算法邏輯下零工工作者的情緒勞動策略選擇

張志朋 聞效儀 錢智超 高雪原 裴嘉良

(1.中國勞動關系學院勞動關系與人力資源學院; 2.華南理工大學工商管理學院)

1 研究背景

當下,數字技術的變革助推了零工經濟的興起和發展,特別是圍繞外賣配送、網約出行、即時配送等按需服務領域的零工經濟業態方興未艾。這種按需服務的零工經濟業態通過搭建在線勞動平臺實現了零工工作者和顧客之間的在線、即時匹配[1]。鑒于零工工作者是與顧客直接溝通界面的建立者和維系者,平臺為了提高顧客滿意度、維持顧客使用黏性,自然要求零工工作者提供高品質的服務內容,并盡量讓顧客有良好的體驗和感受。為了確保零工工作者的服務品質與工作效率,在線勞動平臺借助數字技術推出了一系列虛擬化的人工智能算法管理舉措,即算法管理實踐[2]。算法能夠幾乎在沒有人工干預的情況下實現對零工工作者工作狀態、服務情況的實時、智能監管;同時,平臺賦予顧客以評價的權力,即顧客可以對零工工作者的勞動過程、勞動結果等進行打分評級,且這種評級結果與其績效獎金掛鉤[3]。為此,一些零工工作者為了爭取顧客的五星好評,不得不調動自己的情緒來取悅顧客。換言之,算法在驅動零工工作者付出體力勞動的同時,也難免要求其付出大量情緒勞動[4]。事實上,零工工作者的情緒勞動對其帶來的折損和消耗并不比體力勞動小,然而這部分勞動卻常常被忽視。相較于傳統服務業態人員的情緒勞動主要是來自領導或組織的要求,零工經濟業態下零工工作者的情緒勞動主要是由平臺或算法驅動[4],由此不免引發思考:算法邏輯下,零工工作者的情緒勞動策略選擇是什么?這種情緒勞動策略形成的深層機理是什么?

情緒勞動指的是員工為了滿足組織的要求以及提高顧客滿意度,通過調節自我的內在感受和外在表現進而產生的情緒調節行為,可以分為淺層扮演和深層扮演兩種策略[5]。其中,淺層扮演屬于一種“強顏歡笑”的服務行為,即員工假裝熱情為顧客提供服務,但并未改變自我的真實情緒,而深層扮演則指的是員工調動內在情緒,發自內心地為顧客提供熱情、友善的服務。顯然,員工的淺層扮演在很多時候容易被顧客“識破”,可能引起顧客的不滿,而深層扮演才能真正提升顧客服務質量?，F有研究針對銀行業一線服務員[6]、旅游業導游[7]、酒店工作人員[8]等傳統業態服務人員的情緒勞動影響因素及作用機制進行了探討,大多基于GRANDEY[5]提出的經典“情緒勞動因果模型”,將影響情緒勞動的因素歸結為個體因素(如性別、情感、情緒智力等)和組織因素(如工作自主性、同事支持、上級支持等)。隨著零工經濟以及在線勞動平臺的興起,有學者開始關注到零工工作者的情緒勞動問題。比如,GANDINI[4]基于勞動過程理論探討了零工工作與情緒勞動關系,并指出算法所嵌入的反饋、評級和打分系統強化了零工工作者的情緒勞動。再如,ASHFORD等[9]以及毛孟雨等[10]探討了零工工作者在零工經濟業態下的情緒勞動策略。然而,現有研究存在以下不足:①大都探討的是傳統服務業態下人員的情緒勞動問題,而零工工作者不同于傳統雇傭關系范式下的正式員工,他們跟平臺之間沒有正式雇傭關系,其情緒勞動策略的選擇自然難以獲上級或同事的有效支持[11]。但是現有研究鮮有探討這種不同于傳統正式組織范式下、主要依賴算法技術驅動的零工工作者情緒勞動策略影響機制。②雖然少許研究有所涉及到零工工作者的情緒勞動策略選擇,但多以理論探討或定性描述為主[4,9],缺少對零工工作者不同情緒勞動策略差異化影響機制的定量實證分析。③隨著算法技術被學界愈加關注,圍繞算法控制對零工工作者態度或行為的影響之研究越來越多。比如,部分研究指出,算法控制能夠提升零工工作者的積極情感體驗(如興奮感、公平感等)[11],也有研究認為算法控制會給零工工作者帶來諸如工作負荷、工作不安全感等不良后果[12,13]。然而,有關算法與零工工作者情緒勞動之間的傳導機制尚是一個“黑箱”,這也正是本研究著力彌補的理論缺口。綜上所述,結合數字化特征并基于人-機交互視角探討算法對零工工作者情緒勞動的影響機理,應當是一個有著重要現實意義且有趣的研究話題。

按需服務業態下的零工經濟最大特征在于平臺依靠算法技術創造了一個幾乎沒有人工干預的工作環境,零工工作者幾乎處于“組織真空”狀態。換言之,零工工作者的工作特征發生了深刻變化[14]。工作特征是影響個體在勞動過程中心理狀態及其績效結果的重要情境因素。為此,本研究引入工作要求-資源模型[15],從工作特征視角,即從零工工作者所面臨的差異化工作要求和工作資源方面來探究其情緒勞動策略選擇及其影響機理。一方面,從工作要求源而言,零工工作者的勞動過程面臨算法和顧客的雙重要求。按需服務的零工經濟業態的突出特點在于零工工作者被置于一線與顧客面對面進行服務的傳遞,而平臺與零工工作者之間依靠算法技術實現在線、即時的聯動[11]。換言之,平臺引入算法,尤其是算法的追蹤評估和行為約束功能,對零工工作者進行實時的監控和追蹤,并基于服務規范要求干預其行為或基于任務進行評價或獎懲[12]。在這種高強度的算法追蹤評估和行為約束帶來的工作要求下,為了盡可能地提高顧客滿意度,零工工作者就必須投入巨大的情緒資源,包括保持微笑、必要的問候語以及耐心的等待等[16]。另外,從工作資源而言,零工工作者可調配的工作資源較少,沒有固定工作場所,也難以獲得如同傳統組織中員工適配的上級支持等組織資源,平臺依賴算法技術創造了幾乎沒有人工干預的工作環境。更重要的是,平臺重新分配了勞動控制權,使得零工工作者相比較顧客等主體在勞動中處于弱勢位置[3],這進一步削減了其可調配的工作資源。工作要求-資源模型認為,高工作要求而低工作資源的交互作用會對個體的職業心理健康產生不利影響,導致個體產生心理性緊張和壓力反應[17]。具體到零工工作者而言,其在高工作要求、低工作資源情境下難免會產生高強度的心理性緊張。鑒于零工工作者的心理性緊張主要發生與顧客、平臺等不同主體交互的服務場景中[13],因此,本研究將其稱之為“交互性心理緊張”。換言之,在高強度的平臺算法追蹤評估和行為約束下,零工工作者由于缺乏必要的上級、同事或組織支持,因而會產生交互性心理緊張,繼而采取相應的情緒勞動策略來阻止自身資源的進一步損失,即尋求較低程度的情緒資源投入,并表現出更多的淺層扮演以及較少的深層扮演。

綜上所述,本研究基于蓬勃發展的零工經濟背景和算法邏輯視角,通過構建一個同時考慮中介機制及調節效應的模型,來揭示算法技術影響零工工作者情緒勞動策略的“黑箱”和邊界條件。具體而言,本研究將零工工作者在算法邏輯下所面臨的工作要求源以“感知算法評估約束”[2]來表征,同時,引入零工工作者高工作要求、低工作資源情境下可能產生的交互性心理緊張作為中介變量,以探究感知算法評估約束通過交互性心理緊張對零工工作者情緒勞動策略的影響機制。工作要求-資源模型指出,雖然高工作要求且工作資源匱乏情況會導致個體的心理性緊張和焦慮感等,但這種情況下,適當的工作資源補充會緩沖工作要求所帶來的緊張和壓力,并激活個體的內在動機[17]。如前所述,與傳統服務業中的正式員工不同,零工工作者處于“組織真空”狀態下[11],其情緒勞動策略的選擇難以獲得上級或同事的有效支持。在缺乏組織、團隊成員情感或行動支持的情況下,零工工作者會通過積極參與在線社群,來尋求必要的知識技能支持或傾訴自己的不滿情緒等[18]。也即,對于零工工作者而言,在線社群支持可能是一種增益其工作資源的重要方式,因此,可能緩解感知算法評估約束所帶來的交互性心理緊張。為此,本研究還將探析在線社群支持在零工工作者感知算法評估約束到交互性心理緊張之間所起的調節作用,以及在感知算法評估約束通過交互性心理性緊張影響情緒勞動策略選擇中的有調節的中介作用。由此,本研究以工作要求-資源模型為基礎,探討零工工作者所面臨的工作要求源(即“感知算法評估約束”)和工作資源(即“在線社群支持”)之間的交互效應對其情緒勞動策略的影響機理。有關研究結果不僅能夠在理論層面彌補現有零工經濟業態下情緒勞動影響機制的理論缺口,豐富人們對算法技術的影響后果及作用機制的認識,而且還有助于在現實層面對改進平臺算法管理實踐,為提升零工工作者的服務質量與效率提供有益借鑒。本研究的理論框架見圖1。

圖1 理論框架

2 理論與假設

2.1 感知算法評估約束與交互性心理緊張

算法評估約束暗含了兩層含義:其一,算法技術引入顧客的監管和評價功能,對零工工作者的工作過程、工作態度和工作結果等予以實時監管和評價,而這種評價又與零工工作者的收入掛鉤[3];其二,算法系統能夠實時監控、記錄和跟蹤零工工作者的勞動過程,如果其有偏離系統預設標準的行為,算法會予以糾正[19,20]。本研究認為,算法評估約束功能會重塑零工工作者所面臨的工作要求和工作資源,繼而導致其產生交互性心理緊張。具體闡述如下:第一,在算法評估約束功能驅動下,零工工作者所面臨的工作要求主要來自于兩個方面。一是,面臨來自平臺的高工作要求。平臺通過算法的過程追蹤功能向零工工作者傳遞一種高效率的工作要求,希望其能夠持續縮短訂單完成時間。比如,美團平臺推出的“預計送達時間”功能,要求騎手必須要在規定的時間內完成訂單,否則就會被予以處罰[3]。這些來自平臺的要求可能會導致零工工作者面臨較高的時間壓力、角色負荷等。二是,面臨來自顧客的即時性工作要求。平臺將顧客納入到對零工工作者的勞動過程監管中,賦予顧客以“上帝視角”實時監控零工工作者的勞動過程,以持續提升顧客滿意度。比如,騎手在接單后,顧客就可以在APP上隨時查看騎手的行動軌跡,如果其偏離預定路線,顧客可以隨時要求騎手予以糾正。在送餐過程中,顧客也有權隨時取消訂單或“催單”。再者,零工工作者在完成訂單后,顧客還可以對其工作表現、工作態度等進行打分,這種打分又會與其收入相掛鉤。比如,騎手在送餐結束后,顧客可以結合騎手在配送過程中是否有超時、撒漏等情況進行打分,等級從“不滿意”到“滿意”等。這種來自顧客的工作要求可能導致零工工作者較大的工作焦慮或心理壓力。

第二,算法評估約束功能在驅動零工工作者面臨較高工作要求的同時,還削減了其所適配的工作資源。一方面,借助算法技術,平臺創造了一個幾乎沒有人工干預的工作環境,在賦予零工工作者靈活彈性工作時間的同時,也導致其難以獲得諸如正式組織中員工所享有的組織支持、領導支持等工作資源[21];另一方面,算法評估約束功能還給零工工作者創造了一種虛假的工作自主性。工作要求-資源模型認為,工作自主性是一種重要的工作資源,平臺往往也以工作自主靈活為其主要“賣點”[22]。然而,這種自主和靈活可望不可及,隱藏在APP背后的是算法的嚴密監管和控制[23]。例如,美團平臺要求騎手在配送過程中開啟智能語音助手,按照智能語音助手的提示完成接單、上報等每一個動作。除此之外,算法技術的引入還重新分配了零工工作者的勞動控制權[13]。例如,在騎手的勞動過程中,平臺負責指導騎手工作,顧客負責對其勞動結果進行評估,最終的獎懲工作也由平臺來完成[3]。在騎手的整個勞動過程中,顧客都被置于至高無上的權力位勢,而騎手則處于勞動控制權的末端,進一步削減了其能掌控的工作資源。

綜上所述,算法邏輯下零工工作者的工作特征是典型的高工作要求、低工作資源。按照工作要求-資源模型,高工作要求而低工作資源會強化個體的心理焦慮和壓力感知,繼而導致心理緊張[17]。心理性緊張是與個體情緒密切相關的一個變量,其特征是缺乏能量,精神或情緒處于緊張狀態,并感覺個體情緒資源被耗盡的一種心理狀態[24]。為此,本研究推斷零工工作者所面臨的感知算法評估約束會導致其產生心理緊張。而零工工作者的心理緊張與其勞動過程情境緊密相關,即其心理緊張更易發生在與顧客、平臺、商家等主體交互的勞動過程中。這是因為在這種交互性的勞動情境中,零工工作者其感知的工作要求更高,而適配的工作資源卻較少,繼而更易產生交互性心理緊張。由此,提出以下假設:

假設1感知算法評估約束對零工工作者的交互性心理緊張具有正向預測作用。

2.2 交互性心理緊張與情緒勞動策略

零工經濟情境下零工工作者所從事的工作本質上具有服務行業的特質,而高強度的情緒勞動被認為是服務行業的核心特征[25]。淺層扮演是一種與顧客互動的短期策略,能夠迅速與顧客建立聯系或留下印象,以期盡快完成服務顧客的工作。然而,深層扮演可能需要個人全方位的努力,例如,可能需要在預期的人際互動之前有意地進行放松練習[26]?？梢?深層扮演是一種重要的能力,但并不是一種易習得的能力[9]。對于零工工作者而言,深層扮演需要改變自身的真實感受和認知,通過調整內在心理狀態以適應外部的情緒表達,這種“發自肺腑”的情緒勞動策略需要更多地消耗自身的資源。而淺層扮演只需要簡單地偽裝面部表情或簡單的語言贊美,這種“強顏歡笑”的情緒勞動策略可使零工工作者以最少的資源消耗達到取悅顧客的目的。由此,實施深層扮演要比淺層扮演消耗更多的自身資源[27]。

在工作要求-資源模型中,工作要求與工作資源之間的動態平衡至關重要。為此,個體會基于自己所面臨的工作要求與所掌控的工作資源之間的平衡情況來選擇最為合適的情緒勞動策略。由于零工工作者在勞動過程中,面臨來自算法評估約束下的高工作要求,而外部工作資源(如領導、同事或團隊的情感或心理支持)又供應不足,這時擁有較少自身資源的零工工作者,會陷入一種交互性心理緊張狀態,包括人-機交互心理性緊張、人-顧客交互心理性緊張等。在交互性心理緊張的狀態下,零工工作者面臨來自平臺、商家或顧客等的壓力和挑戰,可能導致其心理資源的加速消耗,且與這些主體的高強度、高頻次交互,會進一步消耗其自身資源。鑒于此,在資源有限的情況下,零工工作者更可能傾向于采用資源消耗較少的淺層扮演策略。例如,外賣騎手可能在遇到不滿意的顧客時,簡單地保持微笑和禮貌,即使內心并不感到高興。這種策略允許零工工作者在資源有限的情況下快速應對顧客需求,同時最小化資源的消耗。相反,資源密集型的深層扮演策略在資源有限時可能不會被頻繁采用,因為它可能導致資源的快速耗竭。由此,提出以下假設:

假設2a交互性心理緊張對零工工作者的淺層扮演具有正向預測作用。

假設2b交互性心理緊張對零工工作者的深層扮演具有負向預測作用。

在算法管理情境下,零工工作者經常面臨高強度的規制和監控,進而導致他們的身心壓力不斷增加。特別是當遇到負面事件或突發情況(如與顧客爭執)時,零工工作者往往會陷入對這些事件的持續反思和處理中,進而消耗寶貴的心理資源[28]。這些事件的反復思考不僅加劇了他們的心理負擔,還可能導致資源的進一步耗竭。零工工作者在日常工作中主要遵循平臺算法的指令,頻繁處于與應用程序、顧客的高強度交互中。這種工作環境缺乏傳統工作場所中常見的領導者、同事和團隊成員提供的情感和心理支持,因此,他們在持續消耗個體內部資源的同時,往往難以獲得外部資源的及時補充,從而產生持續的交互性心理緊張。例如,一位外賣騎手可能因為遵循嚴格的配送時間限制和顧客的特殊要求而感到壓力。在缺乏有效支持的情況下,他們可能更傾向于采用簡單的淺層扮演策略來應對壓力(如對顧客表現出表面的友好和耐心,而不是投入更多資源去深度調整自己的真實情緒)。綜上所述,本研究認為,零工工作者在感受到算法邏輯下的高強度工作要求和低適配工作資源時,會產生交互性心理緊張。為了維護自身資源的穩定和避免身心資源的進一步損耗,他們更傾向于采用淺層扮演策略而非深層扮演策略。由此,提出以下假設:

假設3a交互性心理緊張在感知算法評估約束與零工工作者的淺層扮演之間起到中介作用。

假設3b交互性心理緊張在感知算法評估約束與零工工作者的深層扮演之間起到中介作用。

2.3 在線社群支持的調節作用

經典工作要求-資源模型將工作資源框定在工作自主性、領導支持、決策參與、物理條件、發展機會等[29]。然而,考慮到零工工作者難以有效獲得上級領導或同事的支持,不得不主動拓展工作資源邊界,積極尋求社會支持。一些醫學領域的研究很早便指出了社會支持的緩沖效應,即獲得社會支持的人能夠更好地應對心理或其他方面的疾病[30]。后來,王春婭等[18]將社會支持理論引入到新聞媒體研究領域,進一步探討了社會支持的緩沖效應。本研究將社會支持與零工經濟情境相結合,指出“在線社群支持”是個體從在線社群互動中所得的尊重、支持以及理解的程度[18]。在線社群支持代表了個體從在線社群中所獲得的社會資源,而這些資源會讓其覺得自己是被關心、被支持抑或是被尊重的[31]。尤其是數字技術的發展,使得人們可以通過在線的方式獲得社會支持,這種支持涵蓋了必要的信息、友誼、歸屬感以及情感支持等。具體到零工經濟情境下,在線社群是由從事類似工作任務的零工工作者所組成,各個成員對當前所從事的工作較為認同,并積極分享與工作相關的內容,兼具工作和休閑等多重功能。根據工作要求-資源模型,有效的工作資源補充有利于緩解高工作要求可能帶來的個體心理性緊張。為此,本研究嘗試拓展工作要求-資源模型,將在線社群支持作為一種有益的工作資源補充,認為其能夠緩解零工工作者高工作要求和低工作資源下的交互性心理緊張。具體陳闡述如下。

首先,借助在線社群,零工工作者可以實現彼此之間的價值鏈接和知識共享,通過經驗分享提升技能,并有效應對一些突發情況等。這些知識、經驗的分享和獲取有利于緩解零工工作者在面臨來自平臺的高工作要求下可能產生的角色負荷或時間壓力感。比如,美團搭建了“在線騎手社群”,騎手在提供服務的過程中,遇到解決不了的困難可以通過社群求助。另外,在線社群內,騎手通過“新手指引”“跑單秘籍”和“老騎手經驗之談”等板塊的知識分享,可以有效提升自己的技能,更好地應對算法規制要求。其次,借助在線社群,零工工作者還可以實現情感溝通,獲得情感支持。如此以來,零工工作者在面臨來自顧客的工作要求的時候,可以適時在在線社群中予以傾訴,獲得情感支持,繼而益于緩解其可能由于顧客的追蹤評估而產生的心理焦慮和緊張感。實踐中,滴滴成立的車主之家,構建起了司機之間的情感鏈接平臺。當司機在遇到來自顧客的較高要求甚至是刁難的時候,可以在社群中抱怨、傾訴,也可以尋求如何處理顧客問題的技巧等。再次,這種在線社群支持還強化了零工工作者的虛擬組織歸屬感以及“自由”的勞動體驗感。借助在線社群的支持,零工工作者不必如同正式組織中的員工一般接受來自領導的訓斥,也不需要時刻保持一種緊繃的工作狀態,而是強化了一種“自由”和“為自己干”的工作感覺。李強等[32]指出,零工工作者的勞動體驗可能來自于勞動過程之外“移植”,而在線社群支持強化了這種勞動過程外的移植體驗,繼而削弱了其在算法邏輯下的緊張感。由此,提出以下假設:

假設4在線社群支持削弱了感知算法評估約束與交互性心理緊張之間的正向關系,即在線社群支持水平較高時,感知算法評估約束對零工工作者交互性心理緊張的正向影響越弱;反之亦然。

進一步,由于交互性心理緊張在感知算法評估約束與情緒勞動策略之間發揮著中介作用,且在線社群支持在感知算法評估約束與交互性心理緊張之間具有負向調節作用,因此可推論,在線社群支持在感知算法評估約束與交互性心理緊張之間的中介效應也可能會受到在線社群支持的影響。即當在線社群支持水平較高時,個體感知的算法評估約束通過交互性心理緊張影響其情緒勞動策略的作用反而越弱。由此,提出以下假設:

假設5在線社群支持調節了感知算法評估約束通過交互性心理緊張對零工工作者情緒勞動策略的間接效應,即感知算法評估約束通過交互性心理緊張對零工工作者的淺層扮演(假設5a)和深層扮演(假設5b)的間接效應在高水平在線社群支持的情況下比在低水平在線社群支持情況下更弱。

本研究的研究模型見圖2。

圖2 研究模型

3 研究設計

3.1 研究對象和數據采集過程

本研究采用問卷調查法獲取數據,考慮到算法系統應用成熟度以及樣本代表性的問題,選擇零工經濟領域以外賣配送為核心服務的網絡配送行業為取樣對象,數據采集自北京地區一家外賣平臺的騎手群體。為盡可能降低共同方法偏差的影響,本研究團隊在2022年9～11月通過3個階段時滯(每兩次間隔3周)的方式收集并匹配數據。具體而言,在正式調查前,研究團隊成員與該平臺人力資源部門的負責人取得聯系,由其推薦并聯系與平臺合作的勞動服務承包商(第三方機構)的負責人,向其介紹本次調查的目的和需要,達成一致后由第三方機構的負責人招募志愿者,最終共計410人同意參加此次調研。當被試有效完成問卷填寫工作后,會向其發放20元紅包作為獎勵。3個階段的數據收集過程具體如下:①第一次調研(T1),收集騎手的感知算法評估約束、在線社群支持和性別、年齡、學歷、職業類型(兼職/全職)等人口統計學變量數據,排除掉不符合要求(如注冊賬號時間小于兩周等)的10名被試外,共發放問卷400份,實際收回有效問卷385份,問卷有效回收率為96.25%;②第二次調研(T2),收集外賣騎手工作動機、交互性心理緊張的數據,共發放問卷385份,實際收回有效問卷369份,問卷有效回收率為95.84%;③第三次調研(T3),收集外賣騎手情緒勞動的數據,共發放問卷369份,實際收回有效問卷352份,問卷有效回收率為95.39%。

最終共得有效樣本352份。有效樣本的人口統計學信息如下:性別方面,男性占68.18%;年齡方面,25歲及以下占80.39%、26～30歲占7.40%、31歲及以上占12.21%;學歷方面,高中及以下占17.61%、?？普?2.90%、本科及以上占39.49%;職業類型方面,全職占66.19%;從業時間方面,平均為2.04年(SD=0.80)。

3.2 變量測量

本研究所使用的量表均來自國內外學者開發的成熟量表,采用BRISLIN[33]推薦的回譯方式將英文量表翻譯為中文。為保證所有題項都適用于本研究被試的學歷背景,本研究隨機抽選一部分被試進行問卷預試(此部分被試未列入正式取樣樣本中),并根據他們的反饋對量表進行改進,以保證所有涉及的測量題項符合被試者群體的語言特征。問卷涉及的量表均為Likert 5點量表,1～5表示從“非常不同意”到“非常同意”。

(1)感知算法評估約束該變量采納裴嘉良等[2]編制的零工工作者感知算法控制量表中的“追蹤評估”和“行為約束”兩個維度,共7個題項,如“算法實時追蹤定位我的地理位置”等。本研究中,該量表的Cronbach’sα值為0.885。

(2)交互性心理緊張該變量的測量借鑒CAPLAN等[34]編制的量表,由本研究結合零工工作者的勞動過程場景進行了調整,共4個題項,如“我擔心顧客會給我差評”等。本研究中,該量表的Cronbach’sα值為0.818。

(3)在線社群支持該變量的測量借鑒王春婭等[18]編制的量表,由本研究結合零工工作者的勞動過程場景進行了調整,共4個題項,如“我通過在線社群把我的問題訴說給好友”等。本研究中,該量表的Cronbach’sα值為0.801。

(4)情緒勞動策略該變量的測量借鑒GRANDEY[5]編制的量表,包括淺層扮演和深層扮演兩個維度,由本研究按照零工工作者的勞動過程場景調整后,共11個題項。其中,淺層扮演的題項如“送單時,盡管我心情不好,也必須表現出好心情”;深層扮演的題項如“我試圖在送單中表現得熱情和真誠,而不只是假裝而已”等。此外,本研究還對淺層扮演和深層扮演這兩個維度進行了一階驗證性因子分析(χ2=115.833,df=43,CFI=0.970,TLI=0.962,SRMR= 0.031,RMSEA=0.069),結果表明二者具有較好的區分效度。本研究中,淺層扮演維度和深層扮演維度的Cronbach’sα值分別為0.919和0.823。

(5)控制變量除了控制騎手的性別(“1”代表男性、“2”代表女性)、年齡(“1”代表20歲及以下、“2”代表21～25歲、“3”代表26～30歲、“4”代表31～35歲、“5”代表36歲及以上)、學歷(“1”代表高中及以下、“2”代表?？?、“3”代表本科、“4”代表碩士及以上)、職業類型(“1”代表全職、“2”代表兼職)、從業時間等基本人口統計學信息外,考慮到工作動機是影響工作行為的重要因素,本研究還將騎手的工作動機作為控制變量。該變量的測量采用GAGNE等[35]開發的量表,典型題項如“我非常喜歡這份工作”等。本研究中,該量表的Cronbach’sα值為0.942。

4 實證分析

4.1 驗證性因子分析

本研究使用Mplus 8.3軟件對數據進行驗證性因子分析,以判別核心變量之間的區分效度。結果表明,五因子模型的擬合指數效果最佳(χ2=359.110,df=289,CFI=0.986,TLI=0.984,SRMR=0.032,RMSEA=0.026),這說明本研究中變量間的區分效度良好。驗證性因子分析的結果見表1。

表1 驗證性因子分析(N=352)

4.2 共同方法偏差控制

盡管本研究通過3個階段的縱向研究設計以避免單一數據來源造成的共同方法偏差問題,但為了進一步提高數據質量和可靠性,本研究還采取在問卷表頭詳細說明調研目的以降低被試疑慮、不暴露騎手真實個人信息等方式進行嚴格控制。此外,為了避免被試者亂答的情況,本研究針對部分題目采用了反向題項進行測試,還在每一部分都設計了指導語,對不同變量進行區隔。與此同時,為檢驗可能存在的共同方法偏差問題,本研究采取Harman單因素檢驗的方法進行探索性因子分析,未經旋轉的單因子方差解釋率為36.67%,低于40%的標準。同時,由前文表1可知,單因子模型的擬合指數(χ2=1 649.110,df=299,CFI=0.724,TLI=0.701,SRMR=0.096,RMSEA=0.113)表現不佳。綜上可知,本研究的共同方法偏差問題并不嚴重。

4.3 描述性統計分析

本研究中,各變量的描述性統計和相關系數見表2。由表2可知:感知算法評估約束與交互性心理緊張顯著正相關(r=0.471,p<0.01),與淺層扮演顯著正相關(r=0.660,p<0.01),與深層扮演顯著負相關(r=-0.487,p<0.01);同時,交互性心理緊張與淺層扮演顯著正相關(r=0.611,p<0.01),與深層扮演顯著負相關(r=-0.453,p<0.01)。根據上述結果,核心變量之間的相關系數符合研究預期,研究假設得到初步支持。

表2 描述性統計和相關系數(N=352)

4.4 假設檢驗

本研究中,層級回歸結果見表3。表3中:由模型2可知,感知算法評估約束對交互性心理緊張有顯著正向影響(β=0.183,p<0.01),因此,假設1得到支持;由模型6和模型9可知,交互性心理緊張對淺層扮演有顯著正向影響(β=0.290,p<0.01),對深層扮演有顯著的負向影響(β=-0.126,p<0.05),因此,假設2a和假設2b得到支持。進一步,在控制了所有控制變量前提下,使用貝葉斯估計方法(貝葉斯迭代次數=5 000次)進行檢驗發現,感知算法評估約束通過交互性心理緊張影響淺層扮演的間接效應為0.077,95%的置信區間CI為[0.033,0.127],不包括0;感知算法評估約束通過交互性心理緊張影響深層扮演的間接效應為-0.034,95%的置信區間CI為[-0.069,-0.011],不包括0。同時,兩條中介路徑的整體效應為0.041,95%的置信區間CI為[0.012,0.080],不包括0。綜上所述可知,交互性心理緊張在感知算法評估約束與淺層扮演、深層扮演之間的所起的中介效應顯著,因此,假設3a和假設3b得到支持。

表3 層級回歸結果(N=352)

進一步,表3中由模型3還可知,在線社群支持顯著調節了感知算法評估約束與交互性心理緊張之間的正向關系(β=-0.172,p<0.01)。本研究使用Johnson-Neyman方法探索調節效應的具體形態(見圖3)。由圖3可知:當在線社群支持取值范圍在[4.37, 5.59]之外時,簡單斜率p<0.05,即在圖3中兩條豎直虛線與陰影部分的重合區域范圍內,簡單斜率的置信區間包含0;此區域外,簡單斜率顯著不包含0。也即隨著在線社群支持水平的增加,感知算法評估約束對交互性心理緊張的正向影響效應被削弱。由此,假設4得到支持。

圖3 在線社群支持的調節效應(Johnson-Neyman法)

同時,為檢驗在線社群支持是否會調節感知算法評估約束通過交互性心理緊張對淺層扮演、深層扮演的間接效應,本研究使用貝葉斯估計方法(貝葉斯迭代次數=5 000次)進行檢驗發現,在低在線社群支持水平(-1標準差)下,感知算法評估約束通過交互性心理緊張對淺層扮演的間接效應顯著正向(β=0.157,95%CI[0.056,0.291]),而在高水平(+1標準差)下則不顯著(β=-0.001,95%CI[-0.058,0.051]),但兩者的差異是顯著的(β=-0.158,95%CI[-0.299,-0.052])。對于深層扮演而言,在低在線社群支持水平下,感知算法評估約束通過交互性心理緊張對深層扮演的間接效應顯著負向(β=-0.072,95%CI[-0.158,-0.018]),而在高水平下則不顯著(β=0.001,95%CI[-0.026,0.030]),但兩者的差異是顯著的(β=0.072,95%CI[0.017,0.640])。由此,假設5a和假設5b得到支持。有調節的中介效應分析結果見表4。

表4 有調節的中介效應檢驗(N=352)

5 結論與討論

本研究主要得到以下研究結論:①感知算法評估約束作為一種零工經濟情境下的工作要求源,在低適配的工作資源情境下,會導致零工工作者交互性心理緊張;②零工工作者的交互性心理緊張會正向影響其淺層扮演,負向影響其深層扮演;③感知算法評估約束能夠通過影響交互性心理緊張繼而對零工工作者的淺層扮演產生正向影響,對其深層扮演產生負向影響;④在線社群支持作為一種有益的工作資源補充,能夠削弱感知算法評估約束對零工工作者交互性心理緊張的正向作用;而且,在線社群支持調節了算法追蹤評估通過交互性心理緊張對零工工作者情緒勞動策略的間接效應。

本研究的主要理論貢獻如下。

(1)傳統服務業與零工經濟情境下,零工工作者情緒勞動在影響機制上存在明顯的差異[10]。在傳統服務業研究中,情緒勞動的產生是由個體特征、職業性質、領導者風格等觸發,進而引起個體的焦慮、職業倦怠等[6～8]。但是,在零工經濟這一新型服務業態中,零工工作者處于平臺的算法規制下[2],算法的追蹤評估功能會導致零工工作者面臨較高的工作要求,同時又削減了其適配的工作資源,繼而致使其處在人-機、人-顧客交互中的高度緊張中。心理性緊張是零工工作者在實際勞動過程中心理資源持續損耗的表現或呈現的結果。零工工作者為了阻止資源的進一步損失,便會積極進行情緒調整,尋求相應的情緒勞動策略以維護資源的平衡。這一研究成果為打開算法技術與零工工作者情緒勞動之間的作用機理“黑箱”積累了實證證據。

(2)經典組織行為學研究認為,心理性緊張是與個體情緒密切相關的一個變量[23],其特征是缺乏能量,精神或情緒處于緊張狀態,并感覺個體情緒資源被耗盡的一種心理狀態[24]。然而,與傳統組織中的正式員工不同,零工工作者的心理性緊張狀態更多體現在其勞動過程中與顧客、平臺等交互的場景中。本研究指出,零工工作者面臨兩種不同工作要求源(即來自平臺的工作要求和來自顧客的工作要求),繼而將其心理性緊張細化為人-機交互性心理緊張和人-顧客交互性心理緊張,這為后續進一步探究零工工作者的心理狀態奠定了基礎。

(3)在工作要求-資源模型中,工作資源是激發人們工作動機的主要因素。諸多研究都指出,零工工作作為一種去組織化的工作類型,天然具有組織資源匱乏的屬性[21],但鮮有研究關注何種條件下算法技術的消極效應可以被削弱或其積極效應如何被增強。本研究響應文獻[14,29]的觀點,即嘗試對工作資源進行細分,將在線社會支持納入到零工經濟情境下的工作資源補充。通過實證分析,檢驗了在線社群支持在感知算法評估約束對零工工作者交互性心理緊張的削弱作用,且能夠削弱交互性心理緊張在算法評估約束與情緒勞動策略選擇中的中介效應,因此,是一種有益的工作資源。這對揭示算法技術影響效應的邊界條件是一種有益補充。

(4)借鑒工作要求-資源模型中工作要求和工作資源的交互效應[17],本研究驗證了對于零工工作者而言,高工作要求、低工作資源會導致其心理緊張反應。同時,有益的工作資源補充能夠緩沖高工作要求對個體身心資源的損耗[17]。高雪原等[14]在研究中指出,工作場所中的社會支持應當是零工工作者的一種重要工作資源,但卻并未檢驗該種工作資源的有效性。在此基礎上,本研究創新性地將在線社群支持納入到對零工工作者的工作資源考察中,并通過實證檢驗指出其有利于抑制零工工作者現有的身心資源損耗、緩沖現有工作要求帶來的壓力,繼而拓展了工作要求-資源模型在零工經濟情境下的適用性。

本研究的實踐啟示如下:首先,要加強對在線社群的支持、引導和規范。零工經濟情境下,在線社群已經成為平臺與零工工作者之間有效溝通的重要紐帶,也是零工工作者獲得支持感、歸屬感的重要平臺。對于平臺而言,要重視在線社群的建設,支持在線社群的發展。但是,需要指出的是,社群管理需要遵循“輕管理、重賦能”的原則,即將在線社群視為零工工作者的重要工作資源補充,切實關注其需求,基于相互尊重的原則加強溝通,引導成員之間的知識共享、經驗傳承和技能提升。另外,從實踐情況來看,在線社群也有可能成為謠言和不良情緒的傳染地,繼而演化為零工群體對算法抱怨并形成勞動抵抗的非正式組織,這就要求平臺要重視對在線社群的引導和規范管理。

其次,從平臺的角度而言,應該積極關注零工工作者的心理狀態。算法評估約束通過交互性心理緊張對零工工作者的淺層扮演產生正向影響,對深層扮演產生負向影響。這為平臺的管理實踐提出了警示,即平臺需要隨時關注零工工作者的身心狀況,尤其是在算法管理邏輯下的情緒反應。平臺要重視對零工工作者的心理疏導,使其能夠正視并理解算法管理中追蹤、評價和約束體系的作用,克服消極情緒和緊張心理,正視服務行業的本質特征,促進零工工作者從事更多的深層扮演和減少淺層扮演,以積極主動的態度正視零工工作。

最后,應從行業協會、政府相關部門以及工會等角度注重對零工工作者的培訓與開發?？紤]到深層扮演需要投入較多的時間和精力,這在一定程度上會降低有關人群成為從事深度情緒勞動的零工工作者的意愿。由此,各相關主體應盡可能通過培訓促使零工工作者提高個人的情緒管理策略,增強其在勞動過程中應對各項工作要求的情緒調節能力和抗壓能力,從而降低其心理緊張和焦慮,提升零工工作者的勞動成就感、獲得感和滿足感。

6 研究局限與展望

本研究也存在以下局限性:首先,盡管本研究盡管采用多階段(3個時間點)的研究設計,在一定程度上減少了橫截面數據導致的共同方法偏差的不利影響,提高了變量之間(感知算法評估約束-交互性心理緊張-情緒勞動)的因果關系推斷。但有關取樣仍采用由零工工作者自我評價的方式進行,因此,一定程度上無法完全避免同源誤差的影響。未來研究中,可以嘗試在研究設計方面采用客觀數據或多種數據來源的方式進行取樣。其次,本研究關注的是零工工作者淺層扮演和深層扮演影響機制問題,并認為零工工作者感知算法評估約束導致了情緒勞動,但實際上,零工工作者的情緒勞動影響因素涉及很多方面,包括其自身的經歷、職業適應能力、個體特質等,以及平臺管理方式和算法優化的交互影響。事實上,平臺的管理不僅涉及算法的管理設計,還涉及到平臺管理理念、管理風格等多方面。由此,未來研究還可進一步探討平臺管理方式、理念和風格等對零工工作者情緒勞動的交互影響。最后,本研究從社會支持角度探討了在線社群支持在感知算法評估約束與零工工作者交互性心理緊張、情緒勞動策略之間關系的邊界條件,但實際上,這一過程的邊界條件不應僅從社會支持角度思考,未來研究可以嘗試從平臺視角(如平臺的人力資源管理實踐)以及個體視角(如零工工作者的情緒智力)等,探討這些不同因素對零工工作者情緒勞動策略選擇的影響。