算法逻辑下零工工作者的情绪劳动策略选择

张志朋 闻效仪 钱智超 高雪原 裴嘉良

(1.中国劳动关系学院劳动关系与人力资源学院; 2.华南理工大学工商管理学院)

1 研究背景

当下,数字技术的变革助推了零工经济的兴起和发展,特别是围绕外卖配送、网约出行、即时配送等按需服务领域的零工经济业态方兴未艾。这种按需服务的零工经济业态通过搭建在线劳动平台实现了零工工作者和顾客之间的在线、即时匹配[1]。鉴于零工工作者是与顾客直接沟通界面的建立者和维系者,平台为了提高顾客满意度、维持顾客使用黏性,自然要求零工工作者提供高品质的服务内容,并尽量让顾客有良好的体验和感受。为了确保零工工作者的服务品质与工作效率,在线劳动平台借助数字技术推出了一系列虚拟化的人工智能算法管理举措,即算法管理实践[2]。算法能够几乎在没有人工干预的情况下实现对零工工作者工作状态、服务情况的实时、智能监管;同时,平台赋予顾客以评价的权力,即顾客可以对零工工作者的劳动过程、劳动结果等进行打分评级,且这种评级结果与其绩效奖金挂钩[3]。为此,一些零工工作者为了争取顾客的五星好评,不得不调动自己的情绪来取悦顾客。换言之,算法在驱动零工工作者付出体力劳动的同时,也难免要求其付出大量情绪劳动[4]。事实上,零工工作者的情绪劳动对其带来的折损和消耗并不比体力劳动小,然而这部分劳动却常常被忽视。相较于传统服务业态人员的情绪劳动主要是来自领导或组织的要求,零工经济业态下零工工作者的情绪劳动主要是由平台或算法驱动[4],由此不免引发思考:算法逻辑下,零工工作者的情绪劳动策略选择是什么?这种情绪劳动策略形成的深层机理是什么?

情绪劳动指的是员工为了满足组织的要求以及提高顾客满意度,通过调节自我的内在感受和外在表现进而产生的情绪调节行为,可以分为浅层扮演和深层扮演两种策略[5]。其中,浅层扮演属于一种“强颜欢笑”的服务行为,即员工假装热情为顾客提供服务,但并未改变自我的真实情绪,而深层扮演则指的是员工调动内在情绪,发自内心地为顾客提供热情、友善的服务。显然,员工的浅层扮演在很多时候容易被顾客“识破”,可能引起顾客的不满,而深层扮演才能真正提升顾客服务质量。现有研究针对银行业一线服务员[6]、旅游业导游[7]、酒店工作人员[8]等传统业态服务人员的情绪劳动影响因素及作用机制进行了探讨,大多基于GRANDEY[5]提出的经典“情绪劳动因果模型”,将影响情绪劳动的因素归结为个体因素(如性别、情感、情绪智力等)和组织因素(如工作自主性、同事支持、上级支持等)。随着零工经济以及在线劳动平台的兴起,有学者开始关注到零工工作者的情绪劳动问题。比如,GANDINI[4]基于劳动过程理论探讨了零工工作与情绪劳动关系,并指出算法所嵌入的反馈、评级和打分系统强化了零工工作者的情绪劳动。再如,ASHFORD等[9]以及毛孟雨等[10]探讨了零工工作者在零工经济业态下的情绪劳动策略。然而,现有研究存在以下不足:①大都探讨的是传统服务业态下人员的情绪劳动问题,而零工工作者不同于传统雇佣关系范式下的正式员工,他们跟平台之间没有正式雇佣关系,其情绪劳动策略的选择自然难以获上级或同事的有效支持[11]。但是现有研究鲜有探讨这种不同于传统正式组织范式下、主要依赖算法技术驱动的零工工作者情绪劳动策略影响机制。②虽然少许研究有所涉及到零工工作者的情绪劳动策略选择,但多以理论探讨或定性描述为主[4,9],缺少对零工工作者不同情绪劳动策略差异化影响机制的定量实证分析。③随着算法技术被学界愈加关注,围绕算法控制对零工工作者态度或行为的影响之研究越来越多。比如,部分研究指出,算法控制能够提升零工工作者的积极情感体验(如兴奋感、公平感等)[11],也有研究认为算法控制会给零工工作者带来诸如工作负荷、工作不安全感等不良后果[12,13]。然而,有关算法与零工工作者情绪劳动之间的传导机制尚是一个“黑箱”,这也正是本研究着力弥补的理论缺口。综上所述,结合数字化特征并基于人-机交互视角探讨算法对零工工作者情绪劳动的影响机理,应当是一个有着重要现实意义且有趣的研究话题。

按需服务业态下的零工经济最大特征在于平台依靠算法技术创造了一个几乎没有人工干预的工作环境,零工工作者几乎处于“组织真空”状态。换言之,零工工作者的工作特征发生了深刻变化[14]。工作特征是影响个体在劳动过程中心理状态及其绩效结果的重要情境因素。为此,本研究引入工作要求-资源模型[15],从工作特征视角,即从零工工作者所面临的差异化工作要求和工作资源方面来探究其情绪劳动策略选择及其影响机理。一方面,从工作要求源而言,零工工作者的劳动过程面临算法和顾客的双重要求。按需服务的零工经济业态的突出特点在于零工工作者被置于一线与顾客面对面进行服务的传递,而平台与零工工作者之间依靠算法技术实现在线、即时的联动[11]。换言之,平台引入算法,尤其是算法的追踪评估和行为约束功能,对零工工作者进行实时的监控和追踪,并基于服务规范要求干预其行为或基于任务进行评价或奖惩[12]。在这种高强度的算法追踪评估和行为约束带来的工作要求下,为了尽可能地提高顾客满意度,零工工作者就必须投入巨大的情绪资源,包括保持微笑、必要的问候语以及耐心的等待等[16]。另外,从工作资源而言,零工工作者可调配的工作资源较少,没有固定工作场所,也难以获得如同传统组织中员工适配的上级支持等组织资源,平台依赖算法技术创造了几乎没有人工干预的工作环境。更重要的是,平台重新分配了劳动控制权,使得零工工作者相比较顾客等主体在劳动中处于弱势位置[3],这进一步削减了其可调配的工作资源。工作要求-资源模型认为,高工作要求而低工作资源的交互作用会对个体的职业心理健康产生不利影响,导致个体产生心理性紧张和压力反应[17]。具体到零工工作者而言,其在高工作要求、低工作资源情境下难免会产生高强度的心理性紧张。鉴于零工工作者的心理性紧张主要发生与顾客、平台等不同主体交互的服务场景中[13],因此,本研究将其称之为“交互性心理紧张”。换言之,在高强度的平台算法追踪评估和行为约束下,零工工作者由于缺乏必要的上级、同事或组织支持,因而会产生交互性心理紧张,继而采取相应的情绪劳动策略来阻止自身资源的进一步损失,即寻求较低程度的情绪资源投入,并表现出更多的浅层扮演以及较少的深层扮演。

综上所述,本研究基于蓬勃发展的零工经济背景和算法逻辑视角,通过构建一个同时考虑中介机制及调节效应的模型,来揭示算法技术影响零工工作者情绪劳动策略的“黑箱”和边界条件。具体而言,本研究将零工工作者在算法逻辑下所面临的工作要求源以“感知算法评估约束”[2]来表征,同时,引入零工工作者高工作要求、低工作资源情境下可能产生的交互性心理紧张作为中介变量,以探究感知算法评估约束通过交互性心理紧张对零工工作者情绪劳动策略的影响机制。工作要求-资源模型指出,虽然高工作要求且工作资源匮乏情况会导致个体的心理性紧张和焦虑感等,但这种情况下,适当的工作资源补充会缓冲工作要求所带来的紧张和压力,并激活个体的内在动机[17]。如前所述,与传统服务业中的正式员工不同,零工工作者处于“组织真空”状态下[11],其情绪劳动策略的选择难以获得上级或同事的有效支持。在缺乏组织、团队成员情感或行动支持的情况下,零工工作者会通过积极参与在线社群,来寻求必要的知识技能支持或倾诉自己的不满情绪等[18]。也即,对于零工工作者而言,在线社群支持可能是一种增益其工作资源的重要方式,因此,可能缓解感知算法评估约束所带来的交互性心理紧张。为此,本研究还将探析在线社群支持在零工工作者感知算法评估约束到交互性心理紧张之间所起的调节作用,以及在感知算法评估约束通过交互性心理性紧张影响情绪劳动策略选择中的有调节的中介作用。由此,本研究以工作要求-资源模型为基础,探讨零工工作者所面临的工作要求源(即“感知算法评估约束”)和工作资源(即“在线社群支持”)之间的交互效应对其情绪劳动策略的影响机理。有关研究结果不仅能够在理论层面弥补现有零工经济业态下情绪劳动影响机制的理论缺口,丰富人们对算法技术的影响后果及作用机制的认识,而且还有助于在现实层面对改进平台算法管理实践,为提升零工工作者的服务质量与效率提供有益借鉴。本研究的理论框架见图1。

图1 理论框架

2 理论与假设

2.1 感知算法评估约束与交互性心理紧张

算法评估约束暗含了两层含义:其一,算法技术引入顾客的监管和评价功能,对零工工作者的工作过程、工作态度和工作结果等予以实时监管和评价,而这种评价又与零工工作者的收入挂钩[3];其二,算法系统能够实时监控、记录和跟踪零工工作者的劳动过程,如果其有偏离系统预设标准的行为,算法会予以纠正[19,20]。本研究认为,算法评估约束功能会重塑零工工作者所面临的工作要求和工作资源,继而导致其产生交互性心理紧张。具体阐述如下:第一,在算法评估约束功能驱动下,零工工作者所面临的工作要求主要来自于两个方面。一是,面临来自平台的高工作要求。平台通过算法的过程追踪功能向零工工作者传递一种高效率的工作要求,希望其能够持续缩短订单完成时间。比如,美团平台推出的“预计送达时间”功能,要求骑手必须要在规定的时间内完成订单,否则就会被予以处罚[3]。这些来自平台的要求可能会导致零工工作者面临较高的时间压力、角色负荷等。二是,面临来自顾客的即时性工作要求。平台将顾客纳入到对零工工作者的劳动过程监管中,赋予顾客以“上帝视角”实时监控零工工作者的劳动过程,以持续提升顾客满意度。比如,骑手在接单后,顾客就可以在APP上随时查看骑手的行动轨迹,如果其偏离预定路线,顾客可以随时要求骑手予以纠正。在送餐过程中,顾客也有权随时取消订单或“催单”。再者,零工工作者在完成订单后,顾客还可以对其工作表现、工作态度等进行打分,这种打分又会与其收入相挂钩。比如,骑手在送餐结束后,顾客可以结合骑手在配送过程中是否有超时、撒漏等情况进行打分,等级从“不满意”到“满意”等。这种来自顾客的工作要求可能导致零工工作者较大的工作焦虑或心理压力。

第二,算法评估约束功能在驱动零工工作者面临较高工作要求的同时,还削减了其所适配的工作资源。一方面,借助算法技术,平台创造了一个几乎没有人工干预的工作环境,在赋予零工工作者灵活弹性工作时间的同时,也导致其难以获得诸如正式组织中员工所享有的组织支持、领导支持等工作资源[21];另一方面,算法评估约束功能还给零工工作者创造了一种虚假的工作自主性。工作要求-资源模型认为,工作自主性是一种重要的工作资源,平台往往也以工作自主灵活为其主要“卖点”[22]。然而,这种自主和灵活可望不可及,隐藏在APP背后的是算法的严密监管和控制[23]。例如,美团平台要求骑手在配送过程中开启智能语音助手,按照智能语音助手的提示完成接单、上报等每一个动作。除此之外,算法技术的引入还重新分配了零工工作者的劳动控制权[13]。例如,在骑手的劳动过程中,平台负责指导骑手工作,顾客负责对其劳动结果进行评估,最终的奖惩工作也由平台来完成[3]。在骑手的整个劳动过程中,顾客都被置于至高无上的权力位势,而骑手则处于劳动控制权的末端,进一步削减了其能掌控的工作资源。

综上所述,算法逻辑下零工工作者的工作特征是典型的高工作要求、低工作资源。按照工作要求-资源模型,高工作要求而低工作资源会强化个体的心理焦虑和压力感知,继而导致心理紧张[17]。心理性紧张是与个体情绪密切相关的一个变量,其特征是缺乏能量,精神或情绪处于紧张状态,并感觉个体情绪资源被耗尽的一种心理状态[24]。为此,本研究推断零工工作者所面临的感知算法评估约束会导致其产生心理紧张。而零工工作者的心理紧张与其劳动过程情境紧密相关,即其心理紧张更易发生在与顾客、平台、商家等主体交互的劳动过程中。这是因为在这种交互性的劳动情境中,零工工作者其感知的工作要求更高,而适配的工作资源却较少,继而更易产生交互性心理紧张。由此,提出以下假设:

假设1感知算法评估约束对零工工作者的交互性心理紧张具有正向预测作用。

2.2 交互性心理紧张与情绪劳动策略

零工经济情境下零工工作者所从事的工作本质上具有服务行业的特质,而高强度的情绪劳动被认为是服务行业的核心特征[25]。浅层扮演是一种与顾客互动的短期策略,能够迅速与顾客建立联系或留下印象,以期尽快完成服务顾客的工作。然而,深层扮演可能需要个人全方位的努力,例如,可能需要在预期的人际互动之前有意地进行放松练习[26]。可见,深层扮演是一种重要的能力,但并不是一种易习得的能力[9]。对于零工工作者而言,深层扮演需要改变自身的真实感受和认知,通过调整内在心理状态以适应外部的情绪表达,这种“发自肺腑”的情绪劳动策略需要更多地消耗自身的资源。而浅层扮演只需要简单地伪装面部表情或简单的语言赞美,这种“强颜欢笑”的情绪劳动策略可使零工工作者以最少的资源消耗达到取悦顾客的目的。由此,实施深层扮演要比浅层扮演消耗更多的自身资源[27]。

在工作要求-资源模型中,工作要求与工作资源之间的动态平衡至关重要。为此,个体会基于自己所面临的工作要求与所掌控的工作资源之间的平衡情况来选择最为合适的情绪劳动策略。由于零工工作者在劳动过程中,面临来自算法评估约束下的高工作要求,而外部工作资源(如领导、同事或团队的情感或心理支持)又供应不足,这时拥有较少自身资源的零工工作者,会陷入一种交互性心理紧张状态,包括人-机交互心理性紧张、人-顾客交互心理性紧张等。在交互性心理紧张的状态下,零工工作者面临来自平台、商家或顾客等的压力和挑战,可能导致其心理资源的加速消耗,且与这些主体的高强度、高频次交互,会进一步消耗其自身资源。鉴于此,在资源有限的情况下,零工工作者更可能倾向于采用资源消耗较少的浅层扮演策略。例如,外卖骑手可能在遇到不满意的顾客时,简单地保持微笑和礼貌,即使内心并不感到高兴。这种策略允许零工工作者在资源有限的情况下快速应对顾客需求,同时最小化资源的消耗。相反,资源密集型的深层扮演策略在资源有限时可能不会被频繁采用,因为它可能导致资源的快速耗竭。由此,提出以下假设:

假设2a交互性心理紧张对零工工作者的浅层扮演具有正向预测作用。

假设2b交互性心理紧张对零工工作者的深层扮演具有负向预测作用。

在算法管理情境下,零工工作者经常面临高强度的规制和监控,进而导致他们的身心压力不断增加。特别是当遇到负面事件或突发情况(如与顾客争执)时,零工工作者往往会陷入对这些事件的持续反思和处理中,进而消耗宝贵的心理资源[28]。这些事件的反复思考不仅加剧了他们的心理负担,还可能导致资源的进一步耗竭。零工工作者在日常工作中主要遵循平台算法的指令,频繁处于与应用程序、顾客的高强度交互中。这种工作环境缺乏传统工作场所中常见的领导者、同事和团队成员提供的情感和心理支持,因此,他们在持续消耗个体内部资源的同时,往往难以获得外部资源的及时补充,从而产生持续的交互性心理紧张。例如,一位外卖骑手可能因为遵循严格的配送时间限制和顾客的特殊要求而感到压力。在缺乏有效支持的情况下,他们可能更倾向于采用简单的浅层扮演策略来应对压力(如对顾客表现出表面的友好和耐心,而不是投入更多资源去深度调整自己的真实情绪)。综上所述,本研究认为,零工工作者在感受到算法逻辑下的高强度工作要求和低适配工作资源时,会产生交互性心理紧张。为了维护自身资源的稳定和避免身心资源的进一步损耗,他们更倾向于采用浅层扮演策略而非深层扮演策略。由此,提出以下假设:

假设3a交互性心理紧张在感知算法评估约束与零工工作者的浅层扮演之间起到中介作用。

假设3b交互性心理紧张在感知算法评估约束与零工工作者的深层扮演之间起到中介作用。

2.3 在线社群支持的调节作用

经典工作要求-资源模型将工作资源框定在工作自主性、领导支持、决策参与、物理条件、发展机会等[29]。然而,考虑到零工工作者难以有效获得上级领导或同事的支持,不得不主动拓展工作资源边界,积极寻求社会支持。一些医学领域的研究很早便指出了社会支持的缓冲效应,即获得社会支持的人能够更好地应对心理或其他方面的疾病[30]。后来,王春娅等[18]将社会支持理论引入到新闻媒体研究领域,进一步探讨了社会支持的缓冲效应。本研究将社会支持与零工经济情境相结合,指出“在线社群支持”是个体从在线社群互动中所得的尊重、支持以及理解的程度[18]。在线社群支持代表了个体从在线社群中所获得的社会资源,而这些资源会让其觉得自己是被关心、被支持抑或是被尊重的[31]。尤其是数字技术的发展,使得人们可以通过在线的方式获得社会支持,这种支持涵盖了必要的信息、友谊、归属感以及情感支持等。具体到零工经济情境下,在线社群是由从事类似工作任务的零工工作者所组成,各个成员对当前所从事的工作较为认同,并积极分享与工作相关的内容,兼具工作和休闲等多重功能。根据工作要求-资源模型,有效的工作资源补充有利于缓解高工作要求可能带来的个体心理性紧张。为此,本研究尝试拓展工作要求-资源模型,将在线社群支持作为一种有益的工作资源补充,认为其能够缓解零工工作者高工作要求和低工作资源下的交互性心理紧张。具体陈阐述如下。

首先,借助在线社群,零工工作者可以实现彼此之间的价值链接和知识共享,通过经验分享提升技能,并有效应对一些突发情况等。这些知识、经验的分享和获取有利于缓解零工工作者在面临来自平台的高工作要求下可能产生的角色负荷或时间压力感。比如,美团搭建了“在线骑手社群”,骑手在提供服务的过程中,遇到解决不了的困难可以通过社群求助。另外,在线社群内,骑手通过“新手指引”“跑单秘籍”和“老骑手经验之谈”等板块的知识分享,可以有效提升自己的技能,更好地应对算法规制要求。其次,借助在线社群,零工工作者还可以实现情感沟通,获得情感支持。如此以来,零工工作者在面临来自顾客的工作要求的时候,可以适时在在线社群中予以倾诉,获得情感支持,继而益于缓解其可能由于顾客的追踪评估而产生的心理焦虑和紧张感。实践中,滴滴成立的车主之家,构建起了司机之间的情感链接平台。当司机在遇到来自顾客的较高要求甚至是刁难的时候,可以在社群中抱怨、倾诉,也可以寻求如何处理顾客问题的技巧等。再次,这种在线社群支持还强化了零工工作者的虚拟组织归属感以及“自由”的劳动体验感。借助在线社群的支持,零工工作者不必如同正式组织中的员工一般接受来自领导的训斥,也不需要时刻保持一种紧绷的工作状态,而是强化了一种“自由”和“为自己干”的工作感觉。李强等[32]指出,零工工作者的劳动体验可能来自于劳动过程之外“移植”,而在线社群支持强化了这种劳动过程外的移植体验,继而削弱了其在算法逻辑下的紧张感。由此,提出以下假设:

假设4在线社群支持削弱了感知算法评估约束与交互性心理紧张之间的正向关系,即在线社群支持水平较高时,感知算法评估约束对零工工作者交互性心理紧张的正向影响越弱;反之亦然。

进一步,由于交互性心理紧张在感知算法评估约束与情绪劳动策略之间发挥着中介作用,且在线社群支持在感知算法评估约束与交互性心理紧张之间具有负向调节作用,因此可推论,在线社群支持在感知算法评估约束与交互性心理紧张之间的中介效应也可能会受到在线社群支持的影响。即当在线社群支持水平较高时,个体感知的算法评估约束通过交互性心理紧张影响其情绪劳动策略的作用反而越弱。由此,提出以下假设:

假设5在线社群支持调节了感知算法评估约束通过交互性心理紧张对零工工作者情绪劳动策略的间接效应,即感知算法评估约束通过交互性心理紧张对零工工作者的浅层扮演(假设5a)和深层扮演(假设5b)的间接效应在高水平在线社群支持的情况下比在低水平在线社群支持情况下更弱。

本研究的研究模型见图2。

图2 研究模型

3 研究设计

3.1 研究对象和数据采集过程

本研究采用问卷调查法获取数据,考虑到算法系统应用成熟度以及样本代表性的问题,选择零工经济领域以外卖配送为核心服务的网络配送行业为取样对象,数据采集自北京地区一家外卖平台的骑手群体。为尽可能降低共同方法偏差的影响,本研究团队在2022年9～11月通过3个阶段时滞(每两次间隔3周)的方式收集并匹配数据。具体而言,在正式调查前,研究团队成员与该平台人力资源部门的负责人取得联系,由其推荐并联系与平台合作的劳动服务承包商(第三方机构)的负责人,向其介绍本次调查的目的和需要,达成一致后由第三方机构的负责人招募志愿者,最终共计410人同意参加此次调研。当被试有效完成问卷填写工作后,会向其发放20元红包作为奖励。3个阶段的数据收集过程具体如下:①第一次调研(T1),收集骑手的感知算法评估约束、在线社群支持和性别、年龄、学历、职业类型(兼职/全职)等人口统计学变量数据,排除掉不符合要求(如注册账号时间小于两周等)的10名被试外,共发放问卷400份,实际收回有效问卷385份,问卷有效回收率为96.25%;②第二次调研(T2),收集外卖骑手工作动机、交互性心理紧张的数据,共发放问卷385份,实际收回有效问卷369份,问卷有效回收率为95.84%;③第三次调研(T3),收集外卖骑手情绪劳动的数据,共发放问卷369份,实际收回有效问卷352份,问卷有效回收率为95.39%。

最终共得有效样本352份。有效样本的人口统计学信息如下:性别方面,男性占68.18%;年龄方面,25岁及以下占80.39%、26～30岁占7.40%、31岁及以上占12.21%;学历方面,高中及以下占17.61%、专科占42.90%、本科及以上占39.49%;职业类型方面,全职占66.19%;从业时间方面,平均为2.04年(SD=0.80)。

3.2 变量测量

本研究所使用的量表均来自国内外学者开发的成熟量表,采用BRISLIN[33]推荐的回译方式将英文量表翻译为中文。为保证所有题项都适用于本研究被试的学历背景,本研究随机抽选一部分被试进行问卷预试(此部分被试未列入正式取样样本中),并根据他们的反馈对量表进行改进,以保证所有涉及的测量题项符合被试者群体的语言特征。问卷涉及的量表均为Likert 5点量表,1～5表示从“非常不同意”到“非常同意”。

(1)感知算法评估约束该变量采纳裴嘉良等[2]编制的零工工作者感知算法控制量表中的“追踪评估”和“行为约束”两个维度,共7个题项,如“算法实时追踪定位我的地理位置”等。本研究中,该量表的Cronbach’sα值为0.885。

(2)交互性心理紧张该变量的测量借鉴CAPLAN等[34]编制的量表,由本研究结合零工工作者的劳动过程场景进行了调整,共4个题项,如“我担心顾客会给我差评”等。本研究中,该量表的Cronbach’sα值为0.818。

(3)在线社群支持该变量的测量借鉴王春娅等[18]编制的量表,由本研究结合零工工作者的劳动过程场景进行了调整,共4个题项,如“我通过在线社群把我的问题诉说给好友”等。本研究中,该量表的Cronbach’sα值为0.801。

(4)情绪劳动策略该变量的测量借鉴GRANDEY[5]编制的量表,包括浅层扮演和深层扮演两个维度,由本研究按照零工工作者的劳动过程场景调整后,共11个题项。其中,浅层扮演的题项如“送单时,尽管我心情不好,也必须表现出好心情”;深层扮演的题项如“我试图在送单中表现得热情和真诚,而不只是假装而已”等。此外,本研究还对浅层扮演和深层扮演这两个维度进行了一阶验证性因子分析(χ2=115.833,df=43,CFI=0.970,TLI=0.962,SRMR= 0.031,RMSEA=0.069),结果表明二者具有较好的区分效度。本研究中,浅层扮演维度和深层扮演维度的Cronbach’sα值分别为0.919和0.823。

(5)控制变量除了控制骑手的性别(“1”代表男性、“2”代表女性)、年龄(“1”代表20岁及以下、“2”代表21～25岁、“3”代表26～30岁、“4”代表31～35岁、“5”代表36岁及以上)、学历(“1”代表高中及以下、“2”代表专科、“3”代表本科、“4”代表硕士及以上)、职业类型(“1”代表全职、“2”代表兼职)、从业时间等基本人口统计学信息外,考虑到工作动机是影响工作行为的重要因素,本研究还将骑手的工作动机作为控制变量。该变量的测量采用GAGNE等[35]开发的量表,典型题项如“我非常喜欢这份工作”等。本研究中,该量表的Cronbach’sα值为0.942。

4 实证分析

4.1 验证性因子分析

本研究使用Mplus 8.3软件对数据进行验证性因子分析,以判别核心变量之间的区分效度。结果表明,五因子模型的拟合指数效果最佳(χ2=359.110,df=289,CFI=0.986,TLI=0.984,SRMR=0.032,RMSEA=0.026),这说明本研究中变量间的区分效度良好。验证性因子分析的结果见表1。

表1 验证性因子分析(N=352)

4.2 共同方法偏差控制

尽管本研究通过3个阶段的纵向研究设计以避免单一数据来源造成的共同方法偏差问题,但为了进一步提高数据质量和可靠性,本研究还采取在问卷表头详细说明调研目的以降低被试疑虑、不暴露骑手真实个人信息等方式进行严格控制。此外,为了避免被试者乱答的情况,本研究针对部分题目采用了反向题项进行测试,还在每一部分都设计了指导语,对不同变量进行区隔。与此同时,为检验可能存在的共同方法偏差问题,本研究采取Harman单因素检验的方法进行探索性因子分析,未经旋转的单因子方差解释率为36.67%,低于40%的标准。同时,由前文表1可知,单因子模型的拟合指数(χ2=1 649.110,df=299,CFI=0.724,TLI=0.701,SRMR=0.096,RMSEA=0.113)表现不佳。综上可知,本研究的共同方法偏差问题并不严重。

4.3 描述性统计分析

本研究中,各变量的描述性统计和相关系数见表2。由表2可知:感知算法评估约束与交互性心理紧张显著正相关(r=0.471,p<0.01),与浅层扮演显著正相关(r=0.660,p<0.01),与深层扮演显著负相关(r=-0.487,p<0.01);同时,交互性心理紧张与浅层扮演显著正相关(r=0.611,p<0.01),与深层扮演显著负相关(r=-0.453,p<0.01)。根据上述结果,核心变量之间的相关系数符合研究预期,研究假设得到初步支持。

表2 描述性统计和相关系数(N=352)

4.4 假设检验

本研究中,层级回归结果见表3。表3中:由模型2可知,感知算法评估约束对交互性心理紧张有显著正向影响(β=0.183,p<0.01),因此,假设1得到支持;由模型6和模型9可知,交互性心理紧张对浅层扮演有显著正向影响(β=0.290,p<0.01),对深层扮演有显著的负向影响(β=-0.126,p<0.05),因此,假设2a和假设2b得到支持。进一步,在控制了所有控制变量前提下,使用贝叶斯估计方法(贝叶斯迭代次数=5 000次)进行检验发现,感知算法评估约束通过交互性心理紧张影响浅层扮演的间接效应为0.077,95%的置信区间CI为[0.033,0.127],不包括0;感知算法评估约束通过交互性心理紧张影响深层扮演的间接效应为-0.034,95%的置信区间CI为[-0.069,-0.011],不包括0。同时,两条中介路径的整体效应为0.041,95%的置信区间CI为[0.012,0.080],不包括0。综上所述可知,交互性心理紧张在感知算法评估约束与浅层扮演、深层扮演之间的所起的中介效应显著,因此,假设3a和假设3b得到支持。

表3 层级回归结果(N=352)

进一步,表3中由模型3还可知,在线社群支持显著调节了感知算法评估约束与交互性心理紧张之间的正向关系(β=-0.172,p<0.01)。本研究使用Johnson-Neyman方法探索调节效应的具体形态(见图3)。由图3可知:当在线社群支持取值范围在[4.37, 5.59]之外时,简单斜率p<0.05,即在图3中两条竖直虚线与阴影部分的重合区域范围内,简单斜率的置信区间包含0;此区域外,简单斜率显著不包含0。也即随着在线社群支持水平的增加,感知算法评估约束对交互性心理紧张的正向影响效应被削弱。由此,假设4得到支持。

图3 在线社群支持的调节效应(Johnson-Neyman法)

同时,为检验在线社群支持是否会调节感知算法评估约束通过交互性心理紧张对浅层扮演、深层扮演的间接效应,本研究使用贝叶斯估计方法(贝叶斯迭代次数=5 000次)进行检验发现,在低在线社群支持水平(-1标准差)下,感知算法评估约束通过交互性心理紧张对浅层扮演的间接效应显著正向(β=0.157,95%CI[0.056,0.291]),而在高水平(+1标准差)下则不显著(β=-0.001,95%CI[-0.058,0.051]),但两者的差异是显著的(β=-0.158,95%CI[-0.299,-0.052])。对于深层扮演而言,在低在线社群支持水平下,感知算法评估约束通过交互性心理紧张对深层扮演的间接效应显著负向(β=-0.072,95%CI[-0.158,-0.018]),而在高水平下则不显著(β=0.001,95%CI[-0.026,0.030]),但两者的差异是显著的(β=0.072,95%CI[0.017,0.640])。由此,假设5a和假设5b得到支持。有调节的中介效应分析结果见表4。

表4 有调节的中介效应检验(N=352)

5 结论与讨论

本研究主要得到以下研究结论:①感知算法评估约束作为一种零工经济情境下的工作要求源,在低适配的工作资源情境下,会导致零工工作者交互性心理紧张;②零工工作者的交互性心理紧张会正向影响其浅层扮演,负向影响其深层扮演;③感知算法评估约束能够通过影响交互性心理紧张继而对零工工作者的浅层扮演产生正向影响,对其深层扮演产生负向影响;④在线社群支持作为一种有益的工作资源补充,能够削弱感知算法评估约束对零工工作者交互性心理紧张的正向作用;而且,在线社群支持调节了算法追踪评估通过交互性心理紧张对零工工作者情绪劳动策略的间接效应。

本研究的主要理论贡献如下。

(1)传统服务业与零工经济情境下,零工工作者情绪劳动在影响机制上存在明显的差异[10]。在传统服务业研究中,情绪劳动的产生是由个体特征、职业性质、领导者风格等触发,进而引起个体的焦虑、职业倦怠等[6～8]。但是,在零工经济这一新型服务业态中,零工工作者处于平台的算法规制下[2],算法的追踪评估功能会导致零工工作者面临较高的工作要求,同时又削减了其适配的工作资源,继而致使其处在人-机、人-顾客交互中的高度紧张中。心理性紧张是零工工作者在实际劳动过程中心理资源持续损耗的表现或呈现的结果。零工工作者为了阻止资源的进一步损失,便会积极进行情绪调整,寻求相应的情绪劳动策略以维护资源的平衡。这一研究成果为打开算法技术与零工工作者情绪劳动之间的作用机理“黑箱”积累了实证证据。

(2)经典组织行为学研究认为,心理性紧张是与个体情绪密切相关的一个变量[23],其特征是缺乏能量,精神或情绪处于紧张状态,并感觉个体情绪资源被耗尽的一种心理状态[24]。然而,与传统组织中的正式员工不同,零工工作者的心理性紧张状态更多体现在其劳动过程中与顾客、平台等交互的场景中。本研究指出,零工工作者面临两种不同工作要求源(即来自平台的工作要求和来自顾客的工作要求),继而将其心理性紧张细化为人-机交互性心理紧张和人-顾客交互性心理紧张,这为后续进一步探究零工工作者的心理状态奠定了基础。

(3)在工作要求-资源模型中,工作资源是激发人们工作动机的主要因素。诸多研究都指出,零工工作作为一种去组织化的工作类型,天然具有组织资源匮乏的属性[21],但鲜有研究关注何种条件下算法技术的消极效应可以被削弱或其积极效应如何被增强。本研究响应文献[14,29]的观点,即尝试对工作资源进行细分,将在线社会支持纳入到零工经济情境下的工作资源补充。通过实证分析,检验了在线社群支持在感知算法评估约束对零工工作者交互性心理紧张的削弱作用,且能够削弱交互性心理紧张在算法评估约束与情绪劳动策略选择中的中介效应,因此,是一种有益的工作资源。这对揭示算法技术影响效应的边界条件是一种有益补充。

(4)借鉴工作要求-资源模型中工作要求和工作资源的交互效应[17],本研究验证了对于零工工作者而言,高工作要求、低工作资源会导致其心理紧张反应。同时,有益的工作资源补充能够缓冲高工作要求对个体身心资源的损耗[17]。高雪原等[14]在研究中指出,工作场所中的社会支持应当是零工工作者的一种重要工作资源,但却并未检验该种工作资源的有效性。在此基础上,本研究创新性地将在线社群支持纳入到对零工工作者的工作资源考察中,并通过实证检验指出其有利于抑制零工工作者现有的身心资源损耗、缓冲现有工作要求带来的压力,继而拓展了工作要求-资源模型在零工经济情境下的适用性。

本研究的实践启示如下:首先,要加强对在线社群的支持、引导和规范。零工经济情境下,在线社群已经成为平台与零工工作者之间有效沟通的重要纽带,也是零工工作者获得支持感、归属感的重要平台。对于平台而言,要重视在线社群的建设,支持在线社群的发展。但是,需要指出的是,社群管理需要遵循“轻管理、重赋能”的原则,即将在线社群视为零工工作者的重要工作资源补充,切实关注其需求,基于相互尊重的原则加强沟通,引导成员之间的知识共享、经验传承和技能提升。另外,从实践情况来看,在线社群也有可能成为谣言和不良情绪的传染地,继而演化为零工群体对算法抱怨并形成劳动抵抗的非正式组织,这就要求平台要重视对在线社群的引导和规范管理。

其次,从平台的角度而言,应该积极关注零工工作者的心理状态。算法评估约束通过交互性心理紧张对零工工作者的浅层扮演产生正向影响,对深层扮演产生负向影响。这为平台的管理实践提出了警示,即平台需要随时关注零工工作者的身心状况,尤其是在算法管理逻辑下的情绪反应。平台要重视对零工工作者的心理疏导,使其能够正视并理解算法管理中追踪、评价和约束体系的作用,克服消极情绪和紧张心理,正视服务行业的本质特征,促进零工工作者从事更多的深层扮演和减少浅层扮演,以积极主动的态度正视零工工作。

最后,应从行业协会、政府相关部门以及工会等角度注重对零工工作者的培训与开发。考虑到深层扮演需要投入较多的时间和精力,这在一定程度上会降低有关人群成为从事深度情绪劳动的零工工作者的意愿。由此,各相关主体应尽可能通过培训促使零工工作者提高个人的情绪管理策略,增强其在劳动过程中应对各项工作要求的情绪调节能力和抗压能力,从而降低其心理紧张和焦虑,提升零工工作者的劳动成就感、获得感和满足感。

6 研究局限与展望

本研究也存在以下局限性:首先,尽管本研究尽管采用多阶段(3个时间点)的研究设计,在一定程度上减少了横截面数据导致的共同方法偏差的不利影响,提高了变量之间(感知算法评估约束-交互性心理紧张-情绪劳动)的因果关系推断。但有关取样仍采用由零工工作者自我评价的方式进行,因此,一定程度上无法完全避免同源误差的影响。未来研究中,可以尝试在研究设计方面采用客观数据或多种数据来源的方式进行取样。其次,本研究关注的是零工工作者浅层扮演和深层扮演影响机制问题,并认为零工工作者感知算法评估约束导致了情绪劳动,但实际上,零工工作者的情绪劳动影响因素涉及很多方面,包括其自身的经历、职业适应能力、个体特质等,以及平台管理方式和算法优化的交互影响。事实上,平台的管理不仅涉及算法的管理设计,还涉及到平台管理理念、管理风格等多方面。由此,未来研究还可进一步探讨平台管理方式、理念和风格等对零工工作者情绪劳动的交互影响。最后,本研究从社会支持角度探讨了在线社群支持在感知算法评估约束与零工工作者交互性心理紧张、情绪劳动策略之间关系的边界条件,但实际上,这一过程的边界条件不应仅从社会支持角度思考,未来研究可以尝试从平台视角(如平台的人力资源管理实践)以及个体视角(如零工工作者的情绪智力)等,探讨这些不同因素对零工工作者情绪劳动策略选择的影响。