張志朋 聞效儀 錢智超 高雪原 裴嘉良

(1.中國(guó)勞動(dòng)關(guān)系學(xué)院勞動(dòng)關(guān)系與人力資源學(xué)院; 2.華南理工大學(xué)工商管理學(xué)院)

1 研究背景

當(dāng)下,數(shù)字技術(shù)的變革助推了零工經(jīng)濟(jì)的興起和發(fā)展,特別是圍繞外賣配送、網(wǎng)約出行、即時(shí)配送等按需服務(wù)領(lǐng)域的零工經(jīng)濟(jì)業(yè)態(tài)方興未艾。這種按需服務(wù)的零工經(jīng)濟(jì)業(yè)態(tài)通過(guò)搭建在線勞動(dòng)平臺(tái)實(shí)現(xiàn)了零工工作者和顧客之間的在線、即時(shí)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(tái)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(zhì)的服務(wù)內(nèi)容,并盡量讓顧客有良好的體驗(yàn)和感受。為了確保零工工作者的服務(wù)品質(zhì)與工作效率,在線勞動(dòng)平臺(tái)借助數(shù)字技術(shù)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(shí)踐[2]。算法能夠幾乎在沒(méi)有人工干預(yù)的情況下實(shí)現(xiàn)對(duì)零工工作者工作狀態(tài)、服務(wù)情況的實(shí)時(shí)、智能監(jiān)管;同時(shí),平臺(tái)賦予顧客以評(píng)價(jià)的權(quán)力,即顧客可以對(duì)零工工作者的勞動(dòng)過(guò)程、勞動(dòng)結(jié)果等進(jìn)行打分評(píng)級(jí),且這種評(píng)級(jí)結(jié)果與其績(jī)效獎(jiǎng)金掛鉤[3]。為此,一些零工工作者為了爭(zhēng)取顧客的五星好評(píng),不得不調(diào)動(dòng)自己的情緒來(lái)取悅顧客。換言之,算法在驅(qū)動(dòng)零工工作者付出體力勞動(dòng)的同時(shí),也難免要求其付出大量情緒勞動(dòng)[4]。事實(shí)上,零工工作者的情緒勞動(dòng)對(duì)其帶來(lái)的折損和消耗并不比體力勞動(dòng)小,然而這部分勞動(dòng)卻常常被忽視。相較于傳統(tǒng)服務(wù)業(yè)態(tài)人員的情緒勞動(dòng)主要是來(lái)自領(lǐng)導(dǎo)或組織的要求,零工經(jīng)濟(jì)業(yè)態(tài)下零工工作者的情緒勞動(dòng)主要是由平臺(tái)或算法驅(qū)動(dòng)[4],由此不免引發(fā)思考:算法邏輯下,零工工作者的情緒勞動(dòng)策略選擇是什么?這種情緒勞動(dòng)策略形成的深層機(jī)理是什么?

情緒勞動(dòng)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(guò)調(diào)節(jié)自我的內(nèi)在感受和外在表現(xiàn)進(jìn)而產(chǎn)生的情緒調(diào)節(jié)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(qiáng)顏歡笑”的服務(wù)行為,即員工假裝熱情為顧客提供服務(wù),但并未改變自我的真實(shí)情緒,而深層扮演則指的是員工調(diào)動(dòng)內(nèi)在情緒,發(fā)自內(nèi)心地為顧客提供熱情、友善的服務(wù)。顯然,員工的淺層扮演在很多時(shí)候容易被顧客“識(shí)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(wù)質(zhì)量?，F(xiàn)有研究針對(duì)銀行業(yè)一線服務(wù)員[6]、旅游業(yè)導(dǎo)游[7]、酒店工作人員[8]等傳統(tǒng)業(yè)態(tài)服務(wù)人員的情緒勞動(dòng)影響因素及作用機(jī)制進(jìn)行了探討,大多基于GRANDEY[5]提出的經(jīng)典“情緒勞動(dòng)因果模型”,將影響情緒勞動(dòng)的因素歸結(jié)為個(gè)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(jí)支持等)。隨著零工經(jīng)濟(jì)以及在線勞動(dòng)平臺(tái)的興起,有學(xué)者開(kāi)始關(guān)注到零工工作者的情緒勞動(dòng)問(wèn)題。比如,GANDINI[4]基于勞動(dòng)過(guò)程理論探討了零工工作與情緒勞動(dòng)關(guān)系,并指出算法所嵌入的反饋、評(píng)級(jí)和打分系統(tǒng)強(qiáng)化了零工工作者的情緒勞動(dòng)。再如,ASHFORD等[9]以及毛孟雨等[10]探討了零工工作者在零工經(jīng)濟(jì)業(yè)態(tài)下的情緒勞動(dòng)策略。然而,現(xiàn)有研究存在以下不足:①大都探討的是傳統(tǒng)服務(wù)業(yè)態(tài)下人員的情緒勞動(dòng)問(wèn)題,而零工工作者不同于傳統(tǒng)雇傭關(guān)系范式下的正式員工,他們跟平臺(tái)之間沒(méi)有正式雇傭關(guān)系,其情緒勞動(dòng)策略的選擇自然難以獲上級(jí)或同事的有效支持[11]。但是現(xiàn)有研究鮮有探討這種不同于傳統(tǒng)正式組織范式下、主要依賴算法技術(shù)驅(qū)動(dòng)的零工工作者情緒勞動(dòng)策略影響機(jī)制。②雖然少許研究有所涉及到零工工作者的情緒勞動(dòng)策略選擇,但多以理論探討或定性描述為主[4,9],缺少對(duì)零工工作者不同情緒勞動(dòng)策略差異化影響機(jī)制的定量實(shí)證分析。③隨著算法技術(shù)被學(xué)界愈加關(guān)注,圍繞算法控制對(duì)零工工作者態(tài)度或行為的影響之研究越來(lái)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(yàn)(如興奮感、公平感等)[11],也有研究認(rèn)為算法控制會(huì)給零工工作者帶來(lái)諸如工作負(fù)荷、工作不安全感等不良后果[12,13]。然而,有關(guān)算法與零工工作者情緒勞動(dòng)之間的傳導(dǎo)機(jī)制尚是一個(gè)“黑箱”,這也正是本研究著力彌補(bǔ)的理論缺口。綜上所述,結(jié)合數(shù)字化特征并基于人-機(jī)交互視角探討算法對(duì)零工工作者情緒勞動(dòng)的影響機(jī)理,應(yīng)當(dāng)是一個(gè)有著重要現(xiàn)實(shí)意義且有趣的研究話題。

按需服務(wù)業(yè)態(tài)下的零工經(jīng)濟(jì)最大特征在于平臺(tái)依靠算法技術(shù)創(chuàng)造了一個(gè)幾乎沒(méi)有人工干預(yù)的工作環(huán)境,零工工作者幾乎處于“組織真空”狀態(tài)。換言之,零工工作者的工作特征發(fā)生了深刻變化[14]。工作特征是影響個(gè)體在勞動(dòng)過(guò)程中心理狀態(tài)及其績(jī)效結(jié)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(lái)探究其情緒勞動(dòng)策略選擇及其影響機(jī)理。一方面,從工作要求源而言,零工工作者的勞動(dòng)過(guò)程面臨算法和顧客的雙重要求。按需服務(wù)的零工經(jīng)濟(jì)業(yè)態(tài)的突出特點(diǎn)在于零工工作者被置于一線與顧客面對(duì)面進(jìn)行服務(wù)的傳遞,而平臺(tái)與零工工作者之間依靠算法技術(shù)實(shí)現(xiàn)在線、即時(shí)的聯(lián)動(dòng)[11]。換言之,平臺(tái)引入算法,尤其是算法的追蹤評(píng)估和行為約束功能,對(duì)零工工作者進(jìn)行實(shí)時(shí)的監(jiān)控和追蹤,并基于服務(wù)規(guī)范要求干預(yù)其行為或基于任務(wù)進(jìn)行評(píng)價(jià)或獎(jiǎng)懲[12]。在這種高強(qiáng)度的算法追蹤評(píng)估和行為約束帶來(lái)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(wèn)候語(yǔ)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(diào)配的工作資源較少,沒(méi)有固定工作場(chǎng)所,也難以獲得如同傳統(tǒng)組織中員工適配的上級(jí)支持等組織資源,平臺(tái)依賴算法技術(shù)創(chuàng)造了幾乎沒(méi)有人工干預(yù)的工作環(huán)境。更重要的是,平臺(tái)重新分配了勞動(dòng)控制權(quán),使得零工工作者相比較顧客等主體在勞動(dòng)中處于弱勢(shì)位置[3],這進(jìn)一步削減了其可調(diào)配的工作資源。工作要求-資源模型認(rèn)為,高工作要求而低工作資源的交互作用會(huì)對(duì)個(gè)體的職業(yè)心理健康產(chǎn)生不利影響,導(dǎo)致個(gè)體產(chǎn)生心理性緊張和壓力反應(yīng)[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(huì)產(chǎn)生高強(qiáng)度的心理性緊張。鑒于零工工作者的心理性緊張主要發(fā)生與顧客、平臺(tái)等不同主體交互的服務(wù)場(chǎng)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(qiáng)度的平臺(tái)算法追蹤評(píng)估和行為約束下,零工工作者由于缺乏必要的上級(jí)、同事或組織支持,因而會(huì)產(chǎn)生交互性心理緊張,繼而采取相應(yīng)的情緒勞動(dòng)策略來(lái)阻止自身資源的進(jìn)一步損失,即尋求較低程度的情緒資源投入,并表現(xiàn)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(fā)展的零工經(jīng)濟(jì)背景和算法邏輯視角,通過(guò)構(gòu)建一個(gè)同時(shí)考慮中介機(jī)制及調(diào)節(jié)效應(yīng)的模型,來(lái)揭示算法技術(shù)影響零工工作者情緒勞動(dòng)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(píng)估約束”[2]來(lái)表征,同時(shí),引入零工工作者高工作要求、低工作資源情境下可能產(chǎn)生的交互性心理緊張作為中介變量,以探究感知算法評(píng)估約束通過(guò)交互性心理緊張對(duì)零工工作者情緒勞動(dòng)策略的影響機(jī)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(huì)導(dǎo)致個(gè)體的心理性緊張和焦慮感等,但這種情況下,適當(dāng)?shù)墓ぷ髻Y源補(bǔ)充會(huì)緩沖工作要求所帶來(lái)的緊張和壓力,并激活個(gè)體的內(nèi)在動(dòng)機(jī)[17]。如前所述,與傳統(tǒng)服務(wù)業(yè)中的正式員工不同,零工工作者處于“組織真空”狀態(tài)下[11],其情緒勞動(dòng)策略的選擇難以獲得上級(jí)或同事的有效支持。在缺乏組織、團(tuán)隊(duì)成員情感或行動(dòng)支持的情況下,零工工作者會(huì)通過(guò)積極參與在線社群,來(lái)尋求必要的知識(shí)技能支持或傾訴自己的不滿情緒等[18]。也即,對(duì)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(píng)估約束所帶來(lái)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(píng)估約束到交互性心理緊張之間所起的調(diào)節(jié)作用,以及在感知算法評(píng)估約束通過(guò)交互性心理性緊張影響情緒勞動(dòng)策略選擇中的有調(diào)節(jié)的中介作用。由此,本研究以工作要求-資源模型為基礎(chǔ),探討零工工作者所面臨的工作要求源(即“感知算法評(píng)估約束”)和工作資源(即“在線社群支持”)之間的交互效應(yīng)對(duì)其情緒勞動(dòng)策略的影響機(jī)理。有關(guān)研究結(jié)果不僅能夠在理論層面彌補(bǔ)現(xiàn)有零工經(jīng)濟(jì)業(yè)態(tài)下情緒勞動(dòng)影響機(jī)制的理論缺口,豐富人們對(duì)算法技術(shù)的影響后果及作用機(jī)制的認(rèn)識(shí),而且還有助于在現(xiàn)實(shí)層面對(duì)改進(jìn)平臺(tái)算法管理實(shí)踐,為提升零工工作者的服務(wù)質(zhì)量與效率提供有益借鑒。本研究的理論框架見(jiàn)圖1。

圖1 理論框架

2 理論與假設(shè)

2.1 感知算法評(píng)估約束與交互性心理緊張

算法評(píng)估約束暗含了兩層含義:其一,算法技術(shù)引入顧客的監(jiān)管和評(píng)價(jià)功能,對(duì)零工工作者的工作過(guò)程、工作態(tài)度和工作結(jié)果等予以實(shí)時(shí)監(jiān)管和評(píng)價(jià),而這種評(píng)價(jià)又與零工工作者的收入掛鉤[3];其二,算法系統(tǒng)能夠?qū)崟r(shí)監(jiān)控、記錄和跟蹤零工工作者的勞動(dòng)過(guò)程,如果其有偏離系統(tǒng)預(yù)設(shè)標(biāo)準(zhǔn)的行為,算法會(huì)予以糾正[19,20]。本研究認(rèn)為,算法評(píng)估約束功能會(huì)重塑零工工作者所面臨的工作要求和工作資源,繼而導(dǎo)致其產(chǎn)生交互性心理緊張。具體闡述如下:第一,在算法評(píng)估約束功能驅(qū)動(dòng)下,零工工作者所面臨的工作要求主要來(lái)自于兩個(gè)方面。一是,面臨來(lái)自平臺(tái)的高工作要求。平臺(tái)通過(guò)算法的過(guò)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(xù)縮短訂單完成時(shí)間。比如,美團(tuán)平臺(tái)推出的“預(yù)計(jì)送達(dá)時(shí)間”功能,要求騎手必須要在規(guī)定的時(shí)間內(nèi)完成訂單,否則就會(huì)被予以處罰[3]。這些來(lái)自平臺(tái)的要求可能會(huì)導(dǎo)致零工工作者面臨較高的時(shí)間壓力、角色負(fù)荷等。二是,面臨來(lái)自顧客的即時(shí)性工作要求。平臺(tái)將顧客納入到對(duì)零工工作者的勞動(dòng)過(guò)程監(jiān)管中,賦予顧客以“上帝視角”實(shí)時(shí)監(jiān)控零工工作者的勞動(dòng)過(guò)程,以持續(xù)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(shí)查看騎手的行動(dòng)軌跡,如果其偏離預(yù)定路線,顧客可以隨時(shí)要求騎手予以糾正。在送餐過(guò)程中,顧客也有權(quán)隨時(shí)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(duì)其工作表現(xiàn)、工作態(tài)度等進(jìn)行打分,這種打分又會(huì)與其收入相掛鉤。比如,騎手在送餐結(jié)束后,顧客可以結(jié)合騎手在配送過(guò)程中是否有超時(shí)、撒漏等情況進(jìn)行打分,等級(jí)從“不滿意”到“滿意”等。這種來(lái)自顧客的工作要求可能導(dǎo)致零工工作者較大的工作焦慮或心理壓力。

第二,算法評(píng)估約束功能在驅(qū)動(dòng)零工工作者面臨較高工作要求的同時(shí),還削減了其所適配的工作資源。一方面,借助算法技術(shù),平臺(tái)創(chuàng)造了一個(gè)幾乎沒(méi)有人工干預(yù)的工作環(huán)境,在賦予零工工作者靈活彈性工作時(shí)間的同時(shí),也導(dǎo)致其難以獲得諸如正式組織中員工所享有的組織支持、領(lǐng)導(dǎo)支持等工作資源[21];另一方面,算法評(píng)估約束功能還給零工工作者創(chuàng)造了一種虛假的工作自主性。工作要求-資源模型認(rèn)為,工作自主性是一種重要的工作資源,平臺(tái)往往也以工作自主靈活為其主要“賣點(diǎn)”[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(yán)密監(jiān)管和控制[23]。例如,美團(tuán)平臺(tái)要求騎手在配送過(guò)程中開(kāi)啟智能語(yǔ)音助手,按照智能語(yǔ)音助手的提示完成接單、上報(bào)等每一個(gè)動(dòng)作。除此之外,算法技術(shù)的引入還重新分配了零工工作者的勞動(dòng)控制權(quán)[13]。例如,在騎手的勞動(dòng)過(guò)程中,平臺(tái)負(fù)責(zé)指導(dǎo)騎手工作,顧客負(fù)責(zé)對(duì)其勞動(dòng)結(jié)果進(jìn)行評(píng)估,最終的獎(jiǎng)懲工作也由平臺(tái)來(lái)完成[3]。在騎手的整個(gè)勞動(dòng)過(guò)程中,顧客都被置于至高無(wú)上的權(quán)力位勢(shì),而騎手則處于勞動(dòng)控制權(quán)的末端,進(jìn)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(huì)強(qiáng)化個(gè)體的心理焦慮和壓力感知,繼而導(dǎo)致心理緊張[17]。心理性緊張是與個(gè)體情緒密切相關(guān)的一個(gè)變量,其特征是缺乏能量,精神或情緒處于緊張狀態(tài),并感覺(jué)個(gè)體情緒資源被耗盡的一種心理狀態(tài)[24]。為此,本研究推斷零工工作者所面臨的感知算法評(píng)估約束會(huì)導(dǎo)致其產(chǎn)生心理緊張。而零工工作者的心理緊張與其勞動(dòng)過(guò)程情境緊密相關(guān),即其心理緊張更易發(fā)生在與顧客、平臺(tái)、商家等主體交互的勞動(dòng)過(guò)程中。這是因?yàn)樵谶@種交互性的勞動(dòng)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(chǎn)生交互性心理緊張。由此,提出以下假設(shè):

假設(shè)1感知算法評(píng)估約束對(duì)零工工作者的交互性心理緊張具有正向預(yù)測(cè)作用。

2.2 交互性心理緊張與情緒勞動(dòng)策略

零工經(jīng)濟(jì)情境下零工工作者所從事的工作本質(zhì)上具有服務(wù)行業(yè)的特質(zhì),而高強(qiáng)度的情緒勞動(dòng)被認(rèn)為是服務(wù)行業(yè)的核心特征[25]。淺層扮演是一種與顧客互動(dòng)的短期策略,能夠迅速與顧客建立聯(lián)系或留下印象,以期盡快完成服務(wù)顧客的工作。然而,深層扮演可能需要個(gè)人全方位的努力,例如,可能需要在預(yù)期的人際互動(dòng)之前有意地進(jìn)行放松練習(xí)[26]?？梢?jiàn),深層扮演是一種重要的能力,但并不是一種易習(xí)得的能力[9]。對(duì)于零工工作者而言,深層扮演需要改變自身的真實(shí)感受和認(rèn)知,通過(guò)調(diào)整內(nèi)在心理狀態(tài)以適應(yīng)外部的情緒表達(dá),這種“發(fā)自肺腑”的情緒勞動(dòng)策略需要更多地消耗自身的資源。而淺層扮演只需要簡(jiǎn)單地偽裝面部表情或簡(jiǎn)單的語(yǔ)言贊美,這種“強(qiáng)顏歡笑”的情緒勞動(dòng)策略可使零工工作者以最少的資源消耗達(dá)到取悅顧客的目的。由此,實(shí)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(dòng)態(tài)平衡至關(guān)重要。為此,個(gè)體會(huì)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(lái)選擇最為合適的情緒勞動(dòng)策略。由于零工工作者在勞動(dòng)過(guò)程中,面臨來(lái)自算法評(píng)估約束下的高工作要求,而外部工作資源(如領(lǐng)導(dǎo)、同事或團(tuán)隊(duì)的情感或心理支持)又供應(yīng)不足,這時(shí)擁有較少自身資源的零工工作者,會(huì)陷入一種交互性心理緊張狀態(tài),包括人-機(jī)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(tài)下,零工工作者面臨來(lái)自平臺(tái)、商家或顧客等的壓力和挑戰(zhàn),可能導(dǎo)致其心理資源的加速消耗,且與這些主體的高強(qiáng)度、高頻次交互,會(huì)進(jìn)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(shí),簡(jiǎn)單地保持微笑和禮貌,即使內(nèi)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(yīng)對(duì)顧客需求,同時(shí)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(shí)可能不會(huì)被頻繁采用,因?yàn)樗赡軐?dǎo)致資源的快速耗竭。由此,提出以下假設(shè):

假設(shè)2a交互性心理緊張對(duì)零工工作者的淺層扮演具有正向預(yù)測(cè)作用。

假設(shè)2b交互性心理緊張對(duì)零工工作者的深層扮演具有負(fù)向預(yù)測(cè)作用。

在算法管理情境下,零工工作者經(jīng)常面臨高強(qiáng)度的規(guī)制和監(jiān)控,進(jìn)而導(dǎo)致他們的身心壓力不斷增加。特別是當(dāng)遇到負(fù)面事件或突發(fā)情況(如與顧客爭(zhēng)執(zhí))時(shí),零工工作者往往會(huì)陷入對(duì)這些事件的持續(xù)反思和處理中,進(jìn)而消耗寶貴的心理資源[28]。這些事件的反復(fù)思考不僅加劇了他們的心理負(fù)擔(dān),還可能導(dǎo)致資源的進(jìn)一步耗竭。零工工作者在日常工作中主要遵循平臺(tái)算法的指令,頻繁處于與應(yīng)用程序、顧客的高強(qiáng)度交互中。這種工作環(huán)境缺乏傳統(tǒng)工作場(chǎng)所中常見(jiàn)的領(lǐng)導(dǎo)者、同事和團(tuán)隊(duì)成員提供的情感和心理支持,因此,他們?cè)诔掷m(xù)消耗個(gè)體內(nèi)部資源的同時(shí),往往難以獲得外部資源的及時(shí)補(bǔ)充,從而產(chǎn)生持續(xù)的交互性心理緊張。例如,一位外賣騎手可能因?yàn)樽裱瓏?yán)格的配送時(shí)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(jiǎn)單的淺層扮演策略來(lái)應(yīng)對(duì)壓力(如對(duì)顧客表現(xiàn)出表面的友好和耐心,而不是投入更多資源去深度調(diào)整自己的真實(shí)情緒)。綜上所述,本研究認(rèn)為,零工工作者在感受到算法邏輯下的高強(qiáng)度工作要求和低適配工作資源時(shí),會(huì)產(chǎn)生交互性心理緊張。為了維護(hù)自身資源的穩(wěn)定和避免身心資源的進(jìn)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(shè):

假設(shè)3a交互性心理緊張?jiān)诟兄惴ㄔu(píng)估約束與零工工作者的淺層扮演之間起到中介作用。

假設(shè)3b交互性心理緊張?jiān)诟兄惴ㄔu(píng)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(diào)節(jié)作用

經(jīng)典工作要求-資源模型將工作資源框定在工作自主性、領(lǐng)導(dǎo)支持、決策參與、物理?xiàng)l件、發(fā)展機(jī)會(huì)等[29]。然而,考慮到零工工作者難以有效獲得上級(jí)領(lǐng)導(dǎo)或同事的支持,不得不主動(dòng)拓展工作資源邊界,積極尋求社會(huì)支持。一些醫(yī)學(xué)領(lǐng)域的研究很早便指出了社會(huì)支持的緩沖效應(yīng),即獲得社會(huì)支持的人能夠更好地應(yīng)對(duì)心理或其他方面的疾病[30]。后來(lái),王春婭等[18]將社會(huì)支持理論引入到新聞媒體研究領(lǐng)域,進(jìn)一步探討了社會(huì)支持的緩沖效應(yīng)。本研究將社會(huì)支持與零工經(jīng)濟(jì)情境相結(jié)合,指出“在線社群支持”是個(gè)體從在線社群互動(dòng)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(gè)體從在線社群中所獲得的社會(huì)資源,而這些資源會(huì)讓其覺(jué)得自己是被關(guān)心、被支持抑或是被尊重的[31]。尤其是數(shù)字技術(shù)的發(fā)展,使得人們可以通過(guò)在線的方式獲得社會(huì)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(jīng)濟(jì)情境下,在線社群是由從事類似工作任務(wù)的零工工作者所組成,各個(gè)成員對(duì)當(dāng)前所從事的工作較為認(rèn)同,并積極分享與工作相關(guān)的內(nèi)容,兼具工作和休閑等多重功能。根據(jù)工作要求-資源模型,有效的工作資源補(bǔ)充有利于緩解高工作要求可能帶來(lái)的個(gè)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(bǔ)充,認(rèn)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(shí)現(xiàn)彼此之間的價(jià)值鏈接和知識(shí)共享,通過(guò)經(jīng)驗(yàn)分享提升技能,并有效應(yīng)對(duì)一些突發(fā)情況等。這些知識(shí)、經(jīng)驗(yàn)的分享和獲取有利于緩解零工工作者在面臨來(lái)自平臺(tái)的高工作要求下可能產(chǎn)生的角色負(fù)荷或時(shí)間壓力感。比如,美團(tuán)搭建了“在線騎手社群”,騎手在提供服務(wù)的過(guò)程中,遇到解決不了的困難可以通過(guò)社群求助。另外,在線社群內(nèi),騎手通過(guò)“新手指引”“跑單秘籍”和“老騎手經(jīng)驗(yàn)之談”等板塊的知識(shí)分享,可以有效提升自己的技能,更好地應(yīng)對(duì)算法規(guī)制要求。其次,借助在線社群,零工工作者還可以實(shí)現(xiàn)情感溝通,獲得情感支持。如此以來(lái),零工工作者在面臨來(lái)自顧客的工作要求的時(shí)候,可以適時(shí)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(píng)估而產(chǎn)生的心理焦慮和緊張感。實(shí)踐中,滴滴成立的車主之家,構(gòu)建起了司機(jī)之間的情感鏈接平臺(tái)。當(dāng)司機(jī)在遇到來(lái)自顧客的較高要求甚至是刁難的時(shí)候,可以在社群中抱怨、傾訴,也可以尋求如何處理顧客問(wèn)題的技巧等。再次,這種在線社群支持還強(qiáng)化了零工工作者的虛擬組織歸屬感以及“自由”的勞動(dòng)體驗(yàn)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(lái)自領(lǐng)導(dǎo)的訓(xùn)斥,也不需要時(shí)刻保持一種緊繃的工作狀態(tài),而是強(qiáng)化了一種“自由”和“為自己干”的工作感覺(jué)。李強(qiáng)等[32]指出,零工工作者的勞動(dòng)體驗(yàn)可能來(lái)自于勞動(dòng)過(guò)程之外“移植”,而在線社群支持強(qiáng)化了這種勞動(dòng)過(guò)程外的移植體驗(yàn),繼而削弱了其在算法邏輯下的緊張感。由此,提出以下假設(shè):

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

進(jìn)一步,由于交互性心理緊張?jiān)诟兄惴ㄔu(píng)估約束與情緒勞動(dòng)策略之間發(fā)揮著中介作用,且在線社群支持在感知算法評(píng)估約束與交互性心理緊張之間具有負(fù)向調(diào)節(jié)作用,因此可推論,在線社群支持在感知算法評(píng)估約束與交互性心理緊張之間的中介效應(yīng)也可能會(huì)受到在線社群支持的影響。即當(dāng)在線社群支持水平較高時(shí),個(gè)體感知的算法評(píng)估約束通過(guò)交互性心理緊張影響其情緒勞動(dòng)策略的作用反而越弱。由此,提出以下假設(shè):

假設(shè)5在線社群支持調(diào)節(jié)了感知算法評(píng)估約束通過(guò)交互性心理緊張對(duì)零工工作者情緒勞動(dòng)策略的間接效應(yīng),即感知算法評(píng)估約束通過(guò)交互性心理緊張對(duì)零工工作者的淺層扮演(假設(shè)5a)和深層扮演(假設(shè)5b)的間接效應(yīng)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(jiàn)圖2。

圖2 研究模型

3 研究設(shè)計(jì)

3.1 研究對(duì)象和數(shù)據(jù)采集過(guò)程

本研究采用問(wèn)卷調(diào)查法獲取數(shù)據(jù),考慮到算法系統(tǒng)應(yīng)用成熟度以及樣本代表性的問(wèn)題,選擇零工經(jīng)濟(jì)領(lǐng)域以外賣配送為核心服務(wù)的網(wǎng)絡(luò)配送行業(yè)為取樣對(duì)象,數(shù)據(jù)采集自北京地區(qū)一家外賣平臺(tái)的騎手群體。為盡可能降低共同方法偏差的影響,本研究團(tuán)隊(duì)在2022年9～11月通過(guò)3個(gè)階段時(shí)滯(每?jī)纱伍g隔3周)的方式收集并匹配數(shù)據(jù)。具體而言,在正式調(diào)查前,研究團(tuán)隊(duì)成員與該平臺(tái)人力資源部門的負(fù)責(zé)人取得聯(lián)系,由其推薦并聯(lián)系與平臺(tái)合作的勞動(dòng)服務(wù)承包商(第三方機(jī)構(gòu))的負(fù)責(zé)人,向其介紹本次調(diào)查的目的和需要,達(dá)成一致后由第三方機(jī)構(gòu)的負(fù)責(zé)人招募志愿者,最終共計(jì)410人同意參加此次調(diào)研。當(dāng)被試有效完成問(wèn)卷填寫(xiě)工作后,會(huì)向其發(fā)放20元紅包作為獎(jiǎng)勵(lì)。3個(gè)階段的數(shù)據(jù)收集過(guò)程具體如下:①第一次調(diào)研(T1),收集騎手的感知算法評(píng)估約束、在線社群支持和性別、年齡、學(xué)歷、職業(yè)類型(兼職/全職)等人口統(tǒng)計(jì)學(xué)變量數(shù)據(jù),排除掉不符合要求(如注冊(cè)賬號(hào)時(shí)間小于兩周等)的10名被試外,共發(fā)放問(wèn)卷400份,實(shí)際收回有效問(wèn)卷385份,問(wèn)卷有效回收率為96.25%;②第二次調(diào)研(T2),收集外賣騎手工作動(dòng)機(jī)、交互性心理緊張的數(shù)據(jù),共發(fā)放問(wèn)卷385份,實(shí)際收回有效問(wèn)卷369份,問(wèn)卷有效回收率為95.84%;③第三次調(diào)研(T3),收集外賣騎手情緒勞動(dòng)的數(shù)據(jù),共發(fā)放問(wèn)卷369份,實(shí)際收回有效問(wèn)卷352份,問(wèn)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(tǒng)計(jì)學(xué)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(xué)歷方面,高中及以下占17.61%、?？普?2.90%、本科及以上占39.49%;職業(yè)類型方面,全職占66.19%;從業(yè)時(shí)間方面,平均為2.04年(SD=0.80)。

3.2 變量測(cè)量

本研究所使用的量表均來(lái)自國(guó)內(nèi)外學(xué)者開(kāi)發(fā)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(xiàng)都適用于本研究被試的學(xué)歷背景,本研究隨機(jī)抽選一部分被試進(jìn)行問(wèn)卷預(yù)試(此部分被試未列入正式取樣樣本中),并根據(jù)他們的反饋對(duì)量表進(jìn)行改進(jìn),以保證所有涉及的測(cè)量題項(xiàng)符合被試者群體的語(yǔ)言特征。問(wèn)卷涉及的量表均為L(zhǎng)ikert 5點(diǎn)量表,1～5表示從“非常不同意”到“非常同意”。

(1)感知算法評(píng)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(píng)估”和“行為約束”兩個(gè)維度,共7個(gè)題項(xiàng),如“算法實(shí)時(shí)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?jiān)撟兞康臏y(cè)量借鑒CAPLAN等[34]編制的量表,由本研究結(jié)合零工工作者的勞動(dòng)過(guò)程場(chǎng)景進(jìn)行了調(diào)整,共4個(gè)題項(xiàng),如“我擔(dān)心顧客會(huì)給我差評(píng)”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(cè)量借鑒王春婭等[18]編制的量表,由本研究結(jié)合零工工作者的勞動(dòng)過(guò)程場(chǎng)景進(jìn)行了調(diào)整,共4個(gè)題項(xiàng),如“我通過(guò)在線社群把我的問(wèn)題訴說(shuō)給好友”等。本研究中,該量表的Cronbach’sα值為0.801。

(4)情緒勞動(dòng)策略該變量的測(cè)量借鑒GRANDEY[5]編制的量表,包括淺層扮演和深層扮演兩個(gè)維度,由本研究按照零工工作者的勞動(dòng)過(guò)程場(chǎng)景調(diào)整后,共11個(gè)題項(xiàng)。其中,淺層扮演的題項(xiàng)如“送單時(shí),盡管我心情不好,也必須表現(xiàn)出好心情”;深層扮演的題項(xiàng)如“我試圖在送單中表現(xiàn)得熱情和真誠(chéng),而不只是假裝而已”等。此外,本研究還對(duì)淺層扮演和深層扮演這兩個(gè)維度進(jìn)行了一階驗(yàn)證性因子分析(χ2=115.833,df=43,CFI=0.970,TLI=0.962,SRMR= 0.031,RMSEA=0.069),結(jié)果表明二者具有較好的區(qū)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(xué)歷(“1”代表高中及以下、“2”代表?？啤ⅰ?”代表本科、“4”代表碩士及以上)、職業(yè)類型(“1”代表全職、“2”代表兼職)、從業(yè)時(shí)間等基本人口統(tǒng)計(jì)學(xué)信息外,考慮到工作動(dòng)機(jī)是影響工作行為的重要因素,本研究還將騎手的工作動(dòng)機(jī)作為控制變量。該變量的測(cè)量采用GAGNE等[35]開(kāi)發(fā)的量表,典型題項(xiàng)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(shí)證分析

4.1 驗(yàn)證性因子分析

本研究使用Mplus 8.3軟件對(duì)數(shù)據(jù)進(jìn)行驗(yàn)證性因子分析,以判別核心變量之間的區(qū)分效度。結(jié)果表明,五因子模型的擬合指數(shù)效果最佳(χ2=359.110,df=289,CFI=0.986,TLI=0.984,SRMR=0.032,RMSEA=0.026),這說(shuō)明本研究中變量間的區(qū)分效度良好。驗(yàn)證性因子分析的結(jié)果見(jiàn)表1。

表1 驗(yàn)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(guò)3個(gè)階段的縱向研究設(shè)計(jì)以避免單一數(shù)據(jù)來(lái)源造成的共同方法偏差問(wèn)題,但為了進(jìn)一步提高數(shù)據(jù)質(zhì)量和可靠性,本研究還采取在問(wèn)卷表頭詳細(xì)說(shuō)明調(diào)研目的以降低被試疑慮、不暴露騎手真實(shí)個(gè)人信息等方式進(jìn)行嚴(yán)格控制。此外,為了避免被試者亂答的情況,本研究針對(duì)部分題目采用了反向題項(xiàng)進(jìn)行測(cè)試,還在每一部分都設(shè)計(jì)了指導(dǎo)語(yǔ),對(duì)不同變量進(jìn)行區(qū)隔。與此同時(shí),為檢驗(yàn)可能存在的共同方法偏差問(wèn)題,本研究采取Harman單因素檢驗(yàn)的方法進(jìn)行探索性因子分析,未經(jīng)旋轉(zhuǎn)的單因子方差解釋率為36.67%,低于40%的標(biāo)準(zhǔn)。同時(shí),由前文表1可知,單因子模型的擬合指數(shù)(χ2=1 649.110,df=299,CFI=0.724,TLI=0.701,SRMR=0.096,RMSEA=0.113)表現(xiàn)不佳。綜上可知,本研究的共同方法偏差問(wèn)題并不嚴(yán)重。

4.3 描述性統(tǒng)計(jì)分析

本研究中,各變量的描述性統(tǒng)計(jì)和相關(guān)系數(shù)見(jiàn)表2。由表2可知:感知算法評(píng)估約束與交互性心理緊張顯著正相關(guān)(r=0.471,p<0.01),與淺層扮演顯著正相關(guān)(r=0.660,p<0.01),與深層扮演顯著負(fù)相關(guān)(r=-0.487,p<0.01);同時(shí),交互性心理緊張與淺層扮演顯著正相關(guān)(r=0.611,p<0.01),與深層扮演顯著負(fù)相關(guān)(r=-0.453,p<0.01)。根據(jù)上述結(jié)果,核心變量之間的相關(guān)系數(shù)符合研究預(yù)期,研究假設(shè)得到初步支持。

表2 描述性統(tǒng)計(jì)和相關(guān)系數(shù)(N=352)

4.4 假設(shè)檢驗(yàn)

本研究中,層級(jí)回歸結(jié)果見(jiàn)表3。表3中:由模型2可知,感知算法評(píng)估約束對(duì)交互性心理緊張有顯著正向影響(β=0.183,p<0.01),因此,假設(shè)1得到支持;由模型6和模型9可知,交互性心理緊張對(duì)淺層扮演有顯著正向影響(β=0.290,p<0.01),對(duì)深層扮演有顯著的負(fù)向影響(β=-0.126,p<0.05),因此,假設(shè)2a和假設(shè)2b得到支持。進(jìn)一步,在控制了所有控制變量前提下,使用貝葉斯估計(jì)方法(貝葉斯迭代次數(shù)=5 000次)進(jìn)行檢驗(yàn)發(fā)現(xiàn),感知算法評(píng)估約束通過(guò)交互性心理緊張影響淺層扮演的間接效應(yīng)為0.077,95%的置信區(qū)間CI為[0.033,0.127],不包括0;感知算法評(píng)估約束通過(guò)交互性心理緊張影響深層扮演的間接效應(yīng)為-0.034,95%的置信區(qū)間CI為[-0.069,-0.011],不包括0。同時(shí),兩條中介路徑的整體效應(yīng)為0.041,95%的置信區(qū)間CI為[0.012,0.080],不包括0。綜上所述可知,交互性心理緊張?jiān)诟兄惴ㄔu(píng)估約束與淺層扮演、深層扮演之間的所起的中介效應(yīng)顯著,因此,假設(shè)3a和假設(shè)3b得到支持。

表3 層級(jí)回歸結(jié)果(N=352)

進(jìn)一步,表3中由模型3還可知,在線社群支持顯著調(diào)節(jié)了感知算法評(píng)估約束與交互性心理緊張之間的正向關(guān)系(β=-0.172,p<0.01)。本研究使用Johnson-Neyman方法探索調(diào)節(jié)效應(yīng)的具體形態(tài)(見(jiàn)圖3)。由圖3可知:當(dāng)在線社群支持取值范圍在[4.37, 5.59]之外時(shí),簡(jiǎn)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(qū)域范圍內(nèi),簡(jiǎn)單斜率的置信區(qū)間包含0;此區(qū)域外,簡(jiǎn)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(píng)估約束對(duì)交互性心理緊張的正向影響效應(yīng)被削弱。由此,假設(shè)4得到支持。

圖3 在線社群支持的調(diào)節(jié)效應(yīng)(Johnson-Neyman法)

同時(shí),為檢驗(yàn)在線社群支持是否會(huì)調(diào)節(jié)感知算法評(píng)估約束通過(guò)交互性心理緊張對(duì)淺層扮演、深層扮演的間接效應(yīng),本研究使用貝葉斯估計(jì)方法(貝葉斯迭代次數(shù)=5 000次)進(jìn)行檢驗(yàn)發(fā)現(xiàn),在低在線社群支持水平(-1標(biāo)準(zhǔn)差)下,感知算法評(píng)估約束通過(guò)交互性心理緊張對(duì)淺層扮演的間接效應(yīng)顯著正向(β=0.157,95%CI[0.056,0.291]),而在高水平(+1標(biāo)準(zhǔn)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(duì)于深層扮演而言,在低在線社群支持水平下,感知算法評(píng)估約束通過(guò)交互性心理緊張對(duì)深層扮演的間接效應(yīng)顯著負(fù)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(shè)5a和假設(shè)5b得到支持。有調(diào)節(jié)的中介效應(yīng)分析結(jié)果見(jiàn)表4。

表4 有調(diào)節(jié)的中介效應(yīng)檢驗(yàn)(N=352)

5 結(jié)論與討論

本研究主要得到以下研究結(jié)論:①感知算法評(píng)估約束作為一種零工經(jīng)濟(jì)情境下的工作要求源,在低適配的工作資源情境下,會(huì)導(dǎo)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(huì)正向影響其淺層扮演,負(fù)向影響其深層扮演;③感知算法評(píng)估約束能夠通過(guò)影響交互性心理緊張繼而對(duì)零工工作者的淺層扮演產(chǎn)生正向影響,對(duì)其深層扮演產(chǎn)生負(fù)向影響;④在線社群支持作為一種有益的工作資源補(bǔ)充,能夠削弱感知算法評(píng)估約束對(duì)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(diào)節(jié)了算法追蹤評(píng)估通過(guò)交互性心理緊張對(duì)零工工作者情緒勞動(dòng)策略的間接效應(yīng)。

本研究的主要理論貢獻(xiàn)如下。

(1)傳統(tǒng)服務(wù)業(yè)與零工經(jīng)濟(jì)情境下,零工工作者情緒勞動(dòng)在影響機(jī)制上存在明顯的差異[10]。在傳統(tǒng)服務(wù)業(yè)研究中,情緒勞動(dòng)的產(chǎn)生是由個(gè)體特征、職業(yè)性質(zhì)、領(lǐng)導(dǎo)者風(fēng)格等觸發(fā),進(jìn)而引起個(gè)體的焦慮、職業(yè)倦怠等[6～8]。但是,在零工經(jīng)濟(jì)這一新型服務(wù)業(yè)態(tài)中,零工工作者處于平臺(tái)的算法規(guī)制下[2],算法的追蹤評(píng)估功能會(huì)導(dǎo)致零工工作者面臨較高的工作要求,同時(shí)又削減了其適配的工作資源,繼而致使其處在人-機(jī)、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(shí)際勞動(dòng)過(guò)程中心理資源持續(xù)損耗的表現(xiàn)或呈現(xiàn)的結(jié)果。零工工作者為了阻止資源的進(jìn)一步損失,便會(huì)積極進(jìn)行情緒調(diào)整,尋求相應(yīng)的情緒勞動(dòng)策略以維護(hù)資源的平衡。這一研究成果為打開(kāi)算法技術(shù)與零工工作者情緒勞動(dòng)之間的作用機(jī)理“黑箱”積累了實(shí)證證據(jù)。

(2)經(jīng)典組織行為學(xué)研究認(rèn)為,心理性緊張是與個(gè)體情緒密切相關(guān)的一個(gè)變量[23],其特征是缺乏能量,精神或情緒處于緊張狀態(tài),并感覺(jué)個(gè)體情緒資源被耗盡的一種心理狀態(tài)[24]。然而,與傳統(tǒng)組織中的正式員工不同,零工工作者的心理性緊張狀態(tài)更多體現(xiàn)在其勞動(dòng)過(guò)程中與顧客、平臺(tái)等交互的場(chǎng)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(lái)自平臺(tái)的工作要求和來(lái)自顧客的工作要求),繼而將其心理性緊張細(xì)化為人-機(jī)交互性心理緊張和人-顧客交互性心理緊張,這為后續(xù)進(jìn)一步探究零工工作者的心理狀態(tài)奠定了基礎(chǔ)。

(3)在工作要求-資源模型中,工作資源是激發(fā)人們工作動(dòng)機(jī)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(guān)注何種條件下算法技術(shù)的消極效應(yīng)可以被削弱或其積極效應(yīng)如何被增強(qiáng)。本研究響應(yīng)文獻(xiàn)[14,29]的觀點(diǎn),即嘗試對(duì)工作資源進(jìn)行細(xì)分,將在線社會(huì)支持納入到零工經(jīng)濟(jì)情境下的工作資源補(bǔ)充。通過(guò)實(shí)證分析,檢驗(yàn)了在線社群支持在感知算法評(píng)估約束對(duì)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?jiān)谒惴ㄔu(píng)估約束與情緒勞動(dòng)策略選擇中的中介效應(yīng),因此,是一種有益的工作資源。這對(duì)揭示算法技術(shù)影響效應(yīng)的邊界條件是一種有益補(bǔ)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(yīng)[17],本研究驗(yàn)證了對(duì)于零工工作者而言,高工作要求、低工作資源會(huì)導(dǎo)致其心理緊張反應(yīng)。同時(shí),有益的工作資源補(bǔ)充能夠緩沖高工作要求對(duì)個(gè)體身心資源的損耗[17]。高雪原等[14]在研究中指出,工作場(chǎng)所中的社會(huì)支持應(yīng)當(dāng)是零工工作者的一種重要工作資源,但卻并未檢驗(yàn)該種工作資源的有效性。在此基礎(chǔ)上,本研究創(chuàng)新性地將在線社群支持納入到對(duì)零工工作者的工作資源考察中,并通過(guò)實(shí)證檢驗(yàn)指出其有利于抑制零工工作者現(xiàn)有的身心資源損耗、緩沖現(xiàn)有工作要求帶來(lái)的壓力,繼而拓展了工作要求-資源模型在零工經(jīng)濟(jì)情境下的適用性。

本研究的實(shí)踐啟示如下:首先,要加強(qiáng)對(duì)在線社群的支持、引導(dǎo)和規(guī)范。零工經(jīng)濟(jì)情境下,在線社群已經(jīng)成為平臺(tái)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(tái)。對(duì)于平臺(tái)而言,要重視在線社群的建設(shè),支持在線社群的發(fā)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(bǔ)充,切實(shí)關(guān)注其需求,基于相互尊重的原則加強(qiáng)溝通,引導(dǎo)成員之間的知識(shí)共享、經(jīng)驗(yàn)傳承和技能提升。另外,從實(shí)踐情況來(lái)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(duì)算法抱怨并形成勞動(dòng)抵抗的非正式組織,這就要求平臺(tái)要重視對(duì)在線社群的引導(dǎo)和規(guī)范管理。

其次,從平臺(tái)的角度而言,應(yīng)該積極關(guān)注零工工作者的心理狀態(tài)。算法評(píng)估約束通過(guò)交互性心理緊張對(duì)零工工作者的淺層扮演產(chǎn)生正向影響,對(duì)深層扮演產(chǎn)生負(fù)向影響。這為平臺(tái)的管理實(shí)踐提出了警示,即平臺(tái)需要隨時(shí)關(guān)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(yīng)。平臺(tái)要重視對(duì)零工工作者的心理疏導(dǎo),使其能夠正視并理解算法管理中追蹤、評(píng)價(jià)和約束體系的作用,克服消極情緒和緊張心理,正視服務(wù)行業(yè)的本質(zhì)特征,促進(jìn)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(dòng)的態(tài)度正視零工工作。

最后,應(yīng)從行業(yè)協(xié)會(huì)、政府相關(guān)部門以及工會(huì)等角度注重對(duì)零工工作者的培訓(xùn)與開(kāi)發(fā)。考慮到深層扮演需要投入較多的時(shí)間和精力,這在一定程度上會(huì)降低有關(guān)人群成為從事深度情緒勞動(dòng)的零工工作者的意愿。由此,各相關(guān)主體應(yīng)盡可能通過(guò)培訓(xùn)促使零工工作者提高個(gè)人的情緒管理策略,增強(qiáng)其在勞動(dòng)過(guò)程中應(yīng)對(duì)各項(xiàng)工作要求的情緒調(diào)節(jié)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(dòng)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(gè)時(shí)間點(diǎn))的研究設(shè)計(jì),在一定程度上減少了橫截面數(shù)據(jù)導(dǎo)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(píng)估約束-交互性心理緊張-情緒勞動(dòng))的因果關(guān)系推斷。但有關(guān)取樣仍采用由零工工作者自我評(píng)價(jià)的方式進(jìn)行,因此,一定程度上無(wú)法完全避免同源誤差的影響。未來(lái)研究中,可以嘗試在研究設(shè)計(jì)方面采用客觀數(shù)據(jù)或多種數(shù)據(jù)來(lái)源的方式進(jìn)行取樣。其次,本研究關(guān)注的是零工工作者淺層扮演和深層扮演影響機(jī)制問(wèn)題,并認(rèn)為零工工作者感知算法評(píng)估約束導(dǎo)致了情緒勞動(dòng),但實(shí)際上,零工工作者的情緒勞動(dòng)影響因素涉及很多方面,包括其自身的經(jīng)歷、職業(yè)適應(yīng)能力、個(gè)體特質(zhì)等,以及平臺(tái)管理方式和算法優(yōu)化的交互影響。事實(shí)上,平臺(tái)的管理不僅涉及算法的管理設(shè)計(jì),還涉及到平臺(tái)管理理念、管理風(fēng)格等多方面。由此,未來(lái)研究還可進(jìn)一步探討平臺(tái)管理方式、理念和風(fēng)格等對(duì)零工工作者情緒勞動(dòng)的交互影響。最后,本研究從社會(huì)支持角度探討了在線社群支持在感知算法評(píng)估約束與零工工作者交互性心理緊張、情緒勞動(dòng)策略之間關(guān)系的邊界條件,但實(shí)際上,這一過(guò)程的邊界條件不應(yīng)僅從社會(huì)支持角度思考,未來(lái)研究可以嘗試從平臺(tái)視角(如平臺(tái)的人力資源管理實(shí)踐)以及個(gè)體視角(如零工工作者的情緒智力)等,探討這些不同因素對(duì)零工工作者情緒勞動(dòng)策略選擇的影響。