魏 昕,黃鳴鵬,李欣悅

（對外經(jīng)濟貿(mào)易大學 國際商學院，北京 100029）

一、引 言

隨著科學技術的進步和發(fā)展，我們迎來了數(shù)字化時代。而算法作為數(shù)字化時代的產(chǎn)物之一，成為幫助企業(yè)快速進行決策及判斷的重要工具，被廣泛應用于企業(yè)管理中，例如為網(wǎng)約車司機計算最有效的路線、為外賣騎手規(guī)劃多個訂單的取送餐順序等。由于算法決策在現(xiàn)實中日益普遍的應用、并對企業(yè)和身處其中的員工產(chǎn)生重要影響，研究者們也開始越來越關注員工對算法決策的感知和反應。關于員工對算法的感知，現(xiàn)有文獻中存在兩種總體觀點。一種是算法欣賞（algorithm appreciation），認為與人類的判斷相比，算法更加高效、準確、客觀，因此人們會更加信任算法決策（如，Logg等，2019）。另一種則是算法厭惡（algorithm aversion），認為相比于算法決策，人工決策可以允許員工在決策過程中有更高的參與和控制感，因此人們會更傾向于選擇人工決策（Dietvorst等，2015，2018）。

與這兩種總體觀點緊密相關的是算法決策（相對于人工決策）對員工公平感的影響。公平感是一種重要的工作感知，對員工的諸多工作行為和結果會產(chǎn)生重要影響（Colquitt等，2001）。因此，近年來，算法決策如何影響員工的公平感也越來越受到研究的關注，但并未呈現(xiàn)一致的研究結果。具體來說，一些研究發(fā)現(xiàn)，相對于人工決策，算法決策會帶來更高的公平感，因為算法決策具有更高的一致性、無偏性、使用的信息更加準確等（如，de Melo等，2017；Schlicker等，2021）。然而，另一些研究則發(fā)現(xiàn)算法決策未必會導致更高的公平感，因為人們認為算法沒有考慮質化信息、不夠情境化、無法進行主觀評價（如Lee，2018；Newman等，2020）。這些不一致的研究發(fā)現(xiàn)意味著，在決策者類型（算法決策vs.人工決策）與員工公平感的關系中可能存在重要的調節(jié)因素，使得兩者的關系在不同情境下呈現(xiàn)出不一樣的結果。探討這些潛在的調節(jié)因素對于我們更全面、具體地理解算法決策對員工公平感及其后續(xù)行為的影響非常重要。因此，本研究的第一個目標是探討對決策者類型與員工公平感之間關系起到調節(jié)作用的情境變量。

為了探討這一問題，我們將采用歸因理論（Kelley和Michela，1980）的視角。根據(jù)歸因理論，員工會對涉及自身的決策進行解釋，而這種解釋會影響他們對于該決策的反應。例如，已有研究表明，個體的歸因過程會對其公平感知產(chǎn)生影響（如Ployhart和Ryan，1997）。特別地，人們面對有利和不利的結果，會進行不同的歸因。關于自我服務歸因偏差（self-serving attribution bias）的研究發(fā)現(xiàn)，當面對有利的決策結果時，員工更傾向于歸因于自身因素，因此其公平感較少受外部因素（如決策者特征）的影響。在這種情況下，算法決策或人工決策對員工的公平感不會有差異化的影響。相反，當決策結果不利時，員工更傾向于歸因于外部因素，如決策者（Bradley，1978）。此時，由于員工對于算法和人工這兩類決策者的無偏性、一致性、準確性等方面有不同的感知（如de Melo等，2017；Lee，2018；Newman等，2020；Schlicker等，2021），會產(chǎn)生不同程度的公平感。因此，基于歸因理論，我們認為決策結果的有利性可能是影響決策者類型與員工整體公平感之間關系的一個重要調節(jié)變量。

決策者類型與決策有利性的交互作用不僅會影響員工的公平感知，還會影響員工后續(xù)的行為結果。其中特別值得關注的是員工的偏差行為。員工在應對算法的過程中表現(xiàn)出的針對組織或社會的偏差行為已經(jīng)引起了廣泛關注。例如，2020年的一篇引起社會廣泛討論的報道——《外賣騎手，困在系統(tǒng)里》提到，騎手們可能因為抱怨系統(tǒng)派單不合理、時間緊急等原因，以超速、逆行、闖紅燈等違反社會規(guī)則的做法，或者采取在沒有到達送餐地點之前就提前點擊“送達”按鈕等一系列對抗系統(tǒng)的行為，來達到系統(tǒng)要求的時效（賴祐萱，2020）。關于公平的研究也發(fā)現(xiàn)，當員工感到不公平時，會展現(xiàn)出更多的偏差行為（Colquitt等，2013）。因此，本研究將進一步探討決策有利性如何調節(jié)決策者類型通過員工公平感對員工偏差行為產(chǎn)生的間接影響。需要指出的是，在本研究中，我們聚焦于員工的整體公平感，即員工對組織各個方面公平程度的總體感知（Jones和Martens，2009）。盡管研究者詳細區(qū)分了分配公平、過程公平、互動公平等不同類型的公平感，但在現(xiàn)實生活中，人們對與公平相關的信息進行感知時，往往很難清楚區(qū)分公平的各個子維度，而是形成一個整體的公平感（Lind，2001）。

本研究將對算法決策的相關文獻做出幾個方面的重要貢獻。第一，本研究揭示了決策有利性的調節(jié)作用，拓展了現(xiàn)有文獻中關于算法決策（相對于人工決策）如何影響員工公平感的理解。目前既有一些研究發(fā)現(xiàn)算法決策（相對于人工決策）能夠帶來更高的員工公平感（如，de Melo等，2017；Schlicker等，2021），也有研究發(fā)現(xiàn)相反的結果（如，Lee，2018；Newman等，2020）。因此，要更全面地理解決策者類型對員工公平感的影響，就需要探討潛在的情境因素。本研究基于歸因理論，引入并揭示了決策有利性的調節(jié)作用，因而提供了更加精細的視角來探索算法決策對員工公平感的影響。第二，更廣泛地說，我們的研究也對算法決策如何影響員工感知的文獻有所貢獻。人們究竟是欣賞算法（如，Logg等，2019）還是厭惡算法（Burton等，2020；Dietvorst等，2015，2018），目前的文獻中并沒有一致的觀點或結論。我們的研究結果意味著，人們對算法的欣賞或厭惡是隨著情境發(fā)生變化的。在決策結果不利時，人們更加“欣賞”算法；而在決策結果有利時，算法或人工決策帶來的感知上的差異并不顯著。因此，本研究的結果有助于深化我們理解人們對算法決策的感知。第三，本研究進一步分析了員工如何以偏差行為來應對算法決策或人工決策對其公平感帶來的影響，將關于算法對員工影響的研究視域（scope）擴大到員工的行為應對策略，是對這一研究領域的重要拓展。

二、理論基礎與研究假設

（一）決策者類型與決策有利性對公平感的交互影響

在組織中，當面臨某個決策結果時，員工會探究其原因。如果員工將決策結果歸因于內(nèi)部，即自身因素（如過往業(yè)績），那么其公平感取決于對自身因素的解讀，而較少受外在因素的影響。相反，如果員工將決策結果歸因于外在因素（如決策者類型），其公平感則取決于員工對該外部因素的解讀。以往研究表明，當面臨不利的結果時，人們傾向于進行外部歸因（Wolosin等，1973）。因此，當決策結果對員工不利時，員工會試圖從決策者的無偏性、其決策的一致性、準確性等外部因素去解釋不利的決策結果，由此產(chǎn)生不同程度的公平感（Colquitt，2001；Shin和Park，2019）。如果決策者在這些方面存在問題，員工就會認為不利的結果是由決策者的錯誤導致的，進而認為不公平。

本文認為，當不利決策是由人工（如領導）做出的，員工更容易對決策者的無偏性、其決策的一致性、準確性等方面產(chǎn)生質疑，因而更容易將不利結果歸因于決策者的問題，導致更低的公平感。相反，算法決策相比起人工決策來說，在這些方面具有優(yōu)勢，員工更難將不利結果歸因于決策者（算法）的問題，因而其公平感受到的負面影響較小。具體來說，第一，算法不同于人類，不受情緒、偏好等因素帶來的個人偏差的影響（Gray和Wegner，2012）。關于公平的研究指出，即便決策結果是不利的，例如員工得到了較低的績效評估，但如果決策過程是無偏的，則有助于提升員工的公平感（Taylor等，1995）。因此，在面臨不利決策時，算法決策過程的無偏性使得員工認為算法（相對于人工）的決策過程更加公平。近來一項對優(yōu)步司機的訪談發(fā)現(xiàn)，當算法參與到管理過程當中分配任務時，司機們肯定了算法作為決策者的無偏、中立的特征（Lee等，2015）。這一發(fā)現(xiàn)間接地支持了我們的觀點。第二，由于算法決策每次都遵循相同的程序，員工會認為算法決策的一致性更強，從而認為其決策更加公平。研究者們在多種不同的決策場景中發(fā)現(xiàn)，人們認為自動系統(tǒng)（算法）做決策的過程和結果都具有更高的一致性，這些場景包括招聘面試（Langer等，2020）、日常管理（Schlicker等，2021）、任務分配（?tting和Maier，2018）、職業(yè)培訓（?tting和Maier，2018）等。而決策的一致性是影響人們公平感的重要因素——一致性意味著，對所有潛在的決策接受者，按照穩(wěn)定的標準進行決策。這樣的機會均等，帶來了較高的公平感知（Leventhal，1980）。第三，人們傾向于認為，和人類決策相比，算法在決策時更加準確。隨著算法技術的進步，人們對算法的可靠性和準確性的信心逐漸提高，認為算法具有遠遠高于人類的信息處理能力和效率（Lee，2018）。如果某個信息的來源是計算機，人們認為該信息質量更高、更加客觀（Sundar和Nass，2001）。近來的一項質性研究的結果也發(fā)現(xiàn)，人們認為算法決策具有更高的準確性，因此感到更加公平（Shin和Park，2019）。

盡管有些研究者指出，相比于算法決策，人工決策存在一些優(yōu)勢，例如能考慮到一些無法被算法量化的質化信息（Newman等，2020）、具有算法所不具備的主觀判斷能力（Lee，2018），進而對員工的公平感產(chǎn)生更積極的影響。但同時，質化信息的模糊性、與主觀判斷相伴的人為偏差，又不可避免地會削弱員工感知到人工決策的公平性（Lee，2018）。與這一邏輯相關的是，研究發(fā)現(xiàn)，在施以員工一些對他們并不友好的舉措時——例如以非建設性的方式給他們反饋——如果是主管施以這些舉措（和數(shù)字化技術施予的相比），其中所蘊含的情感內(nèi)涵和人際敏感性使得員工的公平感更低（Alder和Ambrose，2005）?；蛘弋攩T工面臨工作中的監(jiān)控這一可能侵犯自己隱私的舉措時，比起主管的觀察，數(shù)字化監(jiān)控讓員工感到更公平（McNall和Roch，2007）。因此，我們認為，盡管人工決策存在一些優(yōu)勢，但在決策結果不利、員工傾向于歸咎于決策者時，人工決策者（相比于算法決策系統(tǒng)）更有可能被歸咎，進而導致更低的員工公平感。

然而，當決策結果對員工有利時，由于人們傾向于將有利的結果進行內(nèi)部歸因（Wolosin等，1973），他們更有可能將這一有利結果歸功于自己（如自身業(yè)務能力、過往業(yè)績），而很少歸因于決策制定者或其他外部原因。在這種情況下，決策者類型的差異不會對員工公平感產(chǎn)生顯著的影響。

綜上，我們認為，在不利決策的情況下，相對于人類領導者決策，算法決策下員工的公平感更高。在有利決策的情況下，決策者類型不會對員工的公平感產(chǎn)生顯著的影響。因此，本文提出如下假設：

假設1：決策者類型與決策有利性交互影響了員工的公平感。具體來說，當面臨不利決策時，與領導決策相比，算法決策下的員工公平感更高；當面臨有利決策時，決策者類型對員工公平感沒有顯著影響。

（二）公平感與偏差行為

當員工感知到不公平時，可能會尋求改變，如通過改變組織制度的方式來達到組織公平。但是，如果員工認為他們不能改變制度，只能通過調整自己的行為來降低這種不公平感（Aquino等，1999）。一些關于公平的研究基于社會交換的視角，認為員工與組織的雇傭關系本質上是一種交換關系，員工通過衡量自身付出和回報是否對等，來改變自己在工作上的投入程度（Colquitt等，2013）。當員工感知到不公平時，會減少對組織的付出，使其與感知到的組織回報相匹配。比如他們可能展現(xiàn)出更多的組織偏差行為，即自發(fā)地違反組織規(guī)范，損害組織及其他成員利益的行為。研究發(fā)現(xiàn)，當組織中對公平的感知較低時，員工會以破壞性的行為來報復（Colquitt等，2001）。

此外，也有一些研究者從情緒的視角來解釋不公平感對于員工行為的影響——不公平感會導致員工出現(xiàn)負面情緒，例如憤怒。這些負面情緒驅使他們做出報復性舉動，包括反生產(chǎn)行為、偏差行為等（Colquitt等，2013）。結合以上兩種視角（社會交換視角、情緒視角），我們認為，員工會做出組織偏差行為來回應他們感知到的不公平。

假設2a：員工的公平感對其組織偏差行為呈負向影響。

除組織偏差行為之外，公平感還會對員工的社會偏差行為產(chǎn)生影響。社會偏差行為是指一系列違反社會規(guī)范、破壞社會秩序，給社會造成不良影響的行為（Hay等，2010）。不同于組織偏差行為，社會偏差行為的實施對象是在組織之外的。當員工遭受到管理者的傷害時，可能會將不滿發(fā)泄到其他非傷害源上（Marcus-Newhall等，2000）。例如，有研究發(fā)現(xiàn)，當員工遭受不公平的待遇時，他們會覺得自己受到了管理者的侵害，這時他們不僅會對組織實施發(fā)泄，還會將這種發(fā)泄行為滲透至非工作領域，如家庭領域（Hoobler和Brass，2006）。我們認為非工作領域不僅局限于家庭，當員工覺得自己受到組織的侵害時，產(chǎn)生的轉移攻擊行為也可能會溢出至社會領域，出現(xiàn)一系列違反社會規(guī)則的行為。

假設2b：員工的公平感對其社會偏差行為呈負向影響。

（三）受調節(jié)的中介效應

根據(jù)假設1，在不利決策的條件下，與領導決策相比，員工對算法決策的公平感知更高。而根據(jù)假設2，當員工公平感知較低時，會做出對抗組織的行為，即組織偏差行為，甚至蔓延到對社會規(guī)則的對抗，展現(xiàn)出社會偏差行為。綜合以上兩部分的效應，我們推論，算法決策對員工公平感的影響會進一步傳遞到他們的偏差行為上，并且，這些間接影響在有利決策和不利決策的條件下呈現(xiàn)出不同的強度。即決策者類型與偏差行為之間存在受調節(jié)的中介效應。

假設3a：比起面臨有利決策，當員工面臨不利決策時，決策者類型通過員工公平感對其組織偏差行為形成的間接效應更強。

假設3b：比起面臨有利決策，當員工面臨不利決策時，決策者類型通過員工公平感對其社會偏差行為形成的間接效應更強。

綜上所述，本文提出如圖1所示的研究模型。為了檢驗這一模型，我們開展了一個質化的預研究，以及一個正式的實驗研究。在預研究中，我們對30位騎手開展了半結構化訪談，了解在他們的工作中算法或人工是如何進行決策的、他們對算法決策和人工決策的公平感知，以及他們?nèi)绾螒獙Γú唬┕礁?。根?jù)預研究的結果，我們設計了一個研究情境，對關鍵變量進行實驗操縱，開展了一個2×2組間設計的實驗，來檢驗各個假設。

圖1 研究模型

三、預研究

（一）樣本選擇與實施過程

為了更好地設計實驗情境，使其具有較高的心理現(xiàn)實性（psychological realism），我們在正式研究之前對30名外賣騎手進行了訪談，了解他們的日常工作場景、算法決策與領導決策在他們工作中的應用，他們對不同決策的感知和應對。受訪騎手的平均年齡為28歲（標準差=5.45），其中男性占100%，他們在該平臺的平均工作年限是1.07年（標準差=0.41），平均每天工作時長9.41小時（標準差=1.82）。

我們采取半結構化訪談的方式，訪談內(nèi)容包括人口統(tǒng)計學信息、與平臺管理相關的問題、與站點管理相關的問題、與客戶相關的問題、與商家相關的問題。每位騎手的訪談時間平均持續(xù)30分鐘，在征得被訪談者同意的情況下，我們對所有訪談進行了錄音并轉為文字底稿。

（二）數(shù)據(jù)整理與分析

由于本研究的目的是提取典型工作場景、感知和行為，并非開創(chuàng)新的理論構念（constructs），我們對Gioia等（2013）的方法進行簡化，僅僅從訪談內(nèi)容中提取一級目錄（first-order categories）和二級主題（second-order themes），并結合量化的方法進行分析。首先，本文作者各自獨立地對1/3的訪談進行編碼，產(chǎn)生若干個一級目錄。接下來對這些一級目錄與對應的訪談內(nèi)容展開討論，對一級目錄進行修改，以確保編碼的方式一致。在此基礎上，本文作者獨立地對剩下2/3的訪談進行編碼，并在完成后基于一致性原則（consensus）對所有有爭議的編碼進行討論和修改，最終形成10個一級目錄。同時，我們也對每個一級目錄出現(xiàn)的頻次進行了統(tǒng)計。在此過程中，當沒有更多新的一級目錄產(chǎn)生時，我們認為一級目錄達到飽和，進入下一步，即根據(jù)一級目錄之間共同的屬性形成二級主題。我們并未將二級主題進一步歸類為聚類維度（aggregate dimensions），因為本研究關注的是現(xiàn)有構念在新場景下的表現(xiàn)形式。

（三）研究結果

我們整理訪談內(nèi)容（參見表1）發(fā)現(xiàn)，外賣騎手的訂單分配是一個同時存在算法（平臺系統(tǒng)）決策和人工（配送站點的站長）決策的典型場景。一方面，算法根據(jù)訂單距離、商家距離、騎手位置、騎手所持訂單數(shù)量等因素，決定訂單分配到哪個站點的哪位騎手。另一方面，站長有時會根據(jù)具體情況對訂單進行協(xié)調分配，例如有騎手的電動車在路上出了故障，無法送單；極端天氣導致騎手送單時間超出算法的預估值，無法按時完成其他訂單的配送；系統(tǒng)中的距離、位置等沒有及時更新；等等。

63.33%的騎手提到，在日常工作中曾經(jīng)有過被分配到不順路的訂單這樣的不利決策。例如，在訂餐高峰時段或者在惡劣天氣的情境下，訂單數(shù)量暴漲（23.33%）；或者在突發(fā)情況下，區(qū)域內(nèi)交通異常，導致算法失靈（10%）。在這些情況下系統(tǒng)會分配給騎手一些不順路的訂單。在站長進行人工派單的場景中，他們有時也會出于某些個人的原因，將一些遠距離或不順路的訂單分配給騎手（13.33%）。

26.67%的騎手認為系統(tǒng)派單是公平的，因為系統(tǒng)派單的規(guī)則透明（16.67%）、能綜合考慮各種因素（10%）。16.67%的騎手認為系統(tǒng)派單也會出現(xiàn)不公平的情況，例如派單時間安排過于緊張（6.67%）、不會考慮到特殊情況，如惡劣天氣（10%）。

有20%的騎手認為站長的人工派單決策是公平的，因為會根據(jù)情況需要進行調單。30%的騎手認為站長派單決策會存在不公平的情況，例如派單規(guī)則不公開不透明（6.67%）、根據(jù)私人關系決定派單（23.33%）。

騎手送單超時被懲罰，是他們在工作中經(jīng)常面臨的不利結果。23.33%的騎手會采取提前點擊“送達”后關機、斷網(wǎng)或卸載app等方式來“欺騙”系統(tǒng)，即展現(xiàn)出組織偏差行為；20%的騎手曾經(jīng)為了能按時完成訂單發(fā)生過違反交通規(guī)則的行為，即展現(xiàn)社會偏差行為。

基于以上結果，以及騎手對其工作場景的描述，我們在實驗研究中設計了一個情境。

四、實驗研究

根據(jù)預研究的結果，我們采用2（算法決策vs.領導決策）×2（有利決策vs.不利決策）的實驗設計，研究決策者類型和決策有利性對公平感，以及組織偏差行為和社會偏差行為的影響。

（一）實驗對象與實施過程

我們通過問卷星開展了線上實驗，參與者為來自互聯(lián)網(wǎng)、金融、教育、制造等不同行業(yè)的388名企業(yè)員工。參與者的平均年齡為30歲（標準差=7.5），男性占51.03%，本科學歷及以上占60.31%。16.46%的實驗參與者正在從事或者有從事騎手工作的經(jīng)歷。

我們將被試隨機分配至4組實驗情境的其中一組，每組實驗條件下的人數(shù)如表2所示。在該情境中，我們要求所有參與者扮演一個外賣平臺騎手的角色。參與者首先閱讀了一段模擬情境的描述，然后按照在模擬情境中的真實想法回答關于公平感及偏差行為的相關問題。情境材料的背景信息如下。

表2 各種實驗條件下的人數(shù)

A平臺是一家外賣平臺，主營即時配送業(yè)務。該平臺擁有多個配送站點，每個配送站點有若干名騎手和一名管理騎手的站長。平臺依據(jù)騎手業(yè)績將其分為青銅、白銀、黃金、鉆石四個等級。騎手的收入來自于送單的配送費，每單收入在5元左右。

平臺開發(fā)了一套系統(tǒng)，在收到顧客訂單后，系統(tǒng)會將訂單分配給距離商家4公里以內(nèi)的某一名騎手，由該騎手在指定時間內(nèi)前往商家取餐，并將餐品送至顧客處。平臺要求商家在規(guī)定的時間內(nèi)出餐，若超過規(guī)定時間未出餐，騎手可以投訴商家，從而影響商家的信譽度。

如果騎手超過了系統(tǒng)規(guī)定的時間才將產(chǎn)品送達顧客，將被視為超時，會受到懲罰。另外，系統(tǒng)可以監(jiān)測騎手的實時位置。如果騎手在超過顧客200米外的距離提前點“送達”，將被視為違規(guī)，也會受到懲罰。懲罰包括罰款、降等級等。

同時，站長也有一定的權限，可以對所在站點騎手的訂單進行分配調整。根據(jù)以往的情況來看，騎手手頭的訂單不會同時超過4單。

現(xiàn)在請你想象，自己是這個平臺上某個站點的騎手，你的等級是白銀。一天下午你去一家快餐店取餐，恰巧在店里遇到了三位騎手朋友，他們和你都在同一個站點。在等單過程中，你通過閑聊了解到，他們手中都各有一個東南方向的訂單，而你有三個西北方向的訂單。

（二）實驗操縱

接下來，我們對決策制定者類型及決策有利性進行了操縱。

（1）決策者類型操縱

算法決策：就在你們收到餐品準備開始送餐時，你突然接到系統(tǒng)新派的訂單。

領導決策：就在你們收到餐品準備開始送餐時，你突然接到站長新派的訂單。

（2）決策有利性操縱

有利決策：你突然接到……（系統(tǒng)/站長）新派的訂單，讓你去距離自己1公里左右的商家處取餐，然后送往某西北方向的顧客處。湊巧的是，這個……（系統(tǒng)/站長）新派的訂單和你現(xiàn)在手頭所有的訂單方向正好相同，你覺得自己可以將所有單子都準時送達。

不利決策：你突然接到……（系統(tǒng)/站長）新派的訂單，讓你去距離自己3公里左右的商家處取餐，然后送往某東南方向的顧客處。不巧的是，這個……（系統(tǒng)/站長）新派的訂單和你現(xiàn)在手頭所有的訂單方向正好相反，你覺得自己很難將所有單子都準時送達。

（三）變量測量

公平感：參照Konovsky和Folger（1991）在實驗研究中測量公平感的方式，參與者閱讀完情境材料后，在量表上回答“我認為這一單指派給我是公平的”（1=強烈不同意，6=強烈同意）。

社會偏差行為：接下來，我們給參與者描述一個涉及社會偏差行為的情境：“離開餐廳后，你以最快的速度趕往顧客處，按照這個速度應該可以在規(guī)定時間內(nèi)將站長（系統(tǒng)）新指派的訂單準時送達。但是在通過最后一個路口前，信號燈突然由綠變紅，你環(huán)顧四周后發(fā)現(xiàn)周圍并沒有車和交警。這時你會怎么做？”參與者回答他們在多大程度上“會闖紅燈，快速通過路口”（1=根本不可能，6=非?？赡埽?/p>

組織偏差行為：進一步地，我們描述了一個涉及組織偏差行為的情境：“按照平臺規(guī)定超過顧客所在地200米外點送達屬于違規(guī)行為，但你在距離顧客500米的時候，眼看就要超時了。這時你會怎么做？”參與者回答他們在多大程度上“會提前點送達，并采取一些手段避免被懲罰（如在提前點送達之后馬上關機，這樣系統(tǒng)就無法檢測到你的行動軌跡）”（1=根本不可能，6=非?？赡埽?。

另外，以往研究表明，性別、年齡等個體因素對員工的公平感和偏差行為具有一定的影響（Jones和Martens，2009）。因此，我們將性別、年齡等人口統(tǒng)計學變量作為控制變量。是否具有騎手工作經(jīng)歷可能會影響實驗參與者的代入感，進而影響研究結果。因此，我們將參與者是否具有騎手工作經(jīng)歷也列為控制變量。

（四）研究結果

1.操縱檢驗

在實驗參與者完成了所有問題后，我們對實驗操縱進行了檢驗。針對決策者類型，我們請實驗參與者回答“你現(xiàn)在手上的訂單是系統(tǒng)派的還是站長派的？”（1=系統(tǒng)，2=站長）。針對決策有利性，請他們回答“這個訂單與你之前送的三個訂單方向相同還是相反？”（1=相同，2=相反），以及“新派的訂單距離你多遠？”（1=非常遠，6=非常近）。獨立樣本t檢驗的結果表明，領導決策組（M=1.98，SD=0.144）和算法決策組（M=1.02，SD=0.141）在派單者的選擇得分上有顯著差異（t=66.26，p<0.01），說明決策者類型變量操縱有效。除此之外，有利決策組（M=1.01，SD=0.10）和不利決策組（M=1.98，SD=0.14）在派單任務方向的選擇得分上有顯著差異（t=?77.181，p<0.01），有利決策組更傾向于認為派單任務方向和目前的訂單方向相同，不利決策組更傾向于認為派單任務方向和目前的訂單方向相反。在派單任務距離上，有利決策組（M=4.45，SD=0.91）和不利決策組（M=2.71，SD=1.18）的選擇得分也存在顯著差異（t=16.22，p<0.01），相比于有利決策組，不利決策組認為派單任務距自己的距離更遠。這說明本實驗對決策有利性的操縱是有效的。

2.描述性統(tǒng)計分析

各變量的均值、標準差和相關系數(shù)情況如表3所示。決策者類型與公平感之間的相關性不顯著；公平感則與組織偏差行為（r=?0.13，p<0.01）、社會偏差行為（r=?0.12，p<0.05）顯著地負相關，為假設2a和假設2b提供了初步的證據(jù)。

表3 描述性統(tǒng)計分析和相關系數(shù)

3.假設檢驗

我們運用PROCESS（Hayes，2017）對所有假設進行檢驗，分析結果如表4所示。首先，我們以公平感為因變量，構建了一個交互效應模型，將性別、年齡、學歷水平、騎手經(jīng)歷作為控制變量。結果顯示，決策者類型與公平感之間的關系不顯著（β=?0.08，ns.），但決策者類型與決策有利性之間的交互項與公平感之間顯著相關（β=0.16，p<0.01）。條件效應分析的結果表明，在不利決策的條件下，決策者類型對公平感的影響是顯著的（β=?0.23，95% Boot CI=[?0.38，?0.08]），即算法決策會導致更高的公平感；而在有利決策的條件下，決策者類型和公平感之間的關系不顯著（β=0.09，95% Boot CI=[?0.07，0.24]），假設1得到支持。具體的交互效應如圖2所示。

圖2 決策者類型與決策有利性對公平感的交互效應

表4 假設檢驗結果

接下來，我們分別以組織偏差行為、社會偏差行為為因變量，構建了受調節(jié)的中介模型，對假設2a、假設3a，以及假設2b、假設3b分別進行檢驗。關于組織偏差行為的分析結果顯示，公平感與組織偏差行為呈顯著負相關關系（β=?0.14，p<0.01），假設2a得到支持。并且，基于5 000次Bootstrap抽樣的條件中介效應（conditional indirect effects）分析顯示，當面臨不利決策時，決策者類型通過員工公平感對組織偏差行為發(fā)揮了顯著的間接影響（間接效應為0.03，95% Boot CI=[0.01，0.08]）；當面臨有利決策時，間接效應不顯著（間接效應為?0.01，95% Boot CI=[?0.04，0.01]）。這兩個條件下的間接效應之間的差異顯著（index of moderated mediation=?0.05，95% Boot CI=[?0.10，?0.01]）。以上結果支持了假設3a。

關于社會偏差行為的分析結果顯示，公平感與社會偏差行為呈顯著負相關關系（β=?0.14，p<0.05），假設2b得到支持。并且，基于5 000次Bootstrap抽樣的條件中介效應分析顯示，當面臨不利決策時，決策者類型通過員工公平感對社會偏差行為發(fā)揮了顯著的間接影響（間接效應為0.03，95%Boot CI=[0.01，0.08]）；當面臨有利決策時，間接效應不顯著（間接效應為?0.01，95%Boot CI=[?0.04，0.01]）。這兩個條件下的間接效應之間的差異顯著（index of moderated mediation=?0.04，95% Boot CI=[?0.10，?0.02]）。以上結果支持了假設3b。

五、結論與討論

本文探討了決策者類型與決策有利性的交互作用對員工的公平感以及組織偏差行為和社會偏差行為的影響。研究發(fā)現(xiàn)，當決策不利時，與領導決策相比，算法決策更有助于維護員工公平感，進而減少員工的組織偏差行為和社會偏差行為；當決策有利時，決策者類型對員工公平感及其偏差行為均沒有顯著影響。

（一）理論貢獻

本文對于算法決策和公平感的相關文獻具有三個方面的理論貢獻。第一，通過揭示決策有利性的調節(jié)作用，本研究對關于算法決策與員工公平感之間關系的文獻進行了重要拓展，進而為算法決策與員工公平感之間的關系提供了更加細致的理解。關于算法決策（相對于人工決策）如何影響員工公平感這一越來越受到關注的問題（Newman等，2020；de Melo等，2017；Lee，2018；Schlicker等，2021），現(xiàn)有的不同研究發(fā)現(xiàn)了不一致的結論。一些研究的發(fā)現(xiàn)表明，算法決策（相對于人工決策）會帶來更高的公平感（如，de Melo等，2017；Schlicker等，2021）。另一些研究則發(fā)現(xiàn)了相反的結果（如，Lee，2018；Newman等，2020）。本研究采用歸因理論的視角，揭示了決策有利性在決策者類型與員工公平感之間的調節(jié)作用。我們發(fā)現(xiàn)，當決策結果對員工不利時，算法決策下的員工公平感更高；當決策結果有利時，算法決策與人工決策在影響員工公平感方面則沒有發(fā)現(xiàn)差別。以上結果表明，算法決策對員工公平感的影響取決于一些情境因素（如決策有利性），從而為兩者的關系提供了更具體的理解，也協(xié)調了現(xiàn)有研究中發(fā)現(xiàn)的不一致的結果。

第二，從更加廣義的文獻來看，本研究的發(fā)現(xiàn)也拓展了關于算法如何影響人們感知的研究。具體來說，關于算法決策對員工感知的影響，文獻中存在兩個不一致的觀點：算法欣賞（Logg等，2019）和算法厭惡（Burton等，2020；Dietvorst等，2015，2018）。算法欣賞的觀點認為，與人類的判斷相比，人們會更加相信算法的判斷（Logg等，2019），因為算法的決策過程是無偏的（Lee，2018），決策依據(jù)信息是全面的（Sundar和Nass，2001），決策結果是準確高質量的（Sundar和Nass，2001）。相反，算法厭惡的觀點則認為，盡管算法預測比人工預測準確的可能性更高，但是當面對兩種預測時，人們還是會更傾向于選擇人工預測，因為后者意味著人們決策過程中更高的控制力和更多的參與（Dietvorst等，2015，2018）。通過揭示算法決策（相對于人工決策）影響員工公平感的邊界條件，本研究的結果表明，算法欣賞或厭惡都不是普遍規(guī)律，而是隨著情境而發(fā)生變化的。在一些情況下（如決策結果不利時），人們欣賞算法，在另一些情況下（如決策結果有利時），算法或人工決策不會帶來差異化的感知。因此，本研究也在一定程度上協(xié)調了算法欣賞和算法厭惡這兩種對立的觀點，從而拓展了我們對于算法決策如何影響人們的感知的理解。

第三，我們揭示了決策者類型與決策有利性通過公平感對員工偏差行為的影響，拓展了關于員工如何應對算法管理的研究領域?，F(xiàn)有的研究關于員工對算法管理的應對主要聚焦于員工認知或情感反應方面（Claggett和Karahanna，2018；Lee，2018），而對于員工的行為應對的研究并不多。少量關于這一問題的研究采用了控制或資源依賴的視角，探討員工如何對算法控制進行合作或反抗、改變組織與自身之間的權力動態(tài)（如Karanovic等，2020）。而我們的研究采用公平的視角，探討員工如何以偏差行為來應對算法決策可能帶來的不公平感。盡管實踐界已經(jīng)對員工針對算法的偏差行為有諸多討論（如賴祐萱，2020），但組織管理領域針對這一問題的研究還有待發(fā)展。在本研究中，我們發(fā)現(xiàn)當決策對員工不利時，算法決策（相對于人工決策）更有助于維護員工的公平感，進而減少員工的偏差行為。這些結果進一步豐富了我們對于算法管理與員工結果之間的關系的理解。

（二）實踐啟示

本研究也具有兩個方面的實踐啟示。第一，在需要做出一些員工可能難以接受的決策時，特別是在涉及需要機械化技能的任務中，比如工作分配與規(guī)劃（Lee，2018），管理者可以更多考慮使用算法決策。雖然算法決策已經(jīng)越來越多地被運用于企業(yè)管理中，但在許多企業(yè)決策情境中，還是由算法和領導共同決定。那么究竟在何種情況下應該運用算法決策，何種情況下應該運用領導決策呢？本研究發(fā)現(xiàn)在不利決策的情況下，算法決策更有利于維護員工的整體公平感，進而抑制員工的偏差行為。因此，當決策可能對員工不利時，比如，在給員工布置難度較大的任務時，我們建議更多地引入算法決策，在一定程度上減少員工的抗拒心理和行為。

第二，為了減少員工的偏差行為，組織及其管理者應當關注員工的整體公平感。本研究發(fā)現(xiàn)，員工的整體公平感對其后續(xù)的偏差行為負相關。而且，整體公平感不僅能夠降低組織偏差行為，也能夠抑制社會偏差行為。因此，我們建議除了利用算法決策之外，管理者也應該從一些其他方面來提高員工的公平感。例如，目前有研究發(fā)現(xiàn)，盡管算法做出的不利決策會減少員工對其的信任，但如果管理者能對算法決策的機制進行公開透明的解釋，這種負面影響會得到緩解（Kizilcec，2016）。

（三）研究局限與未來研究方向

本研究也存在一些不足之處，值得未來研究改進。第一，本文采用了實驗研究的方法對提出的理論模型進行檢驗，實驗的情境來源于我們對騎手們的半結構化訪談，具有較高的心理現(xiàn)實性（psychological realism）。并且，實驗方法使得我們可以對關鍵的因果關系進行驗證，具有較高的內(nèi)部效度。但實驗研究在外部效度方面有所不足。并且，對于關鍵變量——如組織偏差行為、社會偏差行為——的測量方式，受到了情境的限制。我們基于預研究的結果，選取了適合該情境的具體行為來對這些變量進行操作化，但需要指出的是，算法決策已經(jīng)被應用在許多不同的組織場景中（Kellogg等，2020），本研究以外賣配送的工作配送作為一個典型場景開展研究，但在其他場景下，員工會有其他不同形式的偏差行為。未來研究可以在其他使用算法決策的場景中，采用多種不同的研究方法，包括田野調查、實地實驗等方法，進一步提高研究結論的外部效度。

第二，本文的預研究和實驗研究都關注的是算法決策在工作分配（如派單）中的應用。而實際上，算法決策已經(jīng)在組織的許多任務場景中得到了應用，既包括需要機械化技能（mechanical skills）的任務，如工作分配、工作規(guī)劃，也包括需要與人相關技能（human skills）的任務，如選拔晉升、績效評估等。有研究認為，在需要機械化技能的任務中，員工對于算法決策和人工決策的公平感沒有顯著差別；而在需要與人相關技能的任務中，認為人工決策更加公平，因為算法決策缺少直覺和主觀判斷能力（Lee，2018）。在本研究關注的場景下，算法決策應用在派單中（工作分配的一種形式）。盡管在質化研究中我們發(fā)現(xiàn)，騎手在解釋他們?yōu)槭裁从X得算法/人工決策更加公平/不公平時提到，決策者是否根據(jù)情況需要來調整派單會影響騎手對該決策的公平感，但總體來看派單場景對與人相關技能的要求較少。因此，我們的研究結果在需要更多與人相關技能的場景中的普適性有待進一步檢驗。

第三，未來研究還可以從個人、情境等多個角度探討更多潛在的調節(jié)變量。例如，從個人角度來看，員工的專業(yè)度可能是一個重要的調節(jié)因素。有研究發(fā)現(xiàn)，和專家相比，業(yè)余人士會更相信算法的預測，這可能是因為業(yè)余人士缺少相應的知識，認為算法代表了“專家系統(tǒng)”（Logg等，2019）。我們推斷，這種對算法的準確性的認可，同樣會導致業(yè)余人士感到更高的公平性。又如，與第二點相關的是，任務特征也可能發(fā)揮調節(jié)作用。任務的復雜程度、對機械化技能/與人相關的技能的要求程度等，可能與決策者類型形成二重交互效應，或者與決策者類型、決策結果有利性之間形成三重交互效應，影響員工的感知與行為。我們鼓勵更多這方面的研究進一步豐富文獻中關于算法決策與員工感知和行為之間關系的理解，也為算法管理這一新興而蓬勃的管理方式提供更多實踐啟示。