开放科学(资源服务)标识码(OSID)：
A multi-wave survey design was employed to collect data from 312 gig workers across three Chinese provinces.Participants were recruited from online labor platforms specializing in home repair and installation services.Data collection occurred in three phases to mitigate common method variance:the first phase measured demographics,algorithm support,and algorithm control; the second measured autonomous motivation,controlled motivation,and task complexity; and the third measured craftsmanship spirit.Validated scales adapted from prior research were employed and confirmatory factor analysis was conducted to confirm the distinctiveness of the six key constructs.Hypotheses were tested using hierarchical regression and bootstrapping,providing robust empirical evidence for the proposed theoretical model.
The results reveal a dual-path mechanism:algorithm support positively predicts craftsmanship spirit through the enhancement of autonomous motivation,while algorithm control negatively predicts craftsmanship spirit by increasing controlled motivation.Furthermore,task complexity moderates these motivational pathways,strengthening the positive relationship between algorithm support and autonomous motivation while weakening the link between algorithm control and control motivation.Simple slope analyses confirm that at high levels of task complexity,the beneficial effects of algorithm support are enhanced,and the detrimental effects of algorithm control are attenuated,highlighting the critical role of task characteristics in shaping algorithmic impacts.
This study makes several theoretical contributions.First,by disaggregating algorithmic management into support and control dimensions,this study provides a nuanced understanding of the “double-edged sword” effects of algorithms,grounded in SDT,and responds to the call to examine both supportive and controlling features in algorithmically managed work environments.Second,this study extends the concept of craftsmanship spirit from traditional manufacturing and organizational contexts to the digital gig economy,revealing how workers' pursuit of excellence can emerge through human-algorithm collaboration.It demonstrates that craftsmanship in the digital age is not diminished but rather transformed into a proactive,meaning-seeking practice,offering theoretical support for cultivating “digital craftsmanship” aligned with new productive forces.Third,this study identifies task complexity as a critical boundary condition,demonstrating that the impact of algorithmic management is contingent on the inherent characteristics of work tasks.This finding enriches the literature on algorithm-task fit and provides a theoretical basis for differentiated platform governance strategies tailored to task complexity levels.
The findings carry important practical implications for platform enterprises and gig workers alike.Platforms should prioritize algorithm support features for high-complexity tasks while mitigating excessive control in low-complexity settings through transparency and worker participation.Tailored training programs,gamification mechanisms,and virtual social channels can further enhance workers' autonomous motivation and craftsmanship.For gig workers,proactively leveraging algorithmic tools and developing digital competencies are essential for optimizing work strategies and safeguarding their intrinsic motivation.
开放科学(资源服务)标识码(OSID)：
随着数字技术和零工经济深度融合,2025年我国灵活就业人员规模已超过2亿人[1]。以工作为使命、视品质为志业的工匠精神[2],不再局限于传统车间,是零工劳动者赢得客户信任、获得平台资源与实现自我认同的关键特质,也是培育新质生产力所需的“新型劳动者”素养的核心体现[3]。作为平台组织与协调劳动的核心机制,算法正深刻塑造零工劳动者的工作体验与价值创造过程[4]。然而,现有研究主要聚焦于零工劳动者在平台算法管理下衍生的社会风险与伦理争议[5-6],对其渴望通过劳动实现自我价值与职业尊严的主体诉求关注不足。这种研究视角的局限性,不利于探索零工高质量就业的深层机制与可行路径。回归劳动中“人”的主体视角,工匠精神是零工劳动者对抗劳动异化[7],追求卓越、实现个人价值和职业成就的有效途径[8]。因此,平台算法在零工工匠精神培育中究竟扮演何种角色,亟待从理论与实践层面展开研究。
关于平台算法对零工劳动者的影响,学界存在两种观点:积极观点认为,平台算法通过精准匹配和技能提升等机制优化劳动体验,甚至重塑零工职业认同[9-10];消极观点认为,平台算法通过行为监控、绩效考核等方式降低零工工作积极性与投入度,甚至可能损害其身体健康与安全绩效[11]。两种观点的矛盾根源在于将平台算法简化为同质化整体,甚至笼统地将其类比为“数字时代的泰勒制生产方式”[12],忽略了平台算法在劳动控制与工作支持间并存的特性[5]。因此,本文将算法管理细分为算法支持和算法控制两种模式[13],立足于工匠精神由内部动机驱动这一核心前提[14],聚焦心理动机的中介机制,旨在揭示算法支持与算法控制如何通过差异化路径影响零工劳动者的工匠精神。
任务复杂性是激活或抑制个体基本心理需求的关键情境因素[15],直接塑造其工作认知与情感体验,进而对内在动机的产生与维持发挥干预作用[16]。因工作任务复杂性差异,不同平台对零工的要求与管理存在较大差别(黄再胜,2019;刘善仕等,2021),且不同零工劳动者对相同任务也具有不同感知。现有研究普遍忽视了任务复杂性这一关键情境因素,未能区分零工劳动的差异性,这也是导致研究结论相互矛盾的另一重要原因。鉴于此,本文将任务复杂性作为调节变量引入模型框架,探讨其如何调节算法模式对工匠精神的影响,以期更好地发挥算法的积极作用,弱化其消极效应。
本研究的理论贡献如下:一是区分算法类型;二是探讨并验证算法对工匠精神的影响机制,揭示其支持性与控制性效能的并存逻辑;三是探索影响工匠精神的边界条件,为平台算法优化提供理论指导与精准策略。
工匠精神源于手工业生产,后在机械化大生产中被资本逻辑割裂而式微。近年来,工匠精神作为矫正现代性困境的精神资源被重新发掘,成为对抗异化劳动与消费主义的重要视角。学界对工匠精神的概念界定可归纳为四类视角:一是生产模式与社会文化视角,关注人在机械化生产中的参与程度[17];二是个体价值观与人格特质视角,强调工匠精神作为个体秉持的核心工作价值观[18];三是职业精神视角,将工匠精神等同于特定行业的专业伦理[19];四是获得较多学者认同的工作态度与行为倾向视角,认为工匠精神是一种“源于工作本身的使命感”[2]。本文基于第四种视角,认为平台零工劳动者的工匠精神是其在平台算法驱动的灵活用工情境中,工作过程中所展现出的追求卓越、注重品质的工作态度与行为倾向(Yue,2025;叶龙等,2020)。
零工劳动者是依托数字平台承接短期任务、以独立承包商身份从事非永久性雇佣劳动的劳动者[20]。在其劳动过程中,平台算法深度重构了劳动关系与劳动组织方式。与传统长期雇佣情境不同,零工劳动者的职业行为与质量追求并非源于组织承诺或长周期的职业生涯培养,而是由实时、可见且直接与收益挂钩的数据化考核体系驱动,进而形成高度工具化、依赖即时反馈的行为逻辑。这使得基于传统组织情境的研究结论在算法管理环境下可能失效。因此,构建新的理论机制以揭示零工劳动者工匠精神的策略选择及其影响机制,既是对现有研究的重要补充,也是回应数字时代劳动实践变革、推动平台经济健康发展的理论需求。
目前,关于算法管理内涵的研究大致可分为控制、支持和混合三种观点:控制视角强调算法管理是一套控制系统[5],对零工劳动者进行实时监督和约束[11];支持视角强调算法管理是辅助平台工作者进行决策的智能系统,向零工劳动者提供决策信息支持[21];混合视角则是以上两种视角的整合,认为算法管理是针对零工劳动过程实施管理职能的实践过程[10]。现有研究常将算法管理简化为同质化工具,难以揭示其功能的差异化影响,这限制了算法管理优化并最终损害其效能。本文基于混合主义视角,将算法管理细分为算法支持与算法控制两种模式。其中,算法支持侧重于零工劳动者感知到的算法指导与支持,算法控制则体现为零工劳动中被算法规范和限制的情况[13]。
自我决定理论强调个体行为由不同心理动机驱动,并构建“环境因素—工作动机—工作结果”的基础理论模型[22],为理解算法管理对工匠精神的影响提供统一解释框架。该理论提出,主动性动机源于充分的个人意志,而控制性动机源于内外部压力[23]。基于此,本研究将算法支持与算法控制建构为双重环境变量,基于零工劳动者对二者的感知异质性,构建“环境认知—工作动机—工匠精神”传导模型。一方面,算法支持凭借其信息优势,通过提供丰富的任务与市场数据,增强零工决策力与胜任感,进而激发主动性动机。这一动机驱使零工劳动者将工作视为自我实现的载体,主动优化工作质量,进而践行工匠精神。另一方面,算法控制通过对劳动过程的实质操控与持续监控[10],向零工劳动者施压,易引发控制性动机,导致工作异化并抑制工匠精神。因此,这一理论视角突破以往将算法管理简单归类为“促进”或“抑制”的二元对立思维,揭示了算法管理对零工工匠精神的“双刃剑”影响机制及边界条件,解释了学界关于算法作用方向争议的根源。
算法支持通过精准匹配工作任务、提供实时决策辅助以及赋予跨平台灵活选择权,将分散的劳动投入整合为具有连贯性的职业发展轨迹[11],进而为零工劳动者追求工匠精神创造有利的技术环境与资源条件(Yue, 2025)。根据自我决定理论,零工劳动者将算法理念转化为内在动机,这是激发其将工匠精神外化于行的关键[23]。算法支持赋予零工较高的灵活性与自主性,可能激发其主动性动机。具有主动性动机的零工通常会将注意力与精力投入到与自身身份、兴趣、价值观相契合的工作角色与活动中,这有利于其内化平台向其传递的角色期望或行为规范,全身心地投入工作以满足平台期望,进而激发工匠精神。
算法支持会诱发零工劳动者主动性动机。首先,平台将分散的零工劳动者聚集起来,在劳动者技能的供求间实现更好的匹配,提高零工劳动者工作选择的自主性[6]。例如,零工劳动者可同时在多个平台工作,选择何时、何地以及付出多少劳动。此外,算法支持提供的即时信息反馈可增加零工劳动者在工作中获取的有效信息资源,这些资源会进一步转化为零工劳动者对自身工作的掌控感[11],进而激发其主动性动机。例如,平台导航系统会根据实时交通路况规划最优路线,提高零工劳动者对工作的自主掌控度。其次,算法支持通过计算和预测帮助零工劳动者更加适应工作,从而激发其主动性动机。例如,平台智能派单算法的自动接单效率远高于零工自己抢单,零工劳动者只需掌握简单的手机操作即可胜任工作。
零工劳动者的主动性动机会促进其工匠精神。自我决定理论指出,具有主动性动机的工作者受兴趣和满足感驱动,会提高工作投入与工作质量[23]。当零工劳动者的主动性动机被激发时,他们会通过自我激励加快工作进程,倾向于将算法支持输出的规范内化为有助于提升工作意义与价值的信息,进而树立追求卓越的工作态度,为培养工匠精神提供内在驱动力。同时,拥有更强主动性动机的零工劳动者会展现更多主动行为,愿意承担具有挑战性的工作任务,并从中获得“工作乐趣”[24-25],进而提高工作质量与绩效,培养工匠精神。此外,主动性动机还能促使零工劳动者在面对挑战性工作任务时主动沟通,利用平台提供的渠道获取解决问题所需的信息,加快学习和创新,从而培养工匠精神。
综上所述,当零工劳动者感知算法支持水平较高时,他们可能受到指导、奖励等因素激励,进而激发主动性动机,培养工匠精神。据此,本文提出如下假设:
H1:算法支持通过激发平台零工的主动性动机正向影响其工匠精神。
算法控制通过持续监控、绩效排名与惩罚机制,严格限定零工劳动者的行为边界与决策空间,使其劳动趋于被动执行标准化指令(Pignot, 2023)。长期高强度压力下,劳动者难以获得技能提升与自主权,劳动过程容易被简化为机械响应,从而抑制了工匠精神。根据自我决定理论,主动动机与控制动机是独立并存的,但作用存在差异[22]。对于零工劳动者而言,当算法持续监控并不断下达具有强制管控性质的工作指令(如替换任务、施加惩罚等)时,其可能会感受到高工作压力、高劳动强度、人际关系空间剥夺。劳动关系的不稳定使劳动者难以获取平台和雇主提供的培训机会,进而在工作中展现出控制性动机[26]。控制性动机使零工劳动者体验到社会孤立、工作不稳定与职业倦怠[11],进而减少工作投入甚至退出平台工作,最终削弱工匠精神。
算法控制会诱发零工劳动者的控制性动机。首先,算法控制搜集和记录零工工作过程中的数据,使零工始终处于被监控状态,进而削减其对劳动时间与任务安排的自主掌控[5]。同时,算法具有“黑箱”属性,其运作过程透明度较低[27]。这种对算法决策的不可知与不可控,会进一步诱发控制性动机。其次,算法控制通常以“先到先得”机制分配任务,营造出要求更高、压力更大的工作情境,迫使劳动者延长工作时间、提高劳动强度,成为“困在系统中的人”[12],进而引发控制性动机。
零工劳动者的控制性动机会抑制其工匠精神。第一,控制性动机易使零工劳动者产生情绪剥削感[28],削弱其自我效能感,进而抑制其工作热情,导致情绪耗竭和工作满意度下降,甚至对平台工作产生抵触,最终削弱工匠精神。第二,控制性动机驱动下,零工劳动者为避免受到算法惩罚而选择循规蹈矩,工作积极性和投入度降低,对主动投入更多资源完成工作产生抗拒心理,进而对工匠精神产生负向影响。第三,控制性动机削弱了零工职业情感,降低其对任务的内在兴趣与投入,抑制零工劳动者的创造力[29],从而削弱工匠精神。
综上所述,当零工劳动者感知算法控制水平较高时,他们可能受到监控、评价和惩罚等带来的压力,进而诱发控制性动机,削弱其工匠精神。据此,本文提出如下假设:
H2:算法控制通过增强平台零工劳动者的控制性动机负向影响其工匠精神。
任务复杂性是指完成工作任务所需的认知能力与技能水平[15],反映工作任务非常规性、模糊性与认知需求的程度。作为重要情境因素,任务复杂性显著影响零工劳动者对算法管理的心理感知与行为响应,并在算法支持与算法控制对动机的影响路径中,发挥差异化调节作用。
1.3.1 任务复杂性正向调节算法支持对主动性动机的促进关系
当任务复杂性较高时,零工劳动者面临技能挑战与不确定性,对环境信息的功能性感知被放大,产生明确的能力支持需求与目标达成渴望[30],进而激发寻求探索、学习与精进的内在动机。此时,算法支持提供的实时反馈、决策辅助与知识资源,能够满足劳动者在复杂情境下的胜任力需求[25],高度契合并赋能劳动者应对挑战、掌握复杂技能的内在动机过程。在此过程中,算法支持不仅能够降低任务过程中的不确定性、增强可操控感,还通过帮助零工劳动者成功应对挑战,强化其自我效能感与积极情绪体验[15],进而激发其主动探索、学习与投入的意愿,即表现出更强的主动性动机。
当任务复杂性较低时,工作内容趋于常规化且技能要求单一,零工劳动者仅需遵循既定程序即可完成,胜任力需求水平较低,心理目标更多指向完成任务而非精进技艺。此时,算法支持所提供的额外信息或辅助可能被视为冗余,难以有效激发个体更深层次的兴趣与探索意愿[31],因而对主动性动机的促进作用较为有限。据此,本文提出如下假设:
H3:任务复杂性正向调节算法支持对主动性动机的促进作用,任务复杂性越高,算法支持对主动性动机的促进作用越强。
1.3.2 任务复杂性负向调节算法控制与控制性动机的强化关系
当任务复杂性较高时,算法难以对零工劳动者的具体决策与操作细节进行全程精细化监控。此情境下,算法控制更关注结果输出而非过程规训,其绝对支配性降低,客观上为零工劳动者保留了必要的自主判断空间,削弱了算法控制带来的过程约束感与外部压力[11],使零工劳动者感知到一定的工作自主性。因此,零工劳动者的心理焦点是运用自身技能解决问题,而非被动遵守僵化指令,算法控制对其控制性动机的强化效应相对有限。
在低复杂性任务中,工作流程高度标准化且易被算法全流程定义与追踪。此时,算法控制通过严密的行为监控、标准化指令与自动化合规评判,强化零工劳动者的被支配感,降低其工作自主性,易引发控制性动机。据此,本文提出以下假设:
H4:任务复杂性负向调节算法控制对控制性动机的强化作用,即任务复杂性越高,算法控制对控制性动机的强化作用越弱。
综上所述,本文构建理论模型如图1所示。
图1 理论模型
Fig.1 Theoretical model
2.1.1 问卷发放与收集
本文采用线上与线下相结合的方式,分3个时段对广西、广东、山东三地“万师傅”“鲁班到家”等平台零工劳动者进行问卷发放与回收。2024年4月1日开始一轮收集,测度人口学变量、控制变量和自变量,发放问卷383份,回收问卷361份,回收率为94.3%。2024年5月1日进行二轮收集,测度部分人口学变量、中介变量和调节变量,发放问卷361份,回收问卷355份,回收率为98.3%。2024年6月1日进行三轮收集,测度部分人口学变量和因变量,发放问卷355份,回收问卷335份,回收率为94.4%。通过对三轮数据的匹配及筛选,删除填答时间少于3分钟、未完成完整填答、存在规律性填答等无效问卷,得到有效问卷312份。
2.1.2 描述性统计分析
问卷调查样本特征如下:从性别分布看,男性受访者占比为71.3%;从年龄分布看,大部分受访者的年龄在40岁以下,18～25岁的受访者占比为29.4%;从受教育程度看,高中及以下学历的受访者占比为56.1%;从婚姻状况看,已婚受访者居多,占比为67.7%;从工作年限看,工作1年及以上的受访者占比为60.2%;从工作时长看,每周工作超过40小时的受访者占比为54.8%。
本文采用的量表均源自国内外成熟量表,经过翻译—回译程序确保语义一致性,所有变量均采用李克特7点计分法进行测量。
(1)算法支持(AS)与算法控制(AC)。参考裴嘉良等[32]的研究,测量量表由零工工作者进行填写。采用主成分分析法进行因子分析,KMO检验结果为0.84,Bartlett检验结果p值为0.000,提炼出两个因子:因子一包括“算法智能地分配我的工作任务”“算法按照平台标准对我的工作作出规范指示”“算法向我提供大量与完成工作任务相关的信息支持”等7个题项,命名为算法支持,测量信度系数为0.81;因子二包括“算法根据我的工作表现划分等级并在平台内进行排名”“当我工作未能满足平台要求时,算法会对我进行罚款”等4个题项,命名为算法控制,测量信度系数为0.70。
(2)主动性动机(AM)与控制性动机(CM)。参考Gagné等[33]的研究,主动性动机测量量表包括3个题项,代表性题项如“我努力工作因为我的工作令人兴奋”, 测量信度系数为0.736;控制性动机测量量表包括4个题项,代表性题项如“我努力工作因为如果我不付出足够的努力,我就有失去工作的风险”,测量信度系数为0.696。
(3)任务复杂性(TC)。参考Hackman[34]的研究,任务复杂性测量量表包括3个题项,代表题项如“这项工作需要处理复杂的信息和数据”,测量信度系数为0.851。
(4)工匠精神(CS)。参考Sawwhney等[35]的研究,工匠精神测量量表包括7个题项,代表题项如“把工作做好,会让我感到非常自豪”,测量信度系数为0.73。
(5)控制变量。参考吴清军等[6]、魏巍等[26]的研究,本文选择零工工作者的性别、年龄、教育背景等人口统计学特征作为控制变量。
2.3.1 验证性因子分析
本文使用Mplus对各变量进行区分效应检验,结果如表1所示。与其他模型相比,六因子模型的拟合效果最优,说明本文变量间具有显著区分效度。
表1 验证性因子分析结果
Table 1 Confirmatory factor analysis
模型χ2dfχ2/dfRMSEACFITLISRMR六因子模型(AS, AC, AM, CM, TC, CS)3021941.560.0430.9270.9050.050五因子模型(AS, AC, AM+CM, TC, CS)4412202.000.0570.8410.8170.069四因子模型(AS+AC, AM+CM, TC, CS)4582242.040.0580.8320.8100.071三因子模型(AS+AC, AM+CM+TC, CS)4782272.110.0600.8200.7990.071二因子模型(AS+AC+AM+CM+TC, CS)7682293.350.0870.6120.5720.108单因素模型(AS+AC+AM+CM+TC+CS)8602303.740.0940.5470.5020.101
2.3.2 相关性分析
本文利用SPSS对样本数据进行相关性分析,如表2所示。算法支持与工匠精神的相关系数为0.227(p<0.01),算法支持与主动性动机的相关系数为0.175(p<0.01),算法支持与任务复杂性的相关系数为0.172(p<0.01),主动性动机与工匠精神的相关系数为0.620(p<0.01);算法控制与控制型动机的相关系数为0.219(p<0.01);控制型动机与工匠精神的相关系数为-0.163(p<0.01)。上述结果初步支持本文研究假设,可为后续研究提供支撑。值得注意的是,算法支持与控制性动机之间也呈正相关(r=0.195,p<0.01),原因在于,算法支持虽以信息赋能与自主性提升为主,但在平台实践中可能隐含绩效压力或隐性期望,进而在一定程度上激发零工劳动者的控制性动机。
表2 描述性统计和相关性分析结果
Table 2 Descriptive statistics and correlation analysis results
注:*p<0.05;**p<0.01,下同
变量 均值方差123456781.性别1.290.4612.年龄2.291.09-0.04713.学历3.461.300.019-0.155**14.算法支持3.770.73-0.0810.124*-0.118*15.算法控制3.690.780.0390.001-0.0340.00016.主动性动机4.351.280.028-0.0340.130*0.175**0.06517.控制性动机4.670.80-0.0650.1060.0040.195**0.219**0.01318.任务复杂性5.050.890.0150.0700.0260.172**0.0480.308**0.216**19.工匠精神3.290.800.033-0.0050.0990.227**0.0670.620**-0.163**0.317**
2.3.3 中介效应分析
(1)“算法支持—主动性动机—工匠精神”中介路径检验。本研究运用SPSS的Process(模型4)进行中介作用检验,结果如表3、表4所示,算法支持通过主动性动机影响零工工匠精神的间接效应为0.118 2,置信区间[0.055 1,0.183 7],不包含0。由此可见,算法支持通过激发零工主动性动机正向影响工匠精神,假设H1得到支持。
表3 层次回归检验结果
Table 3 Hierarchical regression analysis results
变量 主动性动机M1M2M3控制性动机M4M5M6工匠精神M7M8M9M10M11性别0.0250.0400.031-0.61-0.069-0.0840.0310.0500.0260.0290.016年龄-0.013-0.034-0.0550.1060.1040.0970.012-0.0140.0060.0120.031学历0.127*0.147*0.135*0.0220.0140.0190.1000.125*0.0380.0980.101算法支持0.200**0.167**0.247**0.129**算法控制 0.221**0.193** 0.0620.104主动性动机 0.592**控制性动机 -0.189**任务复杂性 0.264** 0.200** 任务复杂性×算法支持 0.106* 任务复杂性×算法控制 -0.154** R20.0180.0560.1450.0150.0640.1370.0110.0700.4000.0150.048F1.8364.575**8.646**1.6005.261**8.049**1.1365.782**40.878**1.1513.099**
表4 中介效应Bootstrap检验结果
Table 4 Results of Bootstrap test for mediation effect
路径EffectBootSEBootLLCIBootULCI算法支持—主动性动机—工匠精神0.118 2**0.033 10.055 10.183 7算法控制—控制性动机—工匠精神-0.041 8**0.019 1-0.083 5-0.009 2
(2)“算法控制—控制型动机—工匠精神”中介路径检验。本研究先采用SPSS进行分层回归,再运用Process(模型4)进行中介作用检验,结果如表3、表4所示,算法控制通过控制性动机影响零工工匠精神的间接效应为-0.041 8,置信区间[-0.083 5,-0.009 2],不包含0。由此可见,算法控制通过增强零工劳动者的控制性动机负向影响工匠精神,假设H2得到支持。
2.3.4 调节效应分析
(1)任务复杂性的正向调节效应检验。本研究采用Process宏程序中的Model 7检验有调节的中介效应,即检验任务复杂性对“算法支持—主动性动机—工匠精神”间接效应的调节作用,结果如表3、表5所示。任务复杂性对主动性动机的调节效应系数为0.106 1,在p<0.05水平上显著,置信区间不包含0,通过绘制简单斜率图观察低任务复杂性与高任务复杂性对主动性动机的影响,如图2所示,说明任务复杂性在算法支持与主动性动机间发挥正向调节作用,进一步验证了H3。
表5 有调节的中介效应Bootstrap检验结果
Table 5 Results of Bootstrap test for moderated mediation effects
路径Coeff水平EffectSELLCIULCI算法支持×任务复杂性0.106 1*-1SD0.060 90.069 2-0.075 30.197 100.166 90.055 10.058 50.275 4+1SD0.273 00.079 50.116 60.429 4算法控制×任务复杂性-0.154 4**-1SD0.347 00.066 50.216 10.478 000.192 60.053 60.087 10.298 2+1SD0.038 20.073 9-0.107 20.183 6
图2 算法支持×任务复杂性的调节效应
Fig.2 Moderating effect of algorithm support×task complexity
(2)任务复杂性的负向调节效应检验。表5显示,任务复杂性对控制性动机的调节效应系数为-0.154 4,在p<0.01水平上显著,置信区间不包括0,通过绘制简单斜率图观察低任务复杂性与高任务复杂性对控制性动机的影响,如图3所示,进一步验证了假设H4。
图3 算法控制×任务复杂性的调节效应
Fig.3 Moderating effect of algorithm control×task complexity
本文基于认知评价理论,将算法管理细分为算法支持和算法控制两类,通过分析312位零工劳动者多时点调研数据得到如下结论:
(1)算法支持通过激发主动性动机促进零工劳动者工匠精神,算法控制通过引发控制性动机削弱零工劳动者工匠精神,二者构成双重触发机制。
(2)任务复杂性正向调节算法支持通过主动性动机促进零工劳动者工匠精神的间接效应,同时负向调节算法控制通过控制性动机削弱零工劳动者工匠精神的间接效应。这一机制有助于零工劳动者获取算法管理“支持主义”的积极影响,降低算法管理“控制主义”带来的消极作用。
(1)本研究突破算法管理同质化视角,揭示了算法支持与算法控制通过差异化动机路径影响工匠精神的双元机制。已有学者指出,算法管理兼具“控制”和“支持”的双重属性[13],但多数研究仍将算法视为整体,探讨其对工作时间、平台承诺和主动服务行为等的“双刃剑”效应[26,36],未清晰揭示其内在对立的心理作用路径。本研究将算法管理细分为算法控制和算法支持两类,实证验证二者分别通过引发主动性动机与控制性动机,差异化影响工匠精神的并行双路径,既回应了Deci等[37]强调关注工作环境中控制性特征的呼吁,也从动机微观心理层面,为理解算法管理的“双刃剑”效应提供更具解释力的新理论模型。
(2)本研究将工匠精神的研究情境从传统组织延伸至算法驱动的零工经济,拓展了该构念的理论边界,并揭示了“人机协同”的生成路径。科技创新驱动下,工匠精神的内涵正经历科技维度的嬗变[38]。本研究将科技创新微观化、具体化为零工劳动者面对的算法管理,发现工匠精神生成的关键在于算法能够引发零工劳动者的心理动机,助其找到对工作的掌控感与意义感知。这一结论与朱永跃等[39]的研究相呼应,揭示了数字时代背景下工匠精神并非消退,而是转化为劳动者在新技术情境下主动寻求意义、实现与机器系统协同共生的主体性实践,为理解在算法管理效率逻辑外,还需尊重劳动者的主体性与基本需求[40],以及培育与新质生产力相匹配的“数字工匠”提供了理论支撑。
(3)本研究引入并验证了任务复杂性的关键调节作用,将算法管理有效性的边界条件从组织氛围拓展至任务内核,为平台实施分类治理提供了理论依据。现有研究聚焦于组织情境的调节作用[41],较少关注工作任务本身的客观属性。本研究表明,任务复杂性的调节作用弱化了算法管理“控制主义”路径的消极效应,同时增强了“支持主义”路径的积极影响,不仅揭示了算法管理效应生效的关键边界条件,也回应了学界关于“算法与任务适配”的前沿讨论。研究为平台企业避免“一刀切”的算法策略提供了启示,也为后续基于任务特征视角深化算法管理研究提供了新视角。
(1)企业层面,推行算法治理精细化与平台管理差异化。首先,推行算法治理“赋能”与“约束”的动态平衡。一方面,平台要充分利用算法赋能管理创新实践。可引入AI工具开发智能决策辅助系统,生成个性化绩效分析报告,帮助零工劳动者获取技能精进路径,提高工作效率和质量。另一方面,平台要优化算法约束机制。构建劳动者代表、算法工程师、伦理专家的三方协商委员会,对关键参数(如超时惩罚系数、接单匹配规则等)进行动态校准,定期公开算法规则与第三方评估报告。构建算法优化反馈机制,采纳零工意见,降低零工劳动者对算法控制的感知水平。其次,构建与平台类型相适配的数字技能培训体系。在算法设计和运营过程中,可开发模块化数字技能课程,帮助零工掌握使用相关技术的必备技能,并将技术整合至工作流程中[42],降低技术使用门槛。针对不同平台的技术门槛与工作特性,开发模块化课程,提升零工对专业工具的深度运用能力,帮助零工劳动者在标准规则下实现效率最大化。再次,以社交与游戏化机制塑造新型组织生态。平台可通过增设虚拟社交渠道、引入游戏化社交场景塑造新型组织生态,丰富零工劳动者的交流话题,提高其组织认同感,进而增强其在劳动过程中的工作乐趣与成就感。最后,实施基于平台类型的分类治理与差异化激励模式。任务复杂性较高的平台应更多使用算法支持,为零工劳动者提供更多工作自主性与支持,并平衡订单数量与质量对零工收入的影响,扩大零工劳动者社保缴纳覆盖面。技能和创意类平台应强化算法支持,赋予劳动者更高自主权。出行和配送类平台应在效率与质量间寻求平衡。知识服务类平台应重点构建能力认证与长期信誉体系,推动算法从“行为控制”转向“信用匹配”,为高技能零工对接长期合作客户。
(2)零工劳动者层面,提升算法策略运用与数字技能。面对不同类型的算法,零工劳动者要善于主动调适工作策略与心理预期。对于算法支持,要利用平台算法提供的指导与信息进行辅助决策,提升效率,缩短重复劳动时间,增强主动性动机。对于算法控制,要提高专业和数字化能力,理解和掌握算法规则,弱化控制性动机。例如,外卖员可通过机器学习分析历史数据总结高效配送路径,技能型零工可学习数据工具,构建个人接单决策模型,实现订单组合优化与收入稳定。
本文存在以下不足:第一,样本代表性存在局限。本研究样本特征与家装维修平台零工群体结构基本相符,并进行了变量控制,但样本集中于青年男性、低学历群体,结论普适性有限。未来可拓展样本范围,加强对异质性零工群体的比较研究,明确研究结论的理论边界。第二,对算法管理的长期动态影响关注不足。平台交易的一次性特征易掩盖算法管理的持续性效应。结合既有研究可知,技术进步对工匠精神的影响可能呈现“先抑制—后促进”的复杂趋势[39],因而需警惕算法支持背后潜在的数据依赖与技术异化风险。后续可进一步探索算法支持、算法控制与动机间的复杂关系,引入日记法、周记调研等密集纵向追踪方法,结合质性研究与定量研究,揭示算法管理的动态影响机制。第三,算法相关构念测度工具有待完善。学界对算法管理与算法控制的量表开发已取得初步进展,但对算法支持维度的测量仍较为薄弱。未来可开发、完善算法支持与算法控制的整合性量表,为实证研究提供可靠的测量工具。第四,研究视角有待进一步拓展。由于平台模式具有多方参与特征,未来可考虑加入平台企业、顾客等主体视角,关注其对零工工匠精神影响的边界作用,进而丰富算法管理对零工工匠精神影响机制的研究。此外,还可考虑围绕本议题进行案例分析,深化对作用路径与情境因素的理解,为平台治理优化与相关政策制定提供实证依据。
[1] 中华人民共和国人力资源和社会保障部.国务院关于灵活就业和新就业形态劳动者权益保障工作情况的报告[EB/OL].(2025-12-25)[2026-03-30].http://www.npc.gov.cn/npc/c2/c30834/202512/t20251224_450484.html.
[2] PRATT M G,PRADIES C,LEPISTO D A.Doing well,doing good,and doing with:organizational practices for effectively cultivating meaningful work[M]//DIK B J,BYRNE Z S,STEGER M F.Purpose and meaning in the workplace.Washington,DC:American Psychological Association,2013:173-196.
[3] 程海东,陈凡.新质劳动者“工匠精神”培育路径研究[J].工程研究——跨学科视野中的工程,2025,17(5):624-636.
[4] 王红丽,陈政任,李振,等.何以跳脱时间困境:算法控制对零工工作者影响效应的主观时间边界[J].心理学报,2025,57(2):275-297.
[5] DUGGAN J,SHERMAN U,CARBERY R,et al.Algorithmic management and app-work in the gig economy:a research agenda for employment relations and HRM[J].Human Resource Management Journal,2020,30(1):114-132.
[6] 吴清军,李贞.分享经济下的劳动控制与工作自主性——关于网约车司机工作的混合研究[J].社会学研究,2018,33(4):137-162.
[7] 张璟.论工匠精神对异化劳动的克服[J].吉首大学学报(社会科学版),2017,38(4):95-100.
[8] 陈金彪.工匠精神 匠心追梦技能报国[N].中国教育报,2021-12-09(002).
[9] KUHN K M,MALEKI A.Micro-entrepreneurs,dependent contractors,and instaserfs:understanding online labor platform workforces[J].Academy of Management Perspectives,2017,31(3):183-200.
[10] ROSENBLAT A,STARK L.Algorithmic labor and information asymmetries:a case study of Uber's drivers[J].International Journal of Communication,2016,10(4):3758-3784.
[11] WOOD A J,GRAHAM M,LEHDONVIRTA V,et al.Good gig,bad gig:autonomy and algorithmic control in the global gig economy[J].Work,Employment &Society,2019,33(1):56-75.
[12] ALOISI A.Commoditized workers:case study research on labour law issues arising from a set of "On-demand/Gig economy" platforms[J].Comparative Labor Law and Policy Journal,2016,37(3):653-690.
[13] 刘善仕,裴嘉良,葛淳棉,等.在线劳动平台算法管理:理论探索与研究展望[J].管理世界, 2022,38(2):225-239.
[14] THORLINDSSON T,HALLDORSSON V,SIGFUSDOTTIR I D.The sociological theory of craftsmanship:an empirical test in sport and education[J].Sociological Research Online,2018,23(1):114-135.
[15] HACKMAN J R,OLDHAM G R.Motivation through the design of work:test of a theory[J].Organizational Behavior and Human Performance,1976,16(2):250-279.
[16] 彭正银,韩炜.任务复杂性研究前沿探析与未来展望[J].外国经济与管理,2011,33(9):11-18.
[17] KROEZEN J,RAVASI D,SASAKI I,et al.Configurations of craft:alternative models for organizing work[J].Academy of Management Annals,2021,15(2):502-536.
[18] PAANAKKER H L.Values of public craftsmanship:the mismatch between street-level ideals and institutional facilitation in the prison sector[J].The American Review of Public Administration,2019,49(8):884-896.
[19] ZHENG G,MA M,WANG Y,et al.Craftsmanship spirit or professionalism:the impetus of barefoot social workers to complete their task identity for protecting disadvantaged children in China[J].Children and Youth Services Review,2020,116:105157.
[20] SPREITZER G M,CAMERON L,GARRETT L.Alternative work arrangements:two images of the new world of work[J].Annual Review of Organizational Psychology and Organizational Behavior,2017,4:473-499.
[21] LEICHT-DEOBALD U,BUSCH T,SCHANK C,et al.The challenges of algorithm-based HR decision-making for personal integrity[J].Journal of Business Ethics,2019,160(2):377-392.
[22] DECI E L,RYAN R M.The "what" and "why" of goal pursuits:human needs and the self-determination of behavior[J].Psychological Inquiry,2000,11(4):227-268.
[23] GAGNÉ M,DECI E L.Self-determination theory and work motivation[J].Journal of Organizational Behavior,2005,26(4):331-362.
[24] 魏巍,刘贝妮,凌亚如.平台工作游戏化对网约配送员工作卷入的“双刃剑”影响——心流体验与过度劳动的作用[J].南开管理评论,2022,25(5):159-171.
[25] DEMEROUTI E, BAKKER A B.The job demands-resources model:challenges for future research[J].SA Journal of Industrial Psychology,2011,37(2):1-9.
[26] 魏巍,刘贝妮.算法管理能提高数字零工劳动者的平台承诺吗?——“控制主义”和“决策主义”的双刃剑效应[J].经济管理,2023,45(4):116-132.
[27] BURRELL J.How the machine "thinks":understanding opacity in machine learning algorithms[J].Big Data &Society,2016,3(1):1-12.
[28] 王蔚.数字资本主义劳动过程及其情绪剥削[J].经济学家,2021,33(2):15-22.
[29] SCHÖRPF P,FLECKER J,SCHÖNAUER A,et al.Triangular love-hate:management and control in creative crowdworking[J].New Technology,Work and Employment,2017,32(1):43-58.
[30] GRANT A M,ASHFORD S J.The dynamics of proactivity at work[J].Research in Organizational Behavior,2008,28:3-34.
[31] WRZESNIEWSKI A,DUTTON J E.Crafting a job:revisioning employees as active crafters of their work[J].The Academy of Management Review,2001,26(2):179-201.
[32] 裴嘉良,刘善仕,崔勋,等.零工工作者感知算法控制:概念化、测量与服务绩效影响验证[J].南开管理评论,2021,24(6):14-27.
[33] GAGNÉ M,FOREST J,VANSTEENKISTE M,et al.The multidimensional work motivation scale:validation evidence in seven languages and nine countries[J].European Journal of Work and Organizational Psychology,2015,24(2):178-196.
[34] HACKMAN J R.Work redesign and motivation[J].Professional Psychology,1980,11(3):445-455.
[35] SAWWHNEY G, MICHEL J S.Challenge and hindrance stressors and work outcomes:the moderating role of day-level affect[J].Journal of Business and Psychology,2021,37(2):1-17.
[36] 刘善仕,玉胜贤,刘嫦娥.促进还是抑制?平台算法控制对零工工作者在线工作时长的双刃剑效应研究[J].商业经济与管理,2023,43(5):17-28.
[37] DECI E L,OLAFSEN A H,RYAN R M.Self-determination theory in work organizations:the state of a science[J].Annual Review of Organizational Psychology and Organizational Behavior,2017,4:19-43.
[38] 尚文杰.新时代科技创新中工匠精神内涵嬗变与实证研究[J].科技进步与对策,2023,40(5):129-138.
[39] 朱永跃,孙佳怡,曾梦妮.AI背景下技术冲击意识对制造工人工匠精神的影响机制研究[J].科技进步与对策,2025,42(18):10-19.
[40] FELSTEAD A,HENSEKE G.Assessing the growth of remote working and its consequences for effort,well-being and work-life balance[J].New Technology,Work and Employment,2017,32(3):195-212.
[41] 安世民,金雨婷,张羽琦.“匠心促创新”:工匠精神对员工双元创新行为的影响机制[J].科技进步与对策,2024,41(14):132-141.
[42] KELLOGG K C,VALENTINE M A,CHRISTIN A.Algorithms at work:the new contested terrain of control[J].Academy of Management Annals,2020,14(1):366-410.