开放科学(资源服务)标识码(OSID)：
Drawing on attribution theory, this study selects six key conditional factors from two levels, internal and external factors, to construct a causal configuration framework for digital hoarding behavior in the workplace. Specifically, this study takes job insecurity, perceived usefulness, work responsibility, artificial intelligence usage, time pressure, and industry competitive pressure as the core antecedent conditional factors. Then it uses NCA and fuzzy set qualitative comparative analysis (fsQCA) to conduct configuration analysis on 286 samples of enterprise employees, and explores how internal and external factors affect employees' digital hoarding behavior in the workplace.
Through dual testing using the NCA method and the fsQCA method, this study finds that factors including job insecurity, perceived usefulness, work responsibility, artificial intelligence usage, time pressure, and industry competitive pressure cannot individually constitute necessary conditions for high digital hoarding behavior or non-high digital hoarding behavior, nor can they individually constitute sufficient conditions for digital hoarding behavior. This finding indicates that employees' digital hoarding behavior in the workplace is not driven by a single factor, but rather the result of the synergistic linkage and interaction of multiple antecedent conditions. The study reveals that there are four paths contributing to employees′ high-level digital hoarding behavior, namely technology-internal-driver, pressure-internal-driven, external-driven, and internal-external synergistic. Additionally, there are three paths leading to employees′ non-high-level digital hoarding behavior, including the motivation-deficiency type, value-absence type and pressure-insufficiency type. This study adopts a configurational perspective to analyze different combinations of antecedent conditions underlying employees′ digital hoarding behavior, thereby deepening the understanding of the joint effects of the antecedent conditions of digital hoarding behavior.
The theoretical contributions of this study are manifested in three aspects. First, this study clarifies the various factors influencing employees' digital hoarding behavior in the workplace, analyzes the inducements of digital hoarding behavior from the employee perspective, expands and complements the research perspective on digital hoarding behavior, and enriches the understanding of the influence mechanism of digital hoarding behavior. Second, this study constructs a framework for the influence of digital hoarding behavior from the perspective of attribution theory, which expands the application context and scope of attribution theory. Third, this study explores the configurational paths of digital hoarding behavior, further revealing the underlying mechanisms influencing employees' digital hoarding behavior.
This study puts forward practical implications for business managers and employees in the following three aspects. First, it is necessary to manage employees' personal digital resources well, clarify job responsibilities, and avoid mental health problems caused by excessive sense of responsibility. Second, employees should improve their ability to identify the value of digital information, filter useful information, and enhance their information processing and application capabilities. Third, employees need to plan their work schedules reasonably, and business managers should also provide a relaxed working environment for employees, which will help businesses eliminate employees' digital hoarding behavior and achieve a win-win situation for both businesses and employees.
开放科学(资源服务)标识码(OSID)：
随着数字化程度的不断加深,云存储、融合存储等新兴技术的涌现使得个人存储空间不再受限,导致个人囤积现象向“线上”转移,数字囤积行为愈演愈烈,逐渐成为一种普遍的社会现象。作为数字时代的独特产物,数字囤积行为表现为对数字资源的过度囤积,尤其在工作情境中表现得更为突出和典型[1]。员工作为企业生产和存储各类数据信息的行为主体,与各类数字信息接触最直接,具有对数字信息搜寻、留存、利用、加工、转发、生产制造等现实需求,“随手囤积”各类数字内容正成为员工的工作常态。工作情境下的数字囤积行为不仅会对个人心理健康产生危害[2-3],降低员工工作效率[4],对企业也会引发诸多不良影响,如生产力下降[2]、网络安全威胁[1]等。摩根大通CEO杰米·戴蒙也曾公开批评员工过度囤积数字资料,认为该行为是破坏公司成功的“弊病”。因此,深入探究工作情境下数字囤积行为影响因素,对于员工有效进行数字资源管理、提高企业数据利用效率具有重要意义。
归因理论认为,个体行为是人和环境共同作用的结果,可从内因和外因两个方面解释个体行为[5]。工作情境下的数字囤积行为是个体在内部动机和外部环境压力共同作用下对数字资源进行过度囤积且不愿删除的非理性囤积行为[1, 6]。现有文献从不同视角对数字囤积行为影响因素进行探究。从个体内部角度看,数字囤积行为受个体心理因素(如错失焦虑、无法忍受不确定性等)[2,7-8]和个体动机因素(如感知有用、数据保护责任等)[1]的影响。从外部环境角度看,数字囤积行为还受组织压力、竞争环境和技术情境等因素的影响[6,8-9]。相关学者多从单一视角出发考察某些特定因素对数字囤积行为的影响,且多采用传统线性回归方法,注重对单个要素“净效应”的探讨,忽视了各要素间的联合作用,难以揭示个体内部与外部环境因素交互作用对数字囤积行为的影响,无法从系统角度解释多因素组合对数字囤积行为的复杂影响机理。
定性比较分析(QCA)方法主要分析不同内外因素对员工个体行为的协同影响,适用于探讨以下问题:导致员工数字囤积行为的关键因素在于员工个体还是外部环境,抑或内因与外因的交互?构成员工数字囤积行为的关键要素和组态路径有哪些?哪些组态会激发或抑制员工数字囤积行为?
为探究上述问题,本研究基于归因理论,从内外因两个层面选取6个关键条件要素,梳理工作情境下数字囤积行为影响因素,运用NCA和fsQCA方法,从组态视角探讨多重前因条件对数字囤积行为影响的内在机制。本研究呼吁业界关注多因素导致工作情境中“高”和“非高”数字囤积行为的综合影响[6],旨在为企业正确引导和管理员工数字囤积行为、优化个人信息管理提供参考。
1.1.1 工作情境下数字囤积行为
数字囤积行为是个体持续积累数字内容的非理性行为,通常表现为对数字资源的认知偏差、过度获取、情感依恋及删除困难等特征,这种行为持续存在会导致数字杂乱和情绪困扰[1, 6]。工作情境下数字囤积行为是指员工对电子文本、多媒体文件、邮件归档、软件包等数字资源的过度存储,不愿整理和删除,难以有效查找和利用数字资料的行为。员工对数字资源的无序积累突破了常规数据存储界限,表现出管理混乱、难以删除的特点。围绕数字囤积行为成因,学者作出积极探索。已有研究较多关注社交媒体情境,探究用户、青年、大学生群体的数字囤积行为诱因[9-10],较少基于工作情境进行探讨[1,8]。
聚焦工作情境,学者认为数字囤积行为影响因素包括两个方面,即个体内部因素和外部环境因素。第一,从个体内部因素看,工作场所中的数字囤积行为多源于个体心理因素,如错失焦虑、无法忍受不确定性、不安全感[1,7-8],以及个体动机因素,如感知有用、数据保护责任、工作职责等[1]。具体而言,错失焦虑会导致个体频繁查看信息以增加数字囤积机会[1,8];不确定性多源于个体的不安全感,工作场所充斥着大量不确定性,难以忍受不确定性会促使个体保存更多信息以降低工作不安全感,从而诱发个体数字囤积行为[1,7,11]。有学者发现,员工由于工作职责而大量囤积数字资源信息[8],有数据保护责任的员工由于害怕误删有用信息而不断囤积数据,进而会产生较高的数字囤积行为[1,12]。第二,从外部环境因素看,工作情境下的数字囤积行为受组织压力[1,8]、竞争环境[2,6]、技术情境[9]等因素的影响。有学者发现,组织压力中责备文化、技术压力、时间压力等是导致员工数字囤积行为的关键外部压力性因素[1,8];竞争环境也会促使员工保存更多数据信息以防止落后于竞争者[2, 6];技术情境是员工产生数字囤积行为的外部推力,技术应用会引发和加剧员工的数字囤积行为[9]。
综上所述,数字囤积行为作为一个新兴概念,仍处于起步阶段。工作情境下数字囤积行为研究总体较为分散,且缺乏数据验证,多聚焦于探究某一或几个变量对数字囤积行为的影响,忽视了多个前因条件的组合作用,未形成多角度系统性理论框架。因此,有必要进一步探讨工作情境下数字囤积行为影响因素,弥补已有研究的不足。
1.1.2 归因理论
归因理论是指个体对行为或事件作出因果推断,目的在于预测、评价个体行为及所处环境,以决定后续态度与行为并加以控制[5]。该理论适用于对重要、新奇和消极的行为结果进行因果解释[13]。数字囤积行为作为一种在工作场所中出现的新兴现象,对企业和员工个体存在潜在消极影响,符合重要、新奇和消极等事件特征,因此用归因理论梳理其诱因比较适用。归因理论指出,个体行为发生的原因包括内因和外因两个方面。个体之所以出现某种行为结果,一方面源于个体自身内部原因(如动机、情绪、能力、态度等),另一方面源于个体无法控制外部情境因素(如时间、压力、环境气氛、工作性质等),这些因素共同影响员工行为[14]。数字囤积行为作为一种个体主动行为,受到内因要素和外因要素的双重影响,归因理论为探讨工作情境下员工数字囤积行为影响因素提供了理论基础。
1.2.1 核心前因条件选取
根据归因理论,个体行为的发生源于个体内部原因和外部环境因素的相互作用[14]。工作情境下数字囤积行为受个体内部因素和外部环境因素的协同影响[1,11]。其中,个体内部因素多指心理层面和动机层面因素,其会直接引发个体行为;外部环境因素多指技术情境、组织压力和竞争环境,是个体行为的外部推动力[2,6,8]。在个体内部因素方面,个体工作不安全感会通过对数字资源的囤积来缓解[11],且个体对数字资源的有用性感知会增强囤积欲望[2];同时,员工由于工作职责而囤积数字信息的现象也频繁发生[12]。因此,本研究从心理和动机两个角度选取工作不安全感、感知有用性和工作责任感作为数字囤积行为内因要素。研究发现,数字囤积行为不仅受个体内部因素影响,也受外部环境因素影响[9]。在外部环境因素方面,技术应用会减轻个体获取和处理数据的负担,是加剧数字囤积行为的主要外部推力[9];时间压力会导致个体出现需求延迟满足的行为习惯,从而优先保存信息以备后续阅读,进而导致数字囤积现象[1];行业竞争压力加剧也会导致个体面临更多不确定性,为避免落后于同行,个体也会表现出更多数字囤积行为[15]。由此,本研究从技术情境、组织压力和竞争环境层面选取AI技术应用、时间压力和行业竞争压力作为导致员工数字囤积行为的外因要素。
综上所述,本研究基于归因理论,从内因与外因要素出发,选取工作不安全感、感知有用性、工作责任感、AI技术应用、时间压力和行业竞争压力6个变量作为核心前因条件要素,探究工作情境下数字囤积行为多重并发因果路径。
1.2.2 内因要素与数字囤积行为
工作不安全感是指员工对工作缺乏连续性和稳定性的主观感知[16]。工作不安全感作为工作场所中的重要压力源,会显著影响个体心理和行为表现。根据资源保存理论,当员工感知到工作受到威胁时会产生压力反应,引发个体主动采取行动以保住工作。根据压力学习效应,员工在面对失去现有工作、降薪、被替代等工作不安全感带来的压力时,为改善工作环境会主动将注意力聚焦于增强自身工作胜任力、提高工作技能、开展适应性学习上[16],如频繁检查相关工作信息、关注工作和学习机会、主动搜索并保存相关学习资料,力争在工作中变得更好,以获取安全感。个体为提高工作竞争力,应对工作不安全感,会加剧数字信息囤积行为[7]。
感知有用性指个体对相关信息的认知判断,是一种价值感知。数字资源有用性主要表现为数字资源价值与个体适配度[11],个体对数字资源价值的感知既包含即时价值感知,也包括未来效用感知预估[9]。员工是否选择囤积某种数字资源,主要取决于其对资源有用性的感知和判断。当员工认为某一数字资源对自身当前或未来有用时,会倾向于收藏保存;而当信息价值降低后,为有备无患,其保存的内容仍难以丢弃和删除。因此,感知有用性是导致员工数字囤积行为的重要驱动因素,也是其删除数字信息的主要障碍。
工作责任感是指员工对工作的责任程度,作为一种挑战性压力,工作责任感能激发员工内在动机,促使员工投入更多努力以获得回报[17]。高责任感员工具有较强的职业道德,会不断收集、保存相关信息(如电子邮件、聊天记录、截图、工作资料等)[4],不轻易删除往来工作文件[7],以作为将来必要之需。此外,数字信息还能弥补人脑记忆不足[2]。相较于传统纸质信息,数字信息具有便捷、防老化、近乎零成本、易于复制和转移等特点,高责任感员工会对职责内数据进行存储和编排,以维护信息安全[2-3]。
1.2.3 外因要素与数字囤积行为
AI技术应用是指在工作场所,员工使用AI技术(如ChatGPT、智能机器人、辅助决策、语音识别)完成工作目标和任务的过程[18]。AI技术应用虽会改变原有工作流程和方法,提高工作效率,但也会使个体面临被AI替代和失业风险[19]。研究发现,AI技术应用会影响员工认知和行为[20]。员工为避免被AI替代,通过不断搜索、主动学习新知识和新技能提高工作技能,努力投入工作以适应新工作环境和工作内容,以便更好地与AI合作共存[21]。此外,AI技术应用使数据信息获取、保存、调用、分析变得更加简单,能够自动获取、挖掘并分析大量数据,预测未来并辅助决策[22],有助于员工识别有用性资源并提高工作效率,这种便捷性和自动化会促使员工提前囤积大量数据信息和数据资源。
时间压力是指工作场所中要求员工利用有限时间完成既定工作所产生的压力[23]。时间压力在职场中普遍存在,作为一种挑战性压力,能够引导个体行为。员工在有限时间内完成工作任务,往往会产生时间紧迫感、焦虑等情绪体验[23],在处理数字信息时,迫于时间压力,无法立即判断是否重要或有价值,为不错失重要信息,会优先选择保存,从而造成信息堆积。此外,高时间压力通常意味着“时间紧、任务重”,员工会优先关注当前工作信息,持续高复杂度的工作任务会导致员工对工作职责和内容产生角色模糊认知[24],无法清晰辨别哪些信息与当前任务有关,因此会优先保存信息,促使员工产生数字囤积行为。
行业竞争压力是企业所处行业竞争强度的差异性反映[25]。压力源于比较,已有研究发现,倾向于社会比较的个体更容易为规避不确定性而表现出更多囤积行为[9,15]。当企业落后于同行业其它企业时,面对行业竞争压力加剧,企业内部员工会受到行业高竞争强度的影响。为避免陷入竞争落后情境,员工会通过扩充信息量应对高风险和高不确定性[9],主动搜集并关注相关行业信息,整合多元化资源[25],保存或转发行业重要资讯,与同行竞争者保持紧密互动,通过信息量提升带来满足感和安全感。此外,行业竞争压力还会激发企业活力,提高员工学习和成长动机,促使员工积极探索问题解决方案,囤积学习资料,主动吸收知识,以维持自身竞争优势。
综上所述,本研究构建研究框架,如图1所示。
图1 研究框架
Fig.1 Research framework
本研究采用NCA和fsQCA相结合的研究方法探究数字囤积行为影响因素及其复杂因果关系,主要基于以下考虑:一是fsQCA方法常用于确定某一结果产生的必要条件和充分条件,通过组态视角解释多因素间的复杂因果关系,聚焦于探索多因素的综合效应,认为条件因素间存在相互作用关系,能够识别产生高或非高数字囤积行为的多条因果路径,有助于揭示数字囤积行为因果关系的复杂性。二是fsQCA方法处理连续型数据更有优势,既适用于大样本研究也适用于中小样本研究[26]。本文研究变量都是连续性的,且案例样本量为286,属于超过100案例数的大样本分析,因此适用于该研究方法。三是NCA方法主要用于识别影响结果变量的必要非充分条件[27]。fsQCA和NCA虽都能识别必要条件,但fsQCA方法只能定性判断前因条件是否为结果的必要条件,而NCA的优势在于能定量识别必要条件,分析必要条件与结果间的效应量,以及前因变量到达何种程度才能成为结果的必要条件。fsQCA与NCA能相互补充与验证,使研究结果精确度更高。因此,本研究将NCA和fsQCA结合进行分析,使两者互为补充和验证,以提高研究结论的稳健性。
本研究选取工作情境下员工个体作为研究对象,采用问卷调研法收集数据。在2024年4-6月进行二阶段调研,通过时滞调研方法减少数据同源偏差问题。第一阶段,开展非匿名问卷调研。通过“Credamo见数”平台发放调研问卷,该平台具有追踪功能,可记录用户ID,支持多期追踪调研。本阶段收集调研对象的人口统计信息(性别、年龄、职业类型和受教育程度)和数字囤积行为信息。第二阶段,针对已回收问卷被试者,应用“Credamo见数”平台多期追踪调研功能,定向发放包括“外因要素”(AI技术应用、时间压力、行业竞争压力)和“内因要素”(工作不安全感、感知有用性和工作责任感)的调研问卷。本次调研共发放问卷350份,剔除未通过甄别题项、答题时间小于100s和填写错误等无效问卷,共获得有效问卷286份,问卷有效回收率为81.7%。样本人口统计学特征见表1。从整体看,样本数据基本涵盖各年龄段、学历水平和职业类型,以民营企业和国有企业年轻、高学历员工为主,样本具有一定广泛性和代表性。
表1 样本特征
Table 1 Sample characteristics
类别 特征 频数占比(%)性别男10737.4女17962.6年龄30岁及以下14651.031～40岁11439.941～50岁155.350岁以上113.8单位类型政府/事业单位4917.2国有企业6322.0民营企业16156.3外资企业134.5受教育程度高中及以下10.4专科144.9本科20270.6硕士6021.0博士93.1
本文采用李克特5级量表,其中1表示“完全不同意”,5表示“完全同意”,同意程度依次加深。①数字囤积行为采用Neave等[12]开发的10题项量表,如“我发现删除旧的或未使用的文件非常困难”“我强烈地感到有些文件也许有一天会有用”。②AI技术应用采用Tang等[28]开发的3题项量表,如“我使用人工智能来执行我的大部分工作职能”。③时间压力采用Maruping等[29]开发的4题项量表,如“我没有得到足够的时间来完成任务”。④行业竞争压力采用Fang &Zou[30]开发的4题项量表,如“我所处行业竞争异常激烈”。⑤工作不安全感采用Hellgren等[31]开发的3题项量表,如“我对未来失去工作感到不安”。⑥感知有用性采用Sussman等[32]开发的3题项量表,如“囤积的数字内容(资源)对我的工作是有价值的”。⑦工作责任感采用Jiandong等[17]开发的3题项量表,如“我的责任范围非常广泛”。
本研究采用SPSS 22.0软件检验数据信度,所有变量的Cronbach′s α值均大于0.7,结果如表2所示。这表明,变量信度较好。本研究所用量表均为成熟量表,采用AMOS 24.0软件和验证性因子分析方法(CFA)对数据效度进行检验。结果表明,七因子模型拟合度最佳,χ2/df=1.689(<3)、RMSEA=0.049(<0.1)、CFI=0.945(>0.9)、TLI=0.937(>0.9),各变量因子载荷值在0.67～0.84之间,且平均方差提取值(AVE值)均大于0.5,组合信度CR的值均大于0.7,表明数据效度较好。
表2 量表信度与效度检验结果
Table 2 Results of reliability and validity analysis of the scale
变量 最小因子载荷Cronbach's αAVECR数字囤积行为0.770.910.650.95AI技术应用0.840.880.710.88时间压力0.750.880.640.88行业竞争压力0.680.850.580.85工作不安全感0.790.870.700.88感知有用性0.720.750.510.75工作责任感0.670.770.530.77
本研究使用两种方法检验同源偏差问题。第一,采用Harman单因素检验法进行同源偏差分析,对有效问卷的所有条目进行因子分析,结果显示第一个主成分变异量为24.271%,数值小于40%,说明同源偏差问题不严重。第二,在七因子模型的基础上加入共同方法因子进行验证性因子分析。结果发现,八因子结构模型无法实现拟合。这表明,在加入共同方法因子后,因子结构拟合度未得到明显改善。因此,以上两种结果表明,本研究不存在严重的共同方法偏差问题。
本研究采集的数据主要为量表数据,基于fsQCA对数据的要求,采用直接校准法对原始数据进行校准。参考Fiss[33]的校准标准,预设完全隶属、交叉点和完全不隶属3个锚点,以95%、50%、5%为分位数确定3个锚点,结果如表3所示。同时,本研究将数值为0.5的数据修改为0.501,最后得到校准后的完整数据集[33]。
表3 变量校准锚点
Table 3 Calibration points of variables
变量 锚点完全隶属交叉点完全不隶属条件变量外因要素AI技术应用4.674.001.67时间压力4.503.001.50行业竞争压力4.754.252.31内因要素工作不安全感4.331.831.33感知有用性4.674.333.00工作责任感4.674.001.75结果变量数字囤积行为4.603.801.70
在组态分析前,需先对单一变量进行必要性分析。本研究采用NCA方法进行必要性分析。使用R语言中的RStudio软件,对校准后数据进行单一NCA、瓶颈水平(效应量)分析、瓶颈表绘制,以判断单个前因变量是否为结果变量的必要条件。再基于NCA方法分析结果,采用fsQCA方法检验必要条件。表4展示了各前因条件对高与非高数字囤积行为的必要性分析结果,结果显示所有前因条件一致性数值均小于0.9,并非结果的必要条件。综上所述,fsQCA方法检验数字囤积行为的必要条件结果与NCA方法分析结果一致,说明单个前因条件均不是构成数字囤积行为的必要条件。
表4 单个条件必要性检验结果
Table 4 Necessity analysis results of single conditions
条件变量高数字囤积行为一致性覆盖度非高数字囤积行为一致性覆盖度AI技术应用0.660.710.580.55～AI技术应用0.590.610.700.64时间压力0.660.750.530.54～时间压力0.600.590.750.66行业竞争压力0.740.770.580.54～行业竞争压力0.560.600.750.72工作不安全感0.620.640.670.61～工作不安全感0.630.680.610.59感知有用性0.670.750.580.58～感知有用性0.620.620.750.68工作责任感0.760.760.610.54～工作责任感0.540.610.730.73
注：～表示逻辑的非
本研究进行组态分析,参考相关研究[34-35]将原始一致性阈值设为0.8,将PRI一致性阈值设为0.70,将案例频数阈值设为2,组态分析结果如表5所示。组态解中前因条件均以核心条件存在、核心条件缺失或可有可无三种状态呈现,未出现边缘条件。这表明,引致数字囤积行为的各条路径中,所识别出的条件均扮演着明确的角色。
表5 数字囤积行为组态分析结果
Table 5 Configuration analysis results of digital hoarding behavior
前因条件 高数字囤积行为组态H1组态H2组态H3组态H4非高数字囤积行为组态NH1组态NH2组态NH3AI技术应用●●●⊗⊗●时间压力●●●⊗⊗⊗行业竞争压力●●●⊗⊗工作不安全感⊗⊗⊗⊗感知有用性●●●⊗⊗工作责任感●●●●⊗⊗⊗一致性0.9330.9330.9460.9150.9350.8980.924原始覆盖度0.3260.3910.2650.3530.2930.3690.308唯一覆盖度0.0220.0870.0230.1120.0230.0990.097总体覆盖度0.5480.489总体一致性0.9020.885
注：●表示核心条件存在;⊗表示核心条件缺失;空白表示条件可有可无,下同
3.3.1 高数字囤积行为前因组态路径分析
研究发现,导致高数字囤积行为的组态共有4个(H1、H2、H3、H4),且各组态一致性均高于0.8,表明它们在促进数字囤积行为方面具有有效性。进一步看,总体解的一致性为0.902,显示出无论是单个解还是整体解,均超出可接受的最低标准0.75[36],表明研究结果具有稳健性和可靠性。此外,总体覆盖度为0.548,进一步支持研究结论,表明存在明显促进因素。数字囤积行为相关组态具有较高一致性与覆盖度,为进一步理解此现象提供了重要依据。
组态H1属于技术—内因驱动型。组态H1结果表明,以高AI技术应用、高时间压力、高感知有用性、高工作责任感为核心条件的组态能够产生高数字囤积行为。这类员工经常面临较大的时间压力,会使用AI技术提高工作效率;同时,他们还具备较强的工作责任感,不断积累认为有用的资源和信息,容易产生较高的数字囤积行为。这种行为是技术驱动与个体内在因素共同作用的结果,是员工在工作场所中为应对挑战、提升工作效率而采取的适应性策略。该组态在知识密集型行业尤为普遍,在这些领域,员工面临信息过载与决策复杂性的双重挑战,AI技术成为信息处理的关键工具,但也同时成为囤积行为的“催化剂”。该组态典型案例如字节跳动软件工程师,他们因高强度项目开发经常面临较大的时间压力,软件工程师会运用AI辅助编程工具提高软件开发效率,不仅需要保存个人代码,还会分类存储感到有用的AI推荐代码、其它项目解决方案等,既满足当下工作需要,也为后续开发与迭代储备资源。
组态H2属于压力—内因驱动型。组态H2结果表明,以高时间压力、高行业竞争压力、高感知有用性、高工作责任感为核心条件的组态能够产生高数字囤积行为。这类员工具有较强的工作责任感和高度信息敏感性,在高度行业竞争压力和时间压力下,能够迅速对数字信息价值作出判断,尽可能囤积有用的数字信息,并通过云端、存储设备等渠道及时保存相关数据信息,进而形成数字囤积行为。这种行为是员工在外部压力环境下,为提升工作竞争力、保障工作成果而采取的策略性反应。该组态典型案例如吉林银行金融市场部员工。金融市场瞬息万变导致业界对信息的时效性要求较高,同时金融业人才竞争激烈,同行竞争和业绩指标压力较大,为应对外部压力,该部门员工需不断囤积大量有用的数字资源,主动搜集行业动态,以构建应对复杂工作挑战的信息储备。
组态H3属于外因驱动型。组态H3结果表明,以高AI技术应用、高时间压力、高行业竞争压力、非高工作不安全感、高工作责任感为核心条件的组态能够产生高数字囤积行为。这一组态表明,当员工处于技术迭代快、竞争激烈的行业时,即使工作稳定性未受到直接威胁,高责任感个体仍会主动囤积数字资源以应对潜在挑战。这类员工所处行业面临较大的竞争压力,企业会引入AI技术提高工作效率,员工为避免被AI替代,有较强工作责任感的员工会投入更多精力到工作中,积极主动学习新知识和适应新技术,运用AI技术获取相关学习资料。即使工作不安全感降低,在时间有限的压力下,员工也会优先选择囤积相关数字资源,储备预防性知识以保持竞争力,从而引发数字囤积行为。该组态典型案例如微店新媒体运营专员。随着小红书、抖音等新媒体成为商家营销主阵地,新媒体运营专员需在指定时间内快速完成短视频IP账号的视频策划、拍摄、剪辑、输出等任务,提高曝光量进而形成有影响力的关键意见领袖账号。这需要员工熟练运用AI剪辑、视频制作等工具提升运营效率,并不断收集大量行业流行热点、用户偏好、内容创意等数据资料,通过持续的数字资源囤积行为,优化产品运营策略。
组态H4属于内外因协同型。组态H4结果表明,以高AI技术应用、高行业竞争压力、非高工作不安全感、高感知有用性、高工作责任感为核心条件的组态能够产生高数字囤积行为。该类型受两方面因素影响,员工在内因要素和外因要素协同作用下产生数字囤积行为。即使员工工作不安全感较低,但在高AI技术应用和高行业竞争压力下,具有高感知有用性和高工作责任感的员工也会引发数字囤积行为。AI技术应用会提高员工工作自主性[18],员工在高度行业竞争压力下会主动利用AI技术捕获大量信息和资源,并囤积有用信息,具有高度工作责任感的员工会主动存储工作数据进行学习[2]。该组态典型案例如京东物流算法工程师。随着“即时配送”市场压力的不断增大,算法工程师面对仓储分配和路径协同的工作责任,不仅需要存储大量车辆行驶数据,还会主动收集极端天气条件下的路况信息,优化调度算法参数,提高设备在动态环境中的路径规划与任务执行能力。
综上所述,工作情境下数字囤积行为是多因素协同作用的结果,这些因素通过不同组合方式促使数字囤积行为产生。这一结论支持吴大伟等[1]和谢笑等[4]的观点,进一步验证了工作情境下数字囤积行为受诸多因素影响。
3.3.2 非高数字囤积行为前因组态路径分析
参考相关研究[37],本文对非高水平数字囤积行为前因组态进行深入分析。结果揭示,非高水平数字囤积行为主要受3个不同组态的影响,这3个组态表现出高度一致性,总体一致性达到0.885,各个组态一致性均高于0.80,表明这些组态在解释非高水平数字囤积行为方面构成充分条件。此外,总体解的覆盖度为0.489,表明本研究能够解释48.9%的非高水平数字囤积行为,这为理解非高水平数字囤积行为成因提供了新视角和有力证据,说明在制定相关干预措施时,可重点关注这3个主要组态。
组态NH1属于动机匮乏型,即当AI技术应用、时间压力、工作不安全感、感知有用性和工作责任感为核心条件缺乏时,员工数字囤积行为意愿较低。这说明,员工在较小时间压力且具有较高工作安全感时,不会使用AI技术辅助工作;当没有储存数字资源的工作责任且未感受到数字资源可用性时,其没有囤积数字资源的动力,也会减少数字囤积行为。
组态NH2属于价值缺失型,即当AI技术应用、时间压力、行业竞争压力、感知有用性和工作责任感为核心条件缺乏时,员工数字囤积行为意愿较低。这说明,员工在没有外部压力、工作责任感较低且没有发现有价值资源时,会降低囤积意愿,减少数字囤积行为。
组态NH3属于压力不足型,即在时间压力、行业竞争压力、工作不安全感和工作责任感为核心条件缺失且AI技术应用为核心条件存在的情况下,员工会产生消极的数字囤积行为。这说明,当员工所处工作环境竞争压力较小、完成工作任务的时间较为宽松、工作场所安全感较高且在工作中应用AI技术较为频繁时,员工不愿意囤积数字资源,导致非高数字囤积行为。
参考相关研究[38],本研究对产生高数字囤积行为的组态进行稳健性检验:一是将一致性阈值从0.8调至0.85,结果发现产生的组态未发生明显变化;二是将PRI一致性从0.7调至0.75,结果发现组态H2中工作不安全感由可有可无变为核心条件缺失,不影响研究结论,H2组态仍属于压力—内因驱动型(见表6)。因此,本文研究结果具有较强稳健性。
表6 稳健性检验结果
Table 6 Robustness test results
前因条件 高数字囤积行为(一致性阈值提高至0.85)H1H2H3H4高数字囤积行为(PRI一致性提高至0.75)H1H2H3H4AI技术应用●●●●●●时间压力●●●●●●行业竞争压力●●●●●●工作不安全感⊗⊗⊗⊗⊗感知有用性●●●●●●工作责任感●●●●●●●●一致性0.9330.9330.9460.9150.9330.9510.9460.915原始覆盖度0.3260.3910.2650.3530.3260.2780.2650.353唯一覆盖度0.0220.0870.0230.1120.0220.0370.0230.112总体覆盖度0.5480.497总体一致性0.9020.902
本研究基于归因理论,构建工作情境下数字囤积行为前因组态框架,采用两阶段问卷调研法收集286份样本,利用NCA与fsQCA相结合的方法,从内因和外因两个维度共6个要素分析影响数字囤积行为的组合路径,发现数字囤积行为具有多重并发因果关系,且要素组态呈现不对称性和等效性特征,得出如下结论:
(1)通过NCA方法和fsQCA方法双重检验发现,AI技术应用、时间压力、行业竞争压力、工作不安全感、感知有用性和工作责任感均非单独构成高数字囤积行为或非高数字囤积行为的必要条件。这表明,单个因素对数字囤积行为的影响比较有限。此外,任何单一前因要素亦不能独立成为数字囤积行为的充分条件。这说明,员工在工作情境下的数字囤积行为并非由某一因素驱动,而是多种前因条件协同联动和交互作用的结果。这一结论验证了张成虎等[11]有关数字囤积行为受多要素协同驱动影响的观点,进一步印证了工作情境下数字囤积行为受多因素的协同作用。
(2)实现员工高水平数字囤积行为的路径有4条,即技术—内因驱动型、压力—内因驱动型、外因驱动型和内外因协同型。工作责任感在所有路径中都以核心条件出现,说明其是影响员工高水平数字囤积行为的核心要素。AI技术应用、时间压力、行业竞争压力、感知有用性作为核心条件出现在不同路径中,说明这些要素是产生高数字囤积行为的关键要素。非高工作不安全感出现在个别路径中,说明工作不安全感并不是触发高水平数字囤积行为的关键前因条件。这与吴大伟等[1]和Sweeten等[2]关于技术压力及组织压力会导致数字囤积行为的结论一致,但与Wu等[10]关于个人不确定性会产生数据收集和保留倾向行为的结论不一致。
(3)存在3条引发员工非高数字囤积行为的路径,即动机匮乏型、价值缺失型和压力不足型。其中,价值缺失型是产生低数字囤积行为的主要原因。当员工感知到数字资源没有价值且没有保存数字资料的工作职责和外在压力时,就会降低数字囤积行为,这一结论呼吁了王琳等[39]关于价值迁移和信息失效会减少数字囤积行为的观点。
(1)本研究厘清工作情境下影响员工数字囤积行为的各类因素,从员工层面解析数字囤积行为诱因,拓展并补充数字囤积行为研究视角,丰富了对数字囤积行为影响机制的认识。以往研究多从社交媒体情境探讨影响用户数字囤积行为的因素,并形成了一系列研究成果,但缺乏系统性理论视角,且对工作情境下员工群体特殊性的考虑不足。员工作为工作场所中的群体,其工作需求、动机、外部环境等与日常社交媒体情境下的用户存在根本区别,社交媒体情境下影响数字囤积行为的因素可能并不完全适合工作情境下的员工[1]。本研究以工作场所中的员工个体为研究对象,聚焦此群体的数字囤积行为[1-2,8],从个体内因要素和外因要素两个方面揭示工作场所导致员工数字囤积行为的重要诱因,构建工作情境下数字囤积行为前因影响模型。本研究丰富了数字囤积行为研究情境,扩展了员工这一群体数字囤积行为影响因素研究,不仅有助于扩充和深化数字囤积行为相关文献,也有助于增强对工作情境下员工群体理论的关注。
(2)本研究从归因理论视角构建数字囤积行为理论框架,拓展了归因理论应用情境和适用范围。已有研究多集中于社会心理学领域[40],如分析微博用户评论、从众信息分享成因等。归因理论认为,个体行为是个体内部原因和外部环境因素共同作用的结果[14],以往鲜有研究聚焦数字囤积主题讨论这一话题。工作情境下员工个体动机、心理等内部因素会直接引发个体行为,而技术情境、组织压力和竞争环境等外部环境因素则是个体行为的外部推动力[2,6,8],两者协同影响员工数字囤积行为。由此,本研究从心理和动机两个角度选取工作不安全感、感知有用性和工作责任感作为数字囤积行为的内因要素;从技术情境、组织压力和竞争环境层面分别选取AI技术应用、时间压力、行业竞争压力作为员工数字囤积行为的外因要素。本研究基于归因理论,从内部归因和外部归因整合视角探究数字囤积行为影响因素,通过个体因素和情境因素的联动作用,不仅丰富了归因理论在内部和外部因素融合影响个体行为机制研究中的应用,也拓展了归因理论的适用情境和使用边界,深化了数字囤积行为研究。
(3)本研究探讨数字囤积行为组态路径,进一步揭示员工数字囤积行为影响机理。已有研究多从单一视角出发考察某些特定因素对数字囤积行为的影响,且多采用传统线性回归方法,注重对单个要素净效应的探讨,忽视了各要素的综合效应,鲜少探究非高数字囤积行为产生的原因。本研究结合NCA和fsQCA方法,从组态视角探究数字囤积行为影响路径,揭示导致工作情境下高数字囤积行为的4条组态路径和员工产生非高数字囤积行为的3条组态路径。两种方法相结合不仅突破单一变量影响产生的局限性,还揭示行为的复杂因果关系与非对称性,有助于从整体视角理解工作情境下员工数字囤积行为影响机制,补充和深化工作情境下数字囤积行为前置因素和机理框架,为后续研究工作情境下其他群体数字囤积行为提供参考。
(1)管理员工数字资源,避免过度责任感导致的心理健康问题。通过对高数字囤积行为的4个组态进行横向对比发现,工作责任感在所有路径中均以核心条件出现。因此,需重视工作责任在数字囤积行为中起重要作用,界定个人工作职责范围,明确其对工作数据的保护内容和保存期限,作好个人数字资源管理。员工作为数字资源的生产者和使用者,在工作中每天接触海量数字资源,过度囤积数字资源不仅会降低个人工作效率,还可能导致数字信息杂乱无序进而引发心理焦虑、自我损耗等心理健康问题,甚至发展成为数字囤积症、信息焦虑症、数字成瘾等典型“信息疾病”[3]。只有正确看待工作责任,做好数字资源优先级管理,明确工作职责,才能更好地应对可能出现的心理健康问题。
(2)提高数字资源收集、识别与应用能力。研究发现,价值缺失型组态更有可能产生低数字囤积行为,感知有用性是导致数字囤积行为的关键因素。可见,员工应提高识别数字信息价值的能力,同时,对数字内容价值评价过高会加剧数字囤积行为[6]。实际上,每个人都有“一键收藏”后不再翻阅的经历,期望未来工作“有备无患”。虽然追求“有备无患”能够得到心理安慰,但收集信息的目的是为利用,若不加以利用则会事倍功半,不但占用资源也耗费时间。因此,要创造更多价值,识别信息价值、筛选有用信息并提高信息处理能力就尤为重要。
(3)合理规划工作时间,营造宽松工作环境。研究发现,在非高数字囤积行为的3个组态中,时间压力作为核心条件的缺失出现在所有路径中。这说明,员工在没有时间压力情况下会表现出较低的数字囤积行为。因此,员工有必要合理规划工作时间,合理分配各项工作任务和完成时间。另外,管理者也应为员工提供宽松的工作环境,调整工作任务的多样性与复杂性,确保员工处于合理的时间压力水平,消解员工数字囤积行为,实现企业与员工双赢。
本研究存在一定局限性:首先,从内因和外因两个维度选取6个前因变量,虽然这些变量具有较强的理论和现实依据,也符合QCA条件选择的基本要求,但仍有不少变量和影响路径有待挖掘,未来可选择其它指标以更全面地探索数字囤积行为影响机理。其次,仅探讨工作情境下数字囤积行为诱因,未来可进一步探索工作情境下数字囤积行为影响结果。最后,仅探究员工层面数字囤积行为影响因素,未来可针对不同工作情境中其他群体,如领导、创业者、团队等,探索不同群体数字囤积行为差异及影响机理。
[1] 吴大伟, 练靖雯, 赵宇翔, 等. 基于I-PACE模型的工作情境下数字囤积行为研究:影响因素和机理框架[J]. 情报资料工作, 2024, 45(4): 64-75.
[2] SWEETEN G, SILLENCE E, NEAVE N. Digital hoarding behaviours: underlying motivations and potential negative consequences[J]. Computers in Human Behavior, 2018, 85: 54-60.
[3] 赵栋祥. 大数据环境下个人的数字囤积行为研究——基于扎根理论的探索[J]. 中国图书馆学报, 2024, 50(1): 96-114.
[4] 谢笑, 高鑫圆, 汪卓赟, 等. 数字囤积:概念溯源、活动分析和研究展望[J]. 图书情报工作, 2023, 67(23): 124-137.
[5] HEIDER F.The psychology of interpersonal relations[M]. London:Psychology Press, 2013.
[6] 吴大伟, 赵宇翔. 工作情境下数字囤积行为影响机理的组态研究——基于两步fsQCA方法[J]. 情报理论与实践,2025,48(6):1-11.
[7] 吴旭瑶, 李静. 信息时代的“数字占有”——数字囤积及其相关研究[J]. 心理科学, 2021, 44(4): 800-806.
[8] MCKELLAR K, SILLENCE E, NEAVE N, et al. Digital accumulation behaviours and information management in the workplace: exploring the tensions between digital data hoarding, organisational culture and policy[J]. Behaviour and Information Technology, 2024, 43(6): 1206-1218.
[9] 贾明霞, 赵宇翔, 朱庆华, 等. 双系统理论视角下用户数字囤积行为的形成机理与演化路径研究[J]. 情报学报, 2024, 43(3): 339-356.
[10] WU D, ZHAO Y C, WANG X, et al. Digital hoarding in everyday hedonic social media use: the roles of fear of missing out (FoMO) and social media affordances[J]. International Journal of Human-Computer Interaction, 2024, 40(18): 5399-5414.
[11] 张成虎, 张一凡, 刘建新. 数字囤积行为的影响因素组态路径研究——基于fsQCA的分析[J]. 珞珈管理评论, 2023, 49(4): 90-111.
[12] NEAVE N, BRIGGS P, MCKELLAR K, et al. Digital hoarding behaviours: measurement and evaluation[J]. Computers in Human Behavior, 2019, 96: 72-77.
[13] MARTINKO M J, HARVEY P, DASBOROUGH M T. Attribution theory in the organizational sciences: a case of unrealized potential[J]. Journal of Organizational Behavior, 2011, 32(1): 144-149.
[14] 高记, 冯婧雯. 不利结果下算法决策对员工公平感的双刃剑效应:基于归因理论的视角[J]. 中国人力资源开发, 2024, 41(5): 36-53.
[15] WANG H, MIAO P, JIA H, et al. The dark side of upward social comparison for social media users: an investigation of fear of missing out and digital hoarding behavior[J]. Social Media Society, 2023, 9(1): 20563051221150420.
[16] 陈明淑, 周子旋. 工作不安全感对员工创造力的积极影响:基于压力学习效应的视角[J]. 中国人力资源开发, 2020, 37(5): 33-45.
[17] JIANDONG S, FAN X, HAITIAN L. How do high-performance work systems affect work fatigue: the mediating effect of job responsibility and role overload[J]. Plos One, 2022, 17(7): e0269452.
[18] 张恒, 高中华, 李慧玲. 增益还是损耗:人工智能技术应用对员工创新行为的“双刃剑”效应[J]. 科技进步与对策, 2023, 40(18): 1-11.
[19] FREY C B, OSBORNE M A. The future of employment: how susceptible are jobs to computerisation[J]. Technological Forecasting Social Change, 2017, 114: 254-280.
[20] 穆鑫岩, 毛日佑, 王婕. “温度”或“效率”?人工智能使用对员工工作行为的双刃剑效应研究 [J]. 中国人力资源开发, 2023, 40(9): 6-21.
[21] EINOLA K, KHOREVA V. Best friend or broken tool? exploring the co-existence of humans and artificial intelligence in the workplace ecosystem[J]. Human Resource Management,2023, 62(1): 117-135.
[22] RAISCH S, KRAKOWSKI S. Artificial intelligence and management: the automation-augmentation paradox[J]. Academy of Management Review, 2021, 46(1): 192-210.
[23] 王渊, 李浩, 郭武哲. 相似还是互补?时间个性异质性对创业团队决策绩效的影响[J]. 科技进步与对策, 2024, 41(18): 129-138.
[24] FERNANDEZ DE HENESTROSA M, SISCHKA P E, STEFFGEN G. Predicting challenge and threat appraisal of job demands among nurses: the role of matching job resources[J]. International Journal of Environmental Research Public Health, 2023, 20(2): 1288.
[25] 杨震宁, 童奕铭. 数字技术同群效应、组间压力与企业创新模式[J]. 外国经济与管理, 2025, 47(2): 135-152.
[26] 张明, 杜运周. 组织与管理研究中QCA方法的应用:定位、策略和方向[J]. 管理学报, 2019, 16(9): 1312-1323.
[27] DUL J.Necessary condition analysis (NCA) logic and methodology of "necessary but not sufficient" causality[J].Organizational Research Methods,2016,19(1):10-52.
[28] MAN TANG P, KOOPMAN J, MCCLEAN S T, et al. When conscientious employees meet intelligent machines: an integrative approach inspired by complementarity theory and role theory[J]. Academy of Management Journal, 2022, 65(3): 1019-1054.
[29] MARUPING L M, VENKATESH V, THATCHER S M, et al. Folding under pressure or rising to the occasion? perceived time pressure and the moderating role of team temporal leadership[J]. Academy of Management Journal, 2015, 58(5): 1313-1333.
[30] FANG E, ZOU S. Antecedents and consequences of marketing dynamic capabilities in international joint ventures[J]. Journal of International Business Studies, 2009, 40(5): 742-761.
[31] HELLGREN J, SVERKE M, ISAKSSON K. A two-dimensional approach to job insecurity: consequences for employee attitudes and well-being[J]. European Journal of Work Organizational Psychology, 1999, 8(2): 179-195.
[32] SUSSMAN S W, SIEGAL W S. Informational influence in organizations: an integrated approach to knowledge adoption[J]. Information Systems Research, 2003, 14(1): 47-65.
[33] FISS P. Building better causal theories: a fuzzy set approach to typologies in organization research[J]. Academy of Management Journal, 2011, 54(2): 393-420.
[34] 赵云辉, 梁宇奇, 冯泰文, 等. 营商环境生态如何驱动城市经济韧性提升——基于复杂系统观的组态分析[J]. 管理评论, 2025, 37(2): 57-71.
[35] 刘雨展, 王永伟, 耿森. 员工越轨创新行为的复杂驱动模式:能力、动机与机会的组合效应[J]. 科技进步与对策, 2025, 42(14): 139-149.
[36] RAGIN C C. Set relations in social research: evaluating their consistency and coverage[J]. Political Analysis, 2006, 14(3): 291-310.
[37] 杜运周, 刘秋辰, 陈凯薇, 等. 营商环境生态、全要素生产率与城市高质量发展的多元模式——基于复杂系统观的组态分析[J]. 管理世界, 2022, 38(9): 127-145.
[38] 王玲, 冯永春, 王亚茹. 先前经验、创业学习与环境不确定性如何激发创业想象力——基于模糊集定性比较分析[J/OL]. 科技进步与对策: 1-11[2025-06-06]. http://kns.cnki.net/kcms/detail/42.1224.G3.20241128.1529.010.html.
[39] 王琳, 杜田羽, 朱华健. 社交媒体环境下大学生数据囤积行为形成机理研究[J]. 情报理论与实践, 2022, 45(1): 22-29.
[40] 崔蕴学, 王贤文, 王勇臻. 归因理论视角下的学术引用行为研究:梳理与评析[J]. 情报理论与实践, 2023, 46(7): 168-177.