本研究提出假设1：

H1：羊群效应在平台劳动者劳动收益对“逆算法行为”的影响过程中存在正向影响。

(二)平台惩罚力度、羊群效应与“逆算法行为”之间的关系

平台惩罚制度建立和实施的目标在于规范平台活动、降低运营成本和运行风险，从而提升平台运营效率(范如国，2021[5])。已有研究认为，惩罚制度的出现能够有效防范机会主义、规范各种行为以维持利益联盟的稳定(刘苹等，2022[27])；惩罚力度的缺失或者选择性惩罚则会导致多方增益受损，最终引发价值共毁(刘建刚等，2023[28])。

在数字劳动中，数字平台通过算法技术构造了模糊却又全面的规则体系，通过对违反算法规定的平台劳动者采取罚款、封号或不派单等惩罚性措施，在一定程度上有利于让平台劳动者的行为符合既定的算法规则(Kellogg等，2020[9]；陈龙，2020[29]；范如国，2021[5])。然而，这种全景式的算法监控却严重影响了平台劳动者的劳动体验(王蔚，2021[21])。一方面，由于单笔劳动订单的收益与平台惩罚力度之间存在着严重的不对等性(Rosenblat和Stark，2016[20]；孙萍，2019[13])，平台劳动者往往会倾向于采取各种行为来反抗算法(Cameron和Rahman，2022[30])。例如：在外卖行业，骑手会通过“挂单”“报备”等方式来延长配送时间(陈龙，2020[29])；网约车司机会通过安装外挂软件来过滤垃圾单，实现辅助抢单(Rosenblat和Stark，2016[20])；秀场主播则会通过各种“刷票群”来“制造数据”(顾烨烨和莫少群.2022[14])。另一方面，羊群效应通过强化“法不责众”理念在平台劳动者中的心理预期(汪熠杰等，2022[10])，让平台劳动者觉得选择“逆算法行为”的人越多，则自身遭受处罚的可能性会越小，这就使得部分平台劳动者出现“不干吃亏”和“参与有利”的心态，从而实施“逆算法行为”以获得积极收益。因此，基于惩罚制度所建立的算法规则体系，会通过羊群效应进一步激发平台劳动者的“逆算法行为”。据此，本研究提出假设2：

H2：羊群效应在平台惩罚力度对“逆算法行为”的影响过程中存在正向影响。

(三)负外部性水平、羊群效应与“逆算法行为”之间的关系

现阶段，无论是数字平台还是平台劳动者，他们所面临的市场需求与市场环境都表现出持续多样化且竞争日益加剧的趋势，他们的行为动机都伴随着明显的机会主义倾向(荆文君等，2022[31])。负外部性(Negative externalities)，是指无法在价格中反映的由某一个体的行为对其他个体产生了负面影响、而后者却无法获得任何补偿的现象(荆文君等，2022[31]；王辉和宁炜，2022[32])。在数字劳动中，数字平台依托算法技术实时获取平台劳动者的行为数据(Griesbach等，2019[33])，并将其投入到机器学习中以不断优化平台效率(Azevedo和Wey，2016[34]；Leicht-Deobald等，2019[35])。但是，由于机器学习结果具备不可预测性，一旦将由“逆算法行为”所生产的数据用于算法决策中，算法就会认为当前的劳动生产率还存在可以优化的空间(张恩典，2020[36])，进而不断压缩劳动时间、降低单位劳动价格，虽然提升了平台的经济收益却给平台劳动者带来负外部性效应。更重要的是，在平台网络外部性结构的作用下(范如国，2021[5])，这种负外部性效应会通过群体感染和行为模仿在平台劳动者群体中快速扩散和蔓延(荆文君等，2022[31]；范如国，2021[5])，进一步降低平台劳动者的劳动收入、工作幸福感和工作体验感，诱发他们采取措施来逃避或欺骗算法，并推动“逆算法行为”的出现。据此，本研究提出假设3：

H3：羊群效应在负外部性水平对“逆算法行为”的影响过程中存在正向影响。

三、平台劳动者“逆算法行为”的演化博弈模型构建

目前，国内文献对于“逆算法行为”的研究基本停留在理论探讨和归纳演绎分析的层面，对平台劳动者“逆算法行为”的形成及演化机制中的羊群效应并没有进行深入的建模分析。为此，本文将同一平台中从事劳动生产的平台劳动者视为博弈主体，通过构建演化博弈模型来分析平台劳动者“逆算法行为”形成过程中羊群效应的作用。

(一)参数设置

1.假设存在一个由多个平台劳动者构成的劳动群体I，A和B为群体I中任意两个无差异的平台劳动者，他们依托于某一个数字平台从事劳动生产。平台劳动者的行为方式遵循有限理性，当“逆算法行为”出现时，他们会根据自身的实际情况选择模仿(Imitation behavior，IB)或不模仿(Non-imitative behavior，NB)两种策略。因此，本文将平台劳动者A和B的行为策略集设置为{IB，NB}={模仿，不模仿}；x和y分别表示二者选择行为IB的初始概率，1-x和1-y分别表示选择行为NB的初始概率，且x、y∈[0，1]。

2.参考汪熠杰等(2022)[10]、陈洋等(2020)[24]的研究，假设平台劳动者在选择IB策略后，不仅可以获得由“逆算法行为”所带来“省时省力”的效果，还能够获得负面情感宣泄和缓解工作压力所产生的心理满足感。因此，本文用参数u和h分别表示平台劳动者的生理收益与心理收益。

3.参考徐浩等(2019)[16]的研究，由于IB策略的选择不仅意味着平台劳动者需要投入一定的时间和精力来学习和模仿这种行为，还有可能遭受罚款、封号或不派单等惩罚。因此，本文将选择IB策略带来的固定成本和机会成本分别设置为c1和c2。

4.参考刘苹等(2023)[37]和张恩典(2020)[36]的观点，在平台劳动者选择IB策略后，算法会意识到劳动生产效率还存在提升的空间，从而使得平台劳动者被迫采取横穿马路或者逆行等方式来提高工作效率。因此，本文将这部分由负外部性带来的损失记为d。

5.参考汪熠杰等(2022)[10]的研究，由于IB策略的出现是对平台算法运行机制的否定和破坏，在不完备的信息环境下，羊群效应会强化“法不责众”的理念在平台劳动者中的心理预期。因此将数字平台对采取IB策略的惩罚力度设置为pc2，其中p∈(0，1)，以体现“法不责众”理念。

6.考虑到实际情况，如果平台劳动者采取NB策略，那么对于任意平台劳动者而言，他们只能获得初始收益a。最后，为方便模型演算，上述参数统一设置为正数。结合参数设置与基本假设，可以推导出博弈支付矩阵，如表1所示。

表1 平台劳动者A和B的博弈支付矩阵

(二)考虑“羊群效应”的演化博弈模型构建。

根据表1中的博弈支付结果，可以推导出平台劳动者的复制动力方程如下：

(1)

(2)

(3)

(4)

根据羊群效应理论，“逆算法行为”的产生存在两条路径，一是无意识下的群体感染，二是预期收益下的行为模仿(徐浩等，2019[16]；张媛媛，2022[3])。因此，假设H代表羊群效应的大小；k表示羊群效应的影响力度，取值范围为k∈[0，1]。那么，对于平台劳动者A而言，在策略集{IB，NB}中，其收益状态可以调整为：

(5)

根据Skyrms(2005)[38]的观点，群体中羊群效应的大小会受平台劳动者数量、选择从众行为的频率等因素影响，因此，羊群效应H可抽象为一种增函数。参考陈洋等(2020)[24]和汪熠杰(2022)[10]等的方法，本文用平台劳动者B选择NB行为的概率表示平台劳动者A受到的羊群效应H的大小。因此，在考虑羊群效应后，平台劳动者A的收益变为：

(6)

进一步，平台劳动者A的复制动力方程可以表示为：

(7)

同理，通过推导平台劳动者B的复制动力方程，可以构建羊群效应下的复制动力系统为：

(8)

四、平台劳动者“逆算法行为”的模型求解与稳定性分析

(9)

表2 雅克比矩阵J的行列式(DetJ)与轨迹(trJ)

在表2中，当且仅当DetJ>0且trJ<0时复制动力系统才存在稳定性(Lyapunov，1994[40])，由于pc20。这说明，E2(0，1)、E3(1，0)不可能成为系统的均衡稳定点(ESS)，所以本研究仅针对E1(0，0)、E4(1，1)两种情况进行讨论(见表3)。

表3 均衡点的局部稳定性

1.情况S1。

存在u-c1-c2-k/(1-k)。此时，复制动力系统(8)中所有的平台劳动者都倾向于采取NB策略，即所有的平台劳动者均不愿意加入“逆算法行为”实践中。

2.情况S2。

存在u-c1-c2>k/(1-k)且pc2-c1-h-d-u<-k/(1-k)。此时，复制动力系统(8)中所有的平台劳动者都倾向于采取IB策略，即所有的平台劳动者都愿意加入“逆算法行为”实践中。

3.情况S3。

存在u-c1-c2

图1 情况S3状态下的演化相位

五、平台劳动者“逆算法行为”的数值仿真实验

(一)不存在羊群效应时平台劳动者的行为演化分析

为更直观地说明平台劳动者“逆算法行为”形成过程中羊群效应的作用，本部分将应用数值算例进行仿真实验。根据文献假设与稳定性分析的结果，本文将初始参数进行如下设定：令平台劳动者的初始收益a=10；学习或掌握逆算法实践的固定成本c1=5；平台劳动者的心理效益h=10；生理效益u=20；负外部性带来的损失d=5；平台对逆算法的惩罚力度c2=50、p=0.096。

图2展示了羊群效应较弱状态下的演化结果。由图2可知，随着演化时间的推进，单个平台劳动者演化到E1(0，0)或E4(1，1)稳定状态的时间要滞后于劳动群体大约1至1.5个单位时间。除此之外，图2(b)的演化结果还表明，当平台劳动者意识到“逆算法行为”能够为自身带来积极的生理效益u与心理效益h时，即便面临高额的平台惩罚c2与外部性损失d，平台劳动者也会“铤而走险”采取IB策略。这说明，平台单方面采取罚款、封号或不派单等惩罚措施无法有效抑制平台劳动者“逆算法行为”的出现，反而还存在激化劳资矛盾的风险，这与理论分析的结果一致(刘善仕等，2022[2]；李营辉，2022[4])。

图2 羊群效应较弱时平台劳动者的行为演化

(二)存在羊群效应时平台劳动者的行为演化分析

在其他参数保持S2的稳定性水平时，通过提高羊群效应的影响力度k，使得k=0.9。此时，参数结果满足情况S3的约束条件，仿真结果如图3所示。

图3 羊群效应较强时平台劳动者的行为演化

图3的演化结果表明，选择IB策略与NB策略平台劳动者的群体规模的临界值为0.35。这说明，当存在羊群效应时，若选择IB策略的群体规模大于0.65时，“逆算法行为”才会在劳动群体中快速扩散和蔓延，最终成为群体性行为；相反，而当采取NB策略的群体规模小于0.35时，NB策略将会成为最终的稳定结果。仿真结果说明，羊群效应会对平台劳动者“逆算法行为”的形成和演化产生重要影响。

(三)羊群效应对平台劳动者“逆算法行为”的影响

结合图2和图3的仿真结果可得，平台劳动者“逆算法行为”的出现不仅取决于劳动收益、成本、负外部性水平等因素，还取决于羊群效应的大小。因此，本部分将进一步明确羊群效应在“逆算法行为”形成过程中的作用。由图1可知，平台劳动者选择不模仿行为(0，0)的策略与四边形面积S呈正相关，而选择模仿行为(1，1)的策略与面积S呈负相关，因此根据鞍点E5(x*，y*)的坐标，可以将面积S简化为S=φ/ψ，其中φ=k-(u-c1-c2)(1-k)，ψ=(1-k)(h+c2-pc2+d)+2k，此时，φ>0，ψ>0。

1.平台劳动者心理收益h与生理收益u对羊群行为的影响。

参数h与u分别代表了平台劳动者采取“逆算法行为”时感知到的心理与生理效益。结合情况S3的约束条件可知，∂S/∂h=-(1-k)φ/ψ2<0且∂S/∂u=-(1-k)ψ/ψ2<0恒成立，所以面积S是关于h与u的减函数，即当平台劳动者采取IB策略时感知到的心理与生理收益越大，面积S会越小，从而劳动群体会越倾向于采取IB策略。在图3的基础上，保持其余参数的结果不变，分别提高h与u值至40，仿真结果如图4所示。

图4 心理与生理效益对“逆算法行为”的影响

图4展示了平台劳动者心理收益h与生理收益u的变化对系统的影响。对比图3可知，当平台劳动者所感知到的心理收益h与生理收益u增大时，临界值分别出现了0.1与0.2个单位的下降，同时生理收益的下降幅度比生理收益的下降幅度高出了0.1个单位。这表明平台劳动者对待生理收益u的敏感度要显著高于心理收益h的敏感度。同时，也说明“逆算法行为”的发生不仅能够为平台劳动者带来省时省力等生理上的满足，同时还能在平台算法控制之下实现自身主体性回归，进而获得心理上的收益。因此，有证据表明H1得到支持。

2.平台惩罚力度c2与“法不责众”p对羊群行为的影响。

结合稳定条件S3并对面积S关于c2和p分别求偏导数，可以得到∂S/∂c2=(1-k)[ψ-φ(1-p)]/ψ2>0与∂S/∂p=(1-k)c2φ/ψ2>0恒成立。这说明，随着平台惩罚力度c2与“法不责众”p的增大，面积S会越大，平台劳动者会倾向于采取NB策略。在图3的基础上，保持其余参数不变，分别提高c2与p值至c2=100，p=0.96，仿真结果如图5所示。

图5 惩罚力度对“逆算法行为”的影响

图5展示了惩罚力度对“逆算法行为”的影响。在图5(a)中，当平台惩罚力度c2大幅度提高以后，劳动群体中选择IB策略的临界值仍然保持在0.35的水平；反之，若平台“法不责众”的效用提高至p=0.96，演化状态的临界值变为0.25。图5的仿真结果说明，相比较提高“法不责众”p而言，单方面提高平台惩罚力度c2不会有效抑制平台劳动者“逆算法行为”的出现。这说明，在实际工作中，平台劳动者对预期行为的抉择会更多地取决于自己感受到的预期收益，具有“收益偏好，风险厌恶”的倾向(张一，2020[41]；黄俊等，2015[42])。因此，没有充分的证据能够支持H2成立。

3.负外部性水平d对羊群行为的影响。

参数d代表了平台数字劳动中，由“逆算法行为”所导致的负外部性的大小。根据∂S/∂d=-(1-k)φ/ψ2，结合情况S3可知，∂S/∂d<0恒成立。因此，随着负外部效应d增大，面积S会越小，平台劳动者更有可能采取IB策略。

图6展示了负外部性水平变化对“逆算法行为”的影响。在图6(a)中展示了在其他参数维持图3的水平的条件下，降低负外部性水平d到2.5的状态，此时当平台劳动者采取IB策略群体规模达到0.75时，“逆算法行为”才会成为最终稳定的状态。相反，将负外部性水平d提升至15时，平台劳动者“逆算法行为”出现的群体规模仅需达到0.35。这说明，负外部性水平与“逆算法行为”之间具有正向影响。换言之，负外部性水平越高，劳动群体中越容易出现“逆算法行为”。因此，H3得到支持。

图6 负外部水平对“逆算法行为”的影响

六、研究结论与展望

(一)研究结论

本文基于羊群效应理论，构建了平台劳动者“逆算法行为”形成与演化机制博弈模型，通过模型求解和数值仿真实验，揭示了羊群效应在平台劳动者“逆算法行为”形成及演化过程中的作用，得出以下几点研究结论。

第一，平台劳动者劳动收益的提高能够通过羊群效应正向影响“逆算法行为”的出现。本研究发现：一方面，当平台劳动者感知到“逆算法行为”带来的生理收益与心理收益处于更高水平之时，他们对采取“逆算法行为”策略具有更强的内在动机；另一方面，由于劳动过程的不稳定性和算法控制(张媛媛，2022[3]；罗峰，2021[43])，“逆算法行为”带给平台劳动者生理与心理收益的满足感成为他们感知劳动收益与算法决策是否公平的最直接的、非正式的指标。这样，关于劳动收益影响平台劳动者采取“逆算法行为”的研究假设得到了证实(H1)。该结论不仅拓展了社会学习理论的应用边界，还能够为平台在复杂适应性生态网络中(范如国，2021[5])优化激励机制提供理论指导。

第二，平台惩罚力度的提高无法通过羊群效应有效抑制平台劳动者“逆算法行为”的出现。近年来，学者们大多将“逆算法行为”视为一种受算法规制的影响而产生的被动性行为(张媛媛，2022[3])，本研究则指出了“逆算法行为”还应该包括平台劳动者寻找和解码算法运行机制的主动性行为，并且会通过群体感染和行为模仿两种途径在群体中不断扩散和蔓延。在这种情况下，以收益最大化为导向的平台劳动者往往更容易采取“逆算法行为”来攫取更多的利益。与此同时，尽管“逆算法行为”可能会遭受到严重的平台惩罚，但受“法不责众”和群体感染等从众心理的影响，平台劳动者会认为参与“逆算法行为”的人越多，其自身受到处罚的概率就越小。因此，单方面提高平台惩罚力度不仅难以有效遏制“逆算法行为”的发生(见图5)，反而还有可能加速平台劳动者“逆算法行为”的出现(李营辉，2022[4])。这一研究结论揭示了平台劳动者“逆算法行为”不断传播和演化的背后机理，还在“推动平台经济规范健康持续发展”的大背景下(国家发改委，2021[44])，为如何有效治理平台劳动者“逆算法行为”提供依据。

第三，负外部性水平的提高能够通过羊群效应有效推动平台劳动者“逆算法行为”的出现。本文的仿真结果证实：作为影响平台劳动者“逆算法行为”的重要因素，随着负外部性水平的提高，平台劳动者出现“逆算法行为”的临界值会显著降低。这意味着，以收益最大化为导向的平台劳动者更容易采取“逆算法行为”来弥补损失。基于这一仿真结果，本文得出了负外部性水平对平台劳动者“逆算法行为”存在正向影响的研究结论，揭示了负外部性水平对“逆算法行为”的影响机制，为进一步讨论负外部性水平与平台劳动者“逆算法行为”之间的关系铺平了道路。

(二)管理启示

基于上述研究结论，本文可以得到如下管理启示：

第一，平台应该杜绝“最强算法”考核理念，创新平台劳动监管与申诉机制。本研究表明，“逆算法行为”是平台劳动者为摆脱算法规制对自己造成的不利影响所采取的一种主体性策略。在实践中，平台应该以“算法取中”作为指导理念，在算法设计和优化过程中强调社会效益，通过阈值设置、明确工作时长、适当放宽配送时间等降低平台劳动者的生理压力。更重要的是，数字平台应该积极探索和完善“平台劳动者申诉机制”，针对存在的“恶意差评”，平台可以探索“评价黑名单制度”“评价禁言机制”以及“平台劳动者反评互系统”，合理考评劳动过程与结果，并帮助平台劳动者及时宣泄和释放工作中出现的负面情绪。

第二，平台应该重视技术创新与算法优化，强化算法治理的智能化和协同化。根据本文研究可知，平台劳动者对算法决策的公平性与劳动收益的主观性评判是引发“逆算法行为”的逻辑起点。基于此，平台应该发挥算法治理的协同化理念，积极与政府等公共部门合作，探索通过平台APP、互联网等线上手段吸纳平台劳动者加入社会团体，通过群体帮扶、劳动援助等手段维护平台劳动者的合法权益。同时，平台应该积极履行社会责任，发挥算法优势，参与政府为平台劳动者提供专属休息场所的城市基础设施建设工作，如参照北京市 “小哥加油站”“司机之家”的建设模式，增强平台劳动者的幸福感。

第三，平台应该加强算法技术的监督与应用，积极推动模式创新与业务升级。本文的研究表明，负外部性水平的提高会强化“逆算法行为”的发生。基于此，数字平台一方面可以依托算法创新来提升算法的透明性，防范算法模糊决策对平台劳动者造成的技术围猎，通过算法创新来有效监督和治理因技术导致的负外部性问题；另一方面，在法律法规允许的范围内，数字平台可以充分发挥技术、数据、渠道的独特优势，通过创新业务众包、探索“所有权与使用权分离”的数字资源共建共享模式，通过业务创新与模式升级来丰富平台的盈利模式，从而防治算法决策给劳动者带来的异化。

(三)研究局限与展望

本研究基于羊群效应和社会学习理论，通过数值仿真实验，一定程度上揭示了平台劳动者“逆算法行为”的形成与演化机制，但仍然存在局限性。

其一，在研究数据的选择上，本文通过构建演化博弈模型分析了平台劳动者收益、负外部性水平、惩罚力度等对“逆算法行为”的影响，但是研究数据仅能反映在约束条件之下各参数之间的相对大小，数据仅能代表理论值。因此，未来的研究可以聚焦于开发“逆算法行为”的测度量表，通过收集真实数据来丰富理论研究成果。

其二，在研究视角的选择上，本文基于羊群效应与社会学习理论构建了平台劳动者“逆算法行为”的博弈模型，但是该博弈模型本质上是一个短期模型。从长期来看，各种随机因素也可能对“逆算法行为”的形成及演化造成积极或消极的影响。因此，未来的研究可以将随机过程纳入博弈模型中，探讨诸如劳动订单的价格和数量变化、信息不对称以及各种非理性因素的变化对平台劳动者“逆算法行为”的影响，拓展相关研究结论。

其三，在研究对象的选择上，在本研究中出现的平台劳动者主要是以外卖骑手为代表、从事生活类众包服务的劳动者。这类劳动者在劳动过程、劳动收益、工作环境、逆算法实践等方面与内容创作型(如：网络主播、网络作家等)的平台劳动者之间存在很大的差异。因此，未来的研究可以关注内容创作为代表的平台劳动者，探讨这类劳动者“逆算法行为”的形成与演化机制，以丰富和补充现有研究结论。