摘 要 零工經(jīng)濟(jì)新業(yè)態(tài)依托在線服務(wù)平臺迅速崛起， 成為創(chuàng)造就業(yè)機(jī)會與推動經(jīng)濟(jì)整體效率的重要引擎。平臺在利用大數(shù)據(jù)算法提高運(yùn)營效率的同時， 也在全景式動態(tài)追蹤數(shù)字零工的勞動過程， 導(dǎo)致其在與算法系統(tǒng)和平臺的互動中產(chǎn)生復(fù)雜多元的新型壓力體驗。然而， 現(xiàn)有研究并未清晰界定數(shù)字零工算法壓力的概念， 且無法提供可靠的測量工具， 上述研究缺口成為探究數(shù)字零工壓力反應(yīng)及其對平臺服務(wù)質(zhì)量影響的障礙。因此， 本研究圍繞“平臺算法壓力內(nèi)涵及其對數(shù)字零工主動服務(wù)行為的差異化影響”的核心研究主題， 基于算法管理功能與零工算法互動過程， 創(chuàng)造性提出數(shù)字零工算法壓力的新定義， 并通過開發(fā)科學(xué)的量表工具， 甄別算法壓力的結(jié)構(gòu)要素。在此基礎(chǔ)上， 結(jié)合壓力認(rèn)知評估理論， 基于挑戰(zhàn)性?阻斷性壓力認(rèn)知評估框架揭示算法壓力影響零工主動服務(wù)行為的增益路徑和損耗路徑， 以及雙元路徑發(fā)揮作用的邊界條件。本研究不僅拓展了零工經(jīng)濟(jì)背景下平臺算法研究的理論框架， 且能夠為有效發(fā)揮在線服務(wù)平臺算法的積極功能提供理論指引。

關(guān)鍵詞 算法壓力， 主動服務(wù)行為， 零工經(jīng)濟(jì)， 壓力認(rèn)知評估理論， 數(shù)字零工

分類號 B849： C93

1 研究背景與問題提出

黨的二十大報告提出， 支持和規(guī)范發(fā)展新就業(yè)形態(tài)， 加強(qiáng)靈活就業(yè)和新就業(yè)形態(tài)勞動者權(quán)益保障。在此背景下， 以在線服務(wù)平臺為基礎(chǔ)的新就業(yè)形態(tài)正在成為靈活就業(yè)的新趨勢， 越來越多的數(shù)字零工（Digital Gig Worker）依托平臺實現(xiàn)自我價值、獲得經(jīng)濟(jì)收益。然而， 依托算法系統(tǒng)的在線服務(wù)平臺在管理零工方面還面臨著多重挑戰(zhàn)（Wu & Huang， 2024）。例如， “被困在系統(tǒng)里的外賣騎手”等現(xiàn)象引起社會各界的廣泛關(guān)注與討論（劉善仕 等， 2022）， 在線服務(wù)平臺零工群體的流失率一直居高不下[1 《外賣騎手職業(yè)可持續(xù)發(fā)展調(diào)查報告》（新京報2020年11月發(fā)布）顯示， 騎手年平均流失率達(dá)到48.2%。]1; 國際勞工組織（ILO）的一份研究顯示， 算法系統(tǒng)對員工產(chǎn)生一系列壓力， 這份壓力傷害清單包括工作強(qiáng)度增加、算法歧視與偏見、身心健康壓力、收入不穩(wěn)定性、組織控制和監(jiān)控隱私等[ 《Sustainable Algorithmic Systems》， https：//www.ilo.org/ publications/sustainable-algorithmic-systems]， “如何從‘系統(tǒng)’里脫困？”成為擺在零工和在線服務(wù)平臺之間的一個重要議題。鑒于此， 有效厘清算法系統(tǒng)及其管理帶來的壓力問題及其后續(xù)影響， 對保護(hù)零工權(quán)益、促進(jìn)零工和在線服務(wù)平臺雙向發(fā)展具有重要的現(xiàn)實意義。

零工脫困呼吁、壓力負(fù)面清單的背后， 實際上反映了零工在面對算法管理的過程中承受了多重壓力， 包括實時監(jiān)控、時間約束和學(xué)習(xí)算法等。傳統(tǒng)的信息管理系統(tǒng)（如， HRIS、CRM等）在協(xié)同管理或輔助決策功能上并未脫離“人?人”互動的工作方式， 而在線服務(wù)平臺利用算法管理（Algorithmic Management; 劉善仕 等， 2022; M?hlmann et al.， 2021）， 通過高度自動化、數(shù)據(jù)驅(qū)動的方式執(zhí)行管理職能， 以一種“無形隱蔽”的方式使零工由“社會人”轉(zhuǎn)變?yōu)椤跋到y(tǒng)人” （裴嘉良 等， 2021; Wood et al.， 2019）， 形成一種新型的“人?算法”互動的工作方式（Duggan et al.， 2020; Wu et al.， 2023; Wu & Huang， 2024）。這些新的技術(shù)、工作方式與算法管理功能對零工的職業(yè)生涯帶來新的挑戰(zhàn)， 會被員工視為重要的工作壓力源， 算法壓力（Algorithmic Stressors）由此產(chǎn)生。然而， 探討這種算法壓力對于數(shù)字零工帶來的影響的研究結(jié)論彼此矛盾（Duggan et al.， 2020; 魏巍， 劉貝妮， 2023）。有學(xué)者認(rèn)為算法作為“主管”， 可以實行監(jiān)控追蹤、績效管理和工作解雇等管理功能， 以一種“數(shù)字化泰勒管理”的形式控制和管理零工（Galière， 2020）。相反， 亦有學(xué)者指出這種嚴(yán)格的管理模式將零工的績效與薪酬緊密相連， 增加了創(chuàng)造性活動投入與回報的關(guān)聯(lián)性， 零工會積極地向創(chuàng)造性活動發(fā)起挑戰(zhàn)（馬君， 趙爽， 2022）。由此可見， 算法壓力對零工的心理和行為產(chǎn)生了復(fù)雜的雙面影響， 但目前對于這種新型工作壓力源的研究卻較為匱乏。

相關(guān)理論研究中， 初期以宏觀政策作為主要視角， 主要關(guān)注零工的社會保障、在線服務(wù)平臺的秩序規(guī)則等問題（Garben， 2019; 龍立榮 等， 2021; Vallas & Schor， 2020）， 僅有為數(shù)不多的定性描述對零工的工作狀態(tài)、壓力體驗情況等進(jìn)行了探討（如： 李勝藍(lán)， 江立華， 2020）。近期國內(nèi)外學(xué)者雖然研究算法管理、人與算法互動、算法控制對零工帶來的壓力體驗（如Jago et al.， 2024; Lu et al.， 2024; Wiener et al.， 2023; Wu et al.， 2023）， 但這些研究大多沒有考慮到算法的功能特征及其與數(shù)字零工的互動過程。此外， 零工在面對算法壓力時， 可能面臨著挑戰(zhàn)性和阻斷性評估并存的狀況。已有研究大多從阻斷性視角出發(fā)， 認(rèn)為算法壓力給零工帶來了負(fù)面的工作體驗， 如感知社會地位降低（Jago et al.， 2024）， 感知工作要求增加（Lu et al.， 2024）， 增加額外工作量（Wu et al.， 2023）， 僅有少數(shù)研究從挑戰(zhàn)性視角出發(fā)， 認(rèn)為算法壓力也可賦能于零工的工作任務(wù)， 如改進(jìn)知識工作（Amaya & Holweg， 2024）， 激發(fā)創(chuàng)造力（馬君， 趙爽， 2022）， 提高工作技能（魏巍， 劉貝妮， 2023）?？傮w而言， 目前有關(guān)算法壓力的研究在微觀層面探討不足， 算法壓力作為一種新型壓力源， 有著不同于傳統(tǒng)工作壓力和算法體驗的誘生情境與表現(xiàn)方式， 其內(nèi)涵和影響有其自身獨(dú)特性。并且在探討算法壓力對零工帶來的復(fù)雜影響時， 亟需采用一種整合的視角（如： 馬君， 趙爽， 2022; 魏巍， 劉貝妮， 2023）， 以更加系統(tǒng)地描繪出算法壓力帶來的雙面影響。

此外， 對于在線服務(wù)平臺而言， 其核心競爭力在于向客戶提供更加優(yōu)質(zhì)的服務(wù)， 這依賴于零工自發(fā)、長久地提供超出既定服務(wù)規(guī)范和標(biāo)準(zhǔn)程序的主動服務(wù)行為（Bashir & Nadeem， 2019; Rank et al.， 2007）; 這種主動服務(wù)行為對數(shù)字零工也有著重要意義， 在線服務(wù)平臺主要通過客戶評價來評估零工的績效（Wu & Huang， 2024）， 客戶評價影響著零工未來的訂單情況（Kellogg et al.， 2020）， 這時零工主動為顧客提供難忘且個性化的服務(wù)體驗就顯得尤為重要。然而， 現(xiàn)有文獻(xiàn)主要探討了算法管理對零工的績效、健康、幸福感、職業(yè)發(fā)展等產(chǎn)生的影響（Parent-Rocheleau & Parker， 2022; Wu & Huang， 2024）， 對于零工的服務(wù)行為， 特別是主動服務(wù)行為關(guān)注不足。隨著在線服務(wù)平臺算法功能的迭代完善與管理標(biāo)準(zhǔn)的日益嚴(yán)苛， 面對算法壓力這一新型壓力源， 數(shù)字零工的主動服務(wù)行為到底會產(chǎn)生如何變化， 目前研究也尚未給出確定的解答。

基于此， 本研究的研究目的一是基于在線服務(wù)平臺算法管理帶來的新型工作特征， 結(jié)合零工與算法系統(tǒng)的交互過程， 界定“數(shù)字零工算法壓力”的概念， 并擬提出具體的細(xì)分維度。研究目的二則是在上述基礎(chǔ)上以壓力認(rèn)知評估理論為理論框架， 探究數(shù)字零工算法壓力對主動服務(wù)行為的增益和損耗路徑。一方面， 算法管理可通過動態(tài)獲取零工的服務(wù)數(shù)據(jù)， 為零工的工作表現(xiàn)提供及時性和個性化的績效反饋， 協(xié)助零工改進(jìn)服務(wù)行為; 另一方面， 算法管理全景式的監(jiān)控方式與單兵作戰(zhàn)式的管理模式對零工的心理健康與服務(wù)行為積極性產(chǎn)生負(fù)面影響。研究目的三則是探討上述增益和損耗路徑的邊界條件。在“人本”思想指導(dǎo)下， 探討算法系統(tǒng)與組織管理的協(xié)同作用， 聚焦于具有實踐意義的算法公平性和平臺算法支持， 以期探討這兩種資源在挑戰(zhàn)性?阻斷性算法壓力對認(rèn)知形成影響的不同路徑中發(fā)揮的跨層次調(diào)節(jié)作用。

圍繞數(shù)字零工算法壓力對主動服務(wù)行為的影響這一研究主題， 本研究首先明晰數(shù)字零工算法壓力的概念、內(nèi)涵與維度， 開發(fā)完善可靠的測量工具， 從而深化平臺經(jīng)濟(jì)背景下數(shù)字零工算法壓力的概念研究; 其次， 基于壓力認(rèn)知評估理論， 探究算法壓力影響零工主動服務(wù)行為的挑戰(zhàn)?阻斷認(rèn)知評估雙元路徑， 為理解算法壓力的差異化影響提供思路與啟示; 最后， 以算法公平性和平臺算法支持為調(diào)節(jié)變量探索數(shù)字零工算法壓力對主動服務(wù)行為的邊界條件， 為全面提高在線服務(wù)平臺運(yùn)營效率提供重要的理論和實踐指導(dǎo)。

2 研究現(xiàn)狀與述評

2.1 壓力認(rèn)知評估理論

壓力認(rèn)知評估理論（Cognitive Appraisal Theory of Stress）由Arnold （1960）和Lazarus （1991）提出， 以解釋外部壓力源對員工行為的差異化影響機(jī)制（Lazarus， 1991）。該理論強(qiáng)調(diào)， 外部環(huán)境要求不會直接影響個體行為， 而是通過影響個體的認(rèn)知和情緒來影響個體行為。這一過程主要涉及認(rèn)知評估（初評估）、應(yīng)對策略（次評估）和情緒反應(yīng)（再評估）三個過程（理論模型見圖1）。具體而言， 當(dāng)員工遇到超出其資源和能力的環(huán)境要求時， 評估過程就會啟動。在這個過程中， 員工評估環(huán)境需求對自身是有益的、有害的或無關(guān)的。隨后個體進(jìn)入應(yīng)對策略和情緒反應(yīng)階段， 判斷自己是否能夠應(yīng)對當(dāng)前的環(huán)境要求， 并表現(xiàn)出相應(yīng)的情緒反應(yīng)。當(dāng)個體判斷自己可以應(yīng)對當(dāng)前的環(huán)境要求， 心理生理喚起水平降低， 員工進(jìn)入放松的情緒狀態(tài)。反之， 會促使員工產(chǎn)生緊張焦慮等負(fù)面情緒（Reeve， 2018）。此時， 個體的行為與認(rèn)知或情緒反應(yīng)密切聯(lián)系， 個體采取何種性質(zhì)的行為取決于個體當(dāng)時的情緒反應(yīng)， 而個體的情緒反應(yīng)取決于對外部環(huán)境要求的評估和應(yīng)對。

現(xiàn)有研究支持了個體的情緒反應(yīng)在整體壓力過程中的關(guān)鍵作用。既有研究發(fā)現(xiàn)， 較高程度的外部壓力可能會導(dǎo)致負(fù)面的身體和情緒健康反應(yīng)（Nixon et al.， 2011）， 進(jìn)而引發(fā)員工表現(xiàn)不佳， 并且積極情緒能夠緩沖負(fù)面壓力源的影響（D’Arcy & Teh， 2019）。有學(xué)者發(fā)現(xiàn)， 當(dāng)對外部壓力源產(chǎn)生挑戰(zhàn)性認(rèn)知評估時， 員工會產(chǎn)生對結(jié)果的正面預(yù)期， 挑戰(zhàn)性工作壓力會促進(jìn)員工的自信、專注等積極情緒， 對工作績效和組織公民行為產(chǎn)生正向影響（Eatough et al.， 2011）。相反， 當(dāng)對壓力源產(chǎn)生阻斷性認(rèn)知評估時， 員工會產(chǎn)生負(fù)面的工作預(yù)期（劉得格 等， 2011）。因此， 阻斷性工作壓力會引發(fā)員工的緊張、焦慮與疲憊等消極情緒， 負(fù)向影響工作績效和組織公民行為（Rodell & Judge， 2009）。相關(guān)研究也探討了壓力認(rèn)知評估過程的影響因素， 領(lǐng)導(dǎo)風(fēng)格、組織支持等情境因素的調(diào)節(jié)作用得到支持。例如， 當(dāng)員工在面臨創(chuàng)新績效的壓力時， 道德型領(lǐng)導(dǎo)風(fēng)格往往引導(dǎo)他們進(jìn)行挑戰(zhàn)性評估， 而非阻斷性評估（Liu et al.， 2022）。組織支持（Neves etal.， 2018）以及參與氛圍（Pa?kvan et al.， 2016）等因素則有助于減少員工對壓力源的負(fù)面認(rèn)知和評估。

壓力認(rèn)知評估理論為本研究提供了整體框架， 幫助理解個體如何解讀和評估外部壓力源， 并據(jù)此調(diào)整其心理和行為反應(yīng)。首先， 對于數(shù)字零工而言， 算法管理作為一種新興且復(fù)雜的工作壓力源， 與壓力認(rèn)知評估理論注重個體在應(yīng)對壓力時的主動性和選擇性的觀點(diǎn)不謀而合， 為研究數(shù)字零工如何認(rèn)知和評估算法壓力提供了個體與外部環(huán)境“互動”的視角（姜福斌， 王震， 2022; Lazarus & Folkman， 1984）。因此拓展了理論的應(yīng)用范圍。其次， 從認(rèn)知評估過程機(jī)制方面， 認(rèn)知評估與應(yīng)對策略的關(guān)系在以往研究中并沒有一致結(jié)論。近期研究中提出， 雖沒有明確界定二者關(guān)系， 仍應(yīng)遵循“認(rèn)知評估首先引發(fā)個體應(yīng)對， 進(jìn)而影響個體結(jié)果”這一邏輯（姜福斌， 王震， 2022）， 本研究通過建立認(rèn)知反應(yīng)?情緒反應(yīng)的中介機(jī)制鏈條， 響應(yīng)這一研究趨勢， 為理論要素間的精確關(guān)系的建立提供實證結(jié)果， 進(jìn)而拓展理論的解釋力度和范圍。

2.2 組織中的算法管理

2.2.1 算法管理的概念

近年來， 算法系統(tǒng)正逐漸開始執(zhí)行以往由中高層管理者負(fù)責(zé)的管理工作， Lee （2018）提出“算法管理”一詞， 用來描述Uber和Lyft司機(jī)被算法篩選、引導(dǎo)和規(guī)制的新實踐機(jī)制。Duggan等（2020）將算法管理定義為一種控制系統(tǒng)， 其中自學(xué)習(xí)算法被賦予制定和執(zhí)行影響零工勞動決策的責(zé)任， 從而限制了人類對勞動過程的參與和監(jiān)督。這一定義同時反映了算法的技術(shù)屬性和管理的社會屬性， 贏得了許多學(xué)者的支持。一方面， 算法管理依賴大數(shù)據(jù)、互聯(lián)網(wǎng)、機(jī)器學(xué)習(xí)等核心數(shù)字技術(shù)將工作者的服務(wù)過程轉(zhuǎn)換為可處理的數(shù)據(jù)， 并基于目標(biāo)函數(shù)來監(jiān)督優(yōu)化每位工作者的工作過程（M?hlmann et al.， 2021）; 另一方面， 算法承擔(dān)了原本由中高層管理者承擔(dān)的部分管理職能。這種管理方式通過在平臺上大規(guī)模收集和使用數(shù)據(jù)來開發(fā)和改進(jìn)學(xué)習(xí)算法， 這些算法可以協(xié)調(diào)和執(zhí)行傳統(tǒng)上由管理人員執(zhí)行的管理職能（M?hlmann etal.， 2021）， 例如任務(wù)分配、持續(xù)規(guī)范指導(dǎo)和追蹤評估等管理工作（Duggan et al.， 2020）， 從而實現(xiàn)了一種“算法主管”的效果。

現(xiàn)有研究基于勞動過程視角， 剖析算法管理在實踐中具體的運(yùn)作過程， 并關(guān)注其發(fā)揮的管理功能。例如， Duggan等（2020）提出算法目前能夠執(zhí)行4種管理功能：即時追蹤、評估、監(jiān)控以及規(guī)制; 劉善仕等（2022）提出在線服務(wù)平臺的勞動過程可以被劃分為匹配、控制、激勵和反饋4個階段， 各階段分別承擔(dān)任務(wù)分配、行為控制、動態(tài)定價和績效評估4種功能; Parent-Rocheleau和Parker （2022）通過文獻(xiàn)綜述總結(jié)了一系列更為全面的算法管理功能， 包括監(jiān)控追蹤、目標(biāo)設(shè)定、績效管理、日程安排、激勵薪酬和工作解雇; 高雪原等（2023）從平臺的工作要求考慮， 將人與算法的互動過程具體分為任務(wù)分配、規(guī)范指導(dǎo)與追蹤評估。結(jié)合算法壓力的影響因素（新的互動方式與算法功能）以及研究成果的全面性和具體性， 本研究擬采用Parent-Rocheleau和Parker （2022）提出的算法管理功能以及高雪原等（2023）提出的互動過程。

2.2.2 算法管理的功能

Parent-Rocheleau和Parker （2022）提出的6項算法管理功能包括：監(jiān)控追蹤、目標(biāo)設(shè)定、績效管理、日程安排、激勵薪酬和工作解雇。具體而言：監(jiān)控追蹤是指算法可以自動收集和分析工作數(shù)據(jù)以持續(xù)地監(jiān)測和控制零工的勞動過程（Duggan et al.， 2020）。這種功能有助于平臺迅速發(fā)現(xiàn)問題， 滿足客戶需求與時間， 但限制了零工的工作靈活性和自主性（Vallas & Schor， 2020）; 目標(biāo)設(shè)定是指算法通過數(shù)據(jù)分析， 可以幫助平臺設(shè)定更精準(zhǔn)、量化的工作目標(biāo)（Parent-Rocheleau & Parker， 2022; Wu & Huang， 2024）。例如， 在快遞和外賣服務(wù)中， 算法將零工的實時位置信息和任務(wù)信息進(jìn)行結(jié)合， 為客戶實時更新預(yù)計送達(dá)時間（Duggan et al.， 2020）; 績效管理是指算法提供更多精確量化零工行為、情感、表現(xiàn)、態(tài)度和身體狀況的績效指標(biāo)， 也包括客戶滿意度、流量等評價信息（Parent-Rocheleau & Parker， 2022）， 根據(jù)這些指標(biāo)和信息算法能夠自動化地評估和反饋零工的績效; 日程安排是指算法能夠在特定時間段內(nèi)確定用戶需求與勞動供給的最佳匹配。例如， 在外賣服務(wù)中， 算法經(jīng)常采用“動態(tài)定價”的策略， 在用戶需求高峰期提供更高的任務(wù)完成價格（Wu & Huang， 2024）; 激勵薪酬是指算法履行績效管理的職責(zé)后， 可以將精細(xì)化的績效指標(biāo)和客戶滿意度作為激勵和薪酬的基礎(chǔ)（Parent-Rocheleau & Parker， 2022）， 對平臺工作者進(jìn)行獎勵或懲罰（劉善仕 等， 2022）; 工作解雇指的是算法能夠做出解雇員工的決定（Parent-Rocheleau & Parker， 2022）， 通過識別出績效不達(dá)標(biāo)、違反規(guī)則的數(shù)字零工， 并采取一系列措施， 從最初的警告到最終的解雇（賬號封停等形式） （Wu et al.， 2019）。

綜上所述， 算法管理在當(dāng)今平臺經(jīng)濟(jì)背景下備受關(guān)注， 但現(xiàn)有研究雖探討了其概念與功能， 卻鮮有從算法管理功能出發(fā)， 結(jié)合零工與算法的交互， 再到零工行為作用構(gòu)建系統(tǒng)框架的嘗試。這一缺失使得在具體情境中探討數(shù)字零工算法壓力的概念與維度變得困難。算法管理不僅是技術(shù)應(yīng)用， 更是組織內(nèi)部復(fù)雜互動的一環(huán)。目前的研究缺乏對零工與算法間交互細(xì)節(jié)的深入分析， 未能揭示這一互動如何影響零工的行為與心理。因此， 需要構(gòu)建一個更為全面、系統(tǒng)的框架， 以深入理解算法管理在零工行為中的作用機(jī)制， 進(jìn)而為數(shù)字算法壓力的研究提供有力支撐。

2.3 算法管理工作特征下的算法壓力

2.3.1 算法壓力的概念

在線服務(wù)平臺應(yīng)用算法系統(tǒng)取代了人類管理者， 重塑了平臺組織、協(xié)調(diào)、管理零工的實際活動， 形成了與傳統(tǒng)雇傭組織不同的環(huán)境特征。具體而言， 借助算法系統(tǒng)， 在線服務(wù)平臺能夠即時追蹤和監(jiān)控零工的工作行為、設(shè)定工作目標(biāo)、評估績效、調(diào)度安排、薪酬管理和工作解雇（Parent-Rocheleau & Parker， 2022）， 以實現(xiàn)對海量數(shù)字零工的即時任務(wù)分配、持續(xù)規(guī)范指導(dǎo)和追蹤評估（Duggan et al.， 2020）。與傳統(tǒng)組織雇員相比， 零工群體在這一管理過程中面臨著更大的收益不穩(wěn)定性和工作不安全感， 以及更高的工作約束性、工作流動性、工作控制性、職業(yè)不確定性和社會關(guān)系隔離等新型壓力源（Ashford et al.， 2018; Duggan et al.， 2020）， 這些壓力源構(gòu)成了零工群體所面對的特殊工作壓力——算法壓力。例如， 數(shù)字零工與在線服務(wù)平臺談判薪酬的能力有限， 經(jīng)常受到不公平對待（Auer et al.， 2021）。由于在線服務(wù)平臺形成了具有高度競爭、時間緊迫和動態(tài)變化的工作環(huán)境， 并在算法管理過程中向零工提出了關(guān)于適應(yīng)工作環(huán)境、完成工作內(nèi)容和克服自身損耗等方面的工作要求， 進(jìn)而導(dǎo)致一系列負(fù)面壓力體驗結(jié)果， 包括強(qiáng)烈的負(fù)面情緒， 更高的壓力感知、更低的工作幸福感和滿意度等（Brough et al.， 2013; Lesener et al.， 2019; Nielsen et al.， 2011; Rhee et al.， 2017）。因此， 本研究認(rèn)為在線服務(wù)平臺在應(yīng)用算法系統(tǒng)時， 零工可能會感知到特殊工作壓力源， 是零工因面對算法所做出生理、心理和行為反應(yīng)的綜合模式。

2.3.2 算法管理和算法壓力在組織管理中的研究進(jìn)展

通過回顧文獻(xiàn)可以清晰地發(fā)現(xiàn)， 近10年來， 算法管理在零工經(jīng)濟(jì)領(lǐng)域的探討呈現(xiàn)出蓬勃發(fā)展的態(tài)勢。這一領(lǐng)域現(xiàn)有研究基于算法技術(shù)、數(shù)字平臺、零工經(jīng)濟(jì)的興起等新興實踐背景， 圍繞由此產(chǎn)生的工作特征及其影響效應(yīng)等微觀層面核心議題， 從不同視角深入剖析了個體對算法管理模式的認(rèn)知框架、情感體驗及相應(yīng)的應(yīng)對策略（謝小云 等， 2021）， 其核心聚焦于算法管理如何重塑工作特征， 并探討這些變化如何引發(fā)一系列積極體驗或負(fù)面感知。具體而言， 傳統(tǒng)工作壓力視角下， 研究側(cè)重于關(guān)注零工經(jīng)濟(jì)中工作負(fù)荷的加?。⊿hevchuk et al.， 2018; Wood et al.， 2019）、工作與生活界限的模糊（Nguyen-Phuoc et al.， 2022）等壓力源分析， 認(rèn)為零工面臨著情緒耗竭、健康壓力、創(chuàng)造力降低等問題; 而在工作資源視角， 研究關(guān)注了工作意義、社會支持等方面， 及其對創(chuàng)造力（馬君， 趙爽， 2022）、心理韌性（Granger et al.， 2022）以及幸福感（Nguyen-Phuoc et al.， 2022）的增益作用。例如， Tarafdar等（2019）認(rèn)為算法管理帶來了靈活的時間、地點(diǎn)和工作選擇， 這些工作特征有助于增強(qiáng)零工的工作幸福感。

近年來， 隨著對算法控制實踐應(yīng)用的理解不斷深入， 研究焦點(diǎn)逐步突破了傳統(tǒng)單一壓力源或資源視角， 轉(zhuǎn)而向算法管理下的獨(dú)特情景因素與個體反應(yīng)聚焦， 更加細(xì)致全面地關(guān)注到算法管理功能。諸多學(xué)者詳細(xì)探究算法管理帶來的新型工作特征， 高雪原等（2023）基于扎根理論厘清零工面臨的工作要求與工作資源的變動情況， 并結(jié)合零工個體資源編排過程識別出包含規(guī)范壓力、時間壓力、疏離壓力、身心壓力4個維度的零工工作者工作壓力概念; 裴嘉良等（2024）發(fā)現(xiàn)由算法管理帶來的追蹤評估、行為約束等工作特征， 會使得零工群體面臨著高強(qiáng)度、高壓力和高風(fēng)險的過度勞動困境。這些工作特征深刻地影響了零工的心理與行為狀態(tài)， 導(dǎo)致諸如工作退縮行為增多（高雪原 等， 2023）、離職傾向上升（玉勝賢 等， 2024）等一系列負(fù)面后果。具體舉例如表1所示。

進(jìn)一步進(jìn)行系統(tǒng)綜述發(fā)現(xiàn)， 隨著有關(guān)算法壓力問題的凸顯， 學(xué)者們開始關(guān)注個體層面算法壓力的影響機(jī)制。已有研究對算法壓力的產(chǎn)生機(jī)制有所關(guān)注。例如， Parent-Rocheleau和Parker （2022）認(rèn)為較高程度的算法管理功能的使用會產(chǎn)生更高水平的工作負(fù)荷、身心疲憊和工作不安全感等工作特征， Moore和Hayes （2018）認(rèn)為算法管理功能會帶來個體自主性、任務(wù)多樣性、工作復(fù)雜性等工作特征。而關(guān)于算法壓力的影響機(jī)制方面， 一些研究發(fā)現(xiàn)， 算法壓力可能會提高個體的工作強(qiáng)度， 進(jìn)而導(dǎo)致其更為嚴(yán)重的資源損耗。例如， 有學(xué)者圍繞東南亞和南非地區(qū)的平臺進(jìn)行半結(jié)構(gòu)化訪談后發(fā)現(xiàn)， 以滿足顧客需求為中心的算法控制壓力可能會導(dǎo)致個體在正常工作時間之外不規(guī)律地高強(qiáng)度工作， 并加劇過度勞累、睡眠不足和疲憊等問題（Wood et al.， 2019）。也有學(xué)者表明， 被置于無處不在且高強(qiáng)度的算法監(jiān)控壓力下， 個體可能會產(chǎn)生強(qiáng)烈的隱私侵犯感知， 并激發(fā)較強(qiáng)的抵抗動機(jī)和負(fù)面情緒， 消耗大量心理資源， 最終導(dǎo)致工作滿意度的降低（Van Doorn， 2017）。對于算法管理特征對工作要求與工作資源的影響的相關(guān)研究， 本研究歸納為圖2所示。

雖然算法壓力對零工工作行為的影響已經(jīng)逐漸受到管理心理學(xué)與組織行為學(xué)領(lǐng)域?qū)W者的關(guān)注， 也開始取得一定的研究成果， 但受限于算法壓力管理研究的難度， 研究仍舊處于起步階段， 研究結(jié)論呈現(xiàn)碎片化并缺乏系統(tǒng)性。關(guān)于算法壓力如何影響零工主動服務(wù)行為與平臺服務(wù)質(zhì)量這一核心研究問題， 現(xiàn)有文獻(xiàn)在測量工具方面， 算法壓力這一概念缺乏清晰的界定與可靠的測量工具， 少數(shù)定性研究對零工的工作狀態(tài)、壓力體驗情況等進(jìn)行了探討， 但缺少對零工壓力類型、壓力內(nèi)容及其影響機(jī)制的深入探究， 同時也缺乏對不同于傳統(tǒng)雇傭范式下的正式員工（即零工經(jīng)濟(jì)業(yè)態(tài)下的零工）所面對的新形式壓力源的關(guān)注; 壓力性質(zhì)方面， 對于“算法壓力作為一種新興壓力源”的關(guān)注不足， 已有研究主要探討了算法管理引起的工作特征改變， 及工作特征所產(chǎn)生的壓力體驗。但沒有關(guān)注到因算法管理所具有獨(dú)特功能和交互體驗所產(chǎn)生的特殊壓力源， 也無法為算法壓力提供一個清晰的概念界定與內(nèi)涵解釋， 因此本研究從算法管理功能和交互過程的角度出發(fā)， 進(jìn)一步明確這種新型的壓力源; 過程機(jī)制方面， 當(dāng)前學(xué)者并未結(jié)合在線服務(wù)平臺算法管理的數(shù)字化特征與人?機(jī)交互的視角， 并且算法管理對零工工作行為的影響相關(guān)研究仍舊聚焦于其負(fù)面效應(yīng)， 對于算法壓力與主動性服務(wù)行為的關(guān)系不明確。本研究在明晰新型工作壓力源的基礎(chǔ)上， 構(gòu)建了一個在線服務(wù)平臺算法壓力對零工主動服務(wù)行為的增益/損耗雙元路徑， 結(jié)合將算法系統(tǒng)與人類的協(xié)同管理有效探索算法壓力的解決路徑。

3 研究構(gòu)想

本研究立足于零工經(jīng)濟(jì)背景， 在算法管理研究的基礎(chǔ)上， 提出“數(shù)字零工算法壓力”的概念， 首先探討概念內(nèi)涵與維度結(jié)構(gòu)， 然后引入挑戰(zhàn)性?阻斷性壓力認(rèn)知評估的雙元路徑， 探討其對主動服務(wù)行為作用路徑與邊界條件， 以回答“零工算法壓力是什么？如何影響零工的主動服務(wù)行為？”等關(guān)鍵科學(xué)問題。具體有三方面的研究目標(biāo)：

（1）從在線服務(wù)平臺算法管理的功能特征出發(fā)， 結(jié)合零工與算法系統(tǒng)交互過程， 綜合運(yùn)用定性研究與定量研究方法， 界定數(shù)字零工算法壓力的概念， 并提煉出算法壓力的細(xì)分維度， 解析其內(nèi)涵， 進(jìn)而開發(fā)測量工具。

（2）基于壓力認(rèn)知評估理論， 探究算法壓力的挑戰(zhàn)性?阻斷性認(rèn)知評估影響零工主動服務(wù)行為的差異化作用機(jī)制， 為明確數(shù)字零工算法壓力對零工主動服務(wù)行為的影響提供理論依據(jù)。

（3）基于數(shù)字零工算法壓力對零工主動服務(wù)行為的增益/損耗雙元路徑， 進(jìn)一步探究平臺算法公平性與平臺算法支持的跨層次調(diào)節(jié)作用， 明確組織層面的算法特征如何作為邊界條件在差異化壓力影響路徑中發(fā)揮作用。

與研究目標(biāo)相對應(yīng)， 本研究共包括3個子研究， 總體框架如圖3所示。

3.1 研究1：數(shù)字零工算法壓力的定義、內(nèi)涵與測量方式

3.1.1 數(shù)字零工算法壓力的概念界定

算法管理作為一個動態(tài)且迭代的管理過程， 它依賴于大數(shù)據(jù)驅(qū)動的績效和運(yùn)營指標(biāo)的不斷優(yōu)化， 從而在提升零工工作效率的同時， 也可能對零工的壓力體驗產(chǎn)生持續(xù)影響， 動態(tài)算法要求等新工作特征進(jìn)而為零工工作壓力賦予了新的內(nèi)涵。結(jié)合算法系統(tǒng)被賦予高度決策權(quán)和零工這一自雇傭群體的特點(diǎn)（劉善仕 等， 2022）， 本研究創(chuàng)新性地提出數(shù)字零工算法壓力（Algorithmic Stressors on Digital Gig Workers）的概念， 并將其定義為：數(shù)字零工在平臺算法管理下在與算法交互過程中產(chǎn)生的壓力體驗， 這些壓力體驗的類型與算法管理的不同功能相關(guān)。具體來說， 零工經(jīng)濟(jì)背景下， 平臺企業(yè)采用算法系統(tǒng)實現(xiàn)監(jiān)控追蹤、目標(biāo)設(shè)定、績效管理、日程安排、薪酬激勵、工作解雇等管理職能， 對工作分配、評估、及時反饋和用戶反饋等任務(wù)進(jìn)行自動化處理， 零工通過在線服務(wù)平臺接受和完成任務(wù)時， 為適應(yīng)算法管理所帶來的自動化和動態(tài)化的工作要求而引發(fā)心理和生理壓力， 這種壓力相較常態(tài)工作壓力更具動態(tài)性與交互性。本研究首先結(jié)合進(jìn)一步的深度訪談、內(nèi)容分析和扎根理論等質(zhì)性研究方法對這一概念內(nèi)涵進(jìn)行完善。

3.1.2 數(shù)字零工算法壓力的維度結(jié)構(gòu)

根據(jù)已有研究， 在線服務(wù)平臺能夠基于算法系統(tǒng)實現(xiàn)監(jiān)控追蹤、目標(biāo)設(shè)定、績效管理、日程安排、薪酬激勵、工作解雇等6項管理功能， 涉及前期任務(wù)分配、中期規(guī)范指導(dǎo)、后期追蹤評估三個環(huán)節(jié)的工作內(nèi)容（高雪原 等， 2023; Parent- Rocheleau & Parker， 2022）。具體地， 在前期任務(wù)

分配方面， 平臺依據(jù)算法系統(tǒng)實現(xiàn)自動、智能任務(wù)分配， 零工可在網(wǎng)站或APP上完成自主搶單; 在中期規(guī)范指導(dǎo)方面， 平臺依據(jù)算法系統(tǒng)實時監(jiān)控、跟蹤和記錄零工是否具有偏離系統(tǒng)預(yù)設(shè)標(biāo)準(zhǔn)的行為并進(jìn)行提醒， 如完成任務(wù)即將超時、未按規(guī)定路線完成任務(wù)等（Newlands， 2021）; 在后期追蹤評估方面， 平臺依據(jù)算法系統(tǒng)內(nèi)置導(dǎo)航實時定位追蹤零工的行動軌跡， 統(tǒng)計已完成的任務(wù)量、接受和完成任務(wù)的時效和顧客滿意度等指標(biāo)， 并對其勞動結(jié)果等進(jìn)行等級評價， 并以此聯(lián)動獎懲和后續(xù)任務(wù)分配（Kellogg et al.， 2020）。

基于上述算法管理的6項管理功能和算法系統(tǒng)在三個工作環(huán)節(jié)中發(fā)揮的作用， 結(jié)合對現(xiàn)有文獻(xiàn)的梳理， 本研究總結(jié)提煉了在線服務(wù)平臺數(shù)字零工面臨的算法壓力的具體維度。勞動評價壓力是零工在規(guī)范指導(dǎo)和評估應(yīng)用中持續(xù)面臨的挑戰(zhàn)， 平臺基于動態(tài)評價和全面監(jiān)控要求零工始終符合平臺服務(wù)標(biāo)準(zhǔn)。算法學(xué)習(xí)壓力迫使零工不斷針對新的軟件功能和算法規(guī)則進(jìn)行適應(yīng)性學(xué)習(xí)。時間約束壓力則體現(xiàn)為競爭性的任務(wù)期限， 要求零工以優(yōu)秀同行、以歷史記錄為標(biāo)準(zhǔn)高效完成任務(wù)。規(guī)范控制壓力確保零工行為符合預(yù)設(shè)標(biāo)準(zhǔn)， 行為偏離則會導(dǎo)致懲罰。算法不確定性壓力源于算法決策過程的不確定性， 使零工難以預(yù)測勞動成果與收益。算法不安全感源于對算法系統(tǒng)穩(wěn)定性和可靠性的擔(dān)憂， 以及算法決策引發(fā)的工作機(jī)會剝奪擔(dān)憂。社會隔離壓力則反映了零工在在線環(huán)境中缺乏面對面交流和社會支持的問題， 與技術(shù)進(jìn)行交互的增加會削弱零工的歸屬感。具體維度如圖4所示。

3.1.3 數(shù)字零工算法壓力的量表開發(fā)與驗證

根據(jù)Hinkin （1998）提出的規(guī)范量表開發(fā)步驟， 采用演繹法與歸納法相結(jié)合生成數(shù)字零工算法壓力量表的初始題項。首先， 通過演繹法， 整合已有的算法管理文獻(xiàn)， 界定算法壓力的內(nèi)涵， 基于現(xiàn)有量表抽取出與算法壓力定義相匹配的代表性題項作為第一部分的初始題項。其次， 通過歸納法， 采用半結(jié)構(gòu)化訪談和內(nèi)容分析等途徑搜集零工和站點(diǎn)管理者對算法壓力內(nèi)容的描述， 并在此基礎(chǔ)上進(jìn)行篩選和分類， 形成第二部分的初始題項。本研究采用演繹法和歸納法相結(jié)合的混合研究方法， 一方面能夠保證量表的內(nèi)容效度， 同時也使量表的題項更貼近在線服務(wù)平臺算法管理這一研究情境。

對于形成的初始量表題項， 首先， 經(jīng)過專家和博士生對題項語言表述的推敲完善， 利用Q-sorting檢驗刪除與算法壓力定義不一致的題項， 以此保證量表具有較好的內(nèi)容效度。其次， 采用

樣本一進(jìn)行預(yù)測試， 主要目的是對量表進(jìn)行修訂， 利用Cronbach’s α系數(shù)和單項?總量修正系數(shù)（CITC系數(shù)）對初始問卷進(jìn)行信度檢驗， 刪除不符合標(biāo)準(zhǔn)的題項， 之后對剩余的量表題項進(jìn)行探索性因子分析（EFA）， 同樣刪除不符合標(biāo)準(zhǔn)的題項， 由此獲得最終的數(shù)字零工算法壓力量表。然后， 經(jīng)再次因子分析識別出數(shù)字零工算法壓力的結(jié)構(gòu)維度。最后， 采用樣本二再次檢驗量表信度， 即Cronbach’s α系數(shù)， 并進(jìn)行驗證性因子分析（CFA）， 以確定量表具有較好的構(gòu)念效度。

3.1.4 數(shù)字零工算法壓力邏輯關(guān)系網(wǎng)絡(luò)的構(gòu)建

借助邏輯關(guān)系網(wǎng)絡(luò)的構(gòu)建， 進(jìn)一步對數(shù)字零工算法壓力的構(gòu)念效度進(jìn)行驗證。一方面， 邏輯關(guān)系網(wǎng)的構(gòu)建需要檢驗與其他相似構(gòu)念的區(qū)分效度， 這里的相似構(gòu)念是指與在數(shù)字零工算法壓力存在研究情境和工作要求的相關(guān)性——即同屬于因新興數(shù)字技術(shù)的使用而產(chǎn)生的壓力， 但在內(nèi)涵上區(qū)別于算法壓力的構(gòu)念。與算法壓力相似， 技術(shù)壓力（Technostress）和信息通信技術(shù)工作要求（ICT Demands）， 也是數(shù)字環(huán)境下因使用新興技術(shù)而產(chǎn)生的主觀壓力（Cram et al.， 2022）。另一方面， 本研究通過驗證效標(biāo)關(guān)聯(lián)效度發(fā)展數(shù)字零工算法壓力的邏輯關(guān)系網(wǎng)絡(luò)。效標(biāo)關(guān)聯(lián)效度體現(xiàn)的是量表與效標(biāo)變量之間的關(guān)聯(lián)程度， 即量表與效標(biāo)變量之間的相關(guān)性越高時， 該量表的效標(biāo)關(guān)聯(lián)效度越高。數(shù)字零工算法壓力的主要體驗者是活躍在服務(wù)平臺的零工， 他們所體驗到的算法壓力將直接影響其服務(wù)表現(xiàn)的好壞?？紤]到主動服務(wù)行為是衡量服務(wù)從業(yè)者服務(wù)表現(xiàn)質(zhì)量的重要結(jié)果指標(biāo)（Liao & Chuang， 2004）， 因此， 本研究選擇主動服務(wù)行為作為關(guān)聯(lián)效標(biāo)。

3.2 研究2：數(shù)字零工算法壓力影響主動服務(wù)行為的雙元路徑

3.2.1 算法壓力影響主動服務(wù)行為的增益路徑

壓力認(rèn)知評估理論的相關(guān)研究認(rèn)為工作壓力一方面會引發(fā)有益的挑戰(zhàn)性認(rèn)知評估， 這意味著部分工作壓力是可以通過個人努力與組織支持克服的（Kellogg et al.， 2020; 謝小云 等， 2021）。當(dāng)壓力被評估為挑戰(zhàn)性工作壓力時， 個體傾向于采取主動工作行為， 并會形成在克服挑戰(zhàn)性工作壓力后實現(xiàn)自我的發(fā)展與職業(yè)成長的預(yù)期（魏巍 等， 2022）。工作反芻是個體在面對壓力工作環(huán)境時的重要認(rèn)知反應(yīng)， 是指個體在工作之外反復(fù)思考工作有關(guān)的問題和事件的狀態(tài)（Cropley & Zijlstra， 2011）。在積極的工作反芻之中， 問題解決沉思（Problem Solving Pondering）是當(dāng)前最受關(guān)注的積極反芻形式之一。問題解決沉思是個體有目的的調(diào)整認(rèn)知， 尋求問題解決策略以用于應(yīng)對工作相關(guān)問題（曾慶巍 等， 2016）。本研究認(rèn)為算法壓力的挑戰(zhàn)性認(rèn)知評估帶來的積極結(jié)果預(yù)期會喚醒零工的問題解決沉思。

由于零工工作者的工作方式是碎片化、彈性化的（李海艦， 李凌霄， 2022）， 服務(wù)性質(zhì)與獨(dú)立工作環(huán)境也要求零工在工作中進(jìn)行即時響應(yīng)與狀態(tài)調(diào)整， 因此在線服務(wù)平臺零工的工作反芻的發(fā)生可能會更加頻繁與迫切。一方面， 對算法壓力的挑戰(zhàn)性評估可能會激發(fā)零工采用問題解決式的積極應(yīng)對策略（Xie & Feng， 2023）， 而問題解決沉思有助于零工深入思考問題的本質(zhì)， 探索可能的解決方案。以外賣騎手為例， 接單后會在預(yù)計送達(dá)時間約束內(nèi)進(jìn)行送餐路線選擇， 并在非工作時間思考接單組合策略等（裴嘉良 等， 2021）。另一方面， 挑戰(zhàn)性的壓力認(rèn)知評估提供了一個發(fā)展能力和掌握新技能的機(jī)會， 這可能會促使零工對算法管理情境進(jìn)行認(rèn)知重構(gòu)（Ma et al.， 2021）， 而問題解決沉思有助于零工重新評估情境， 識別潛在的學(xué)習(xí)和成長機(jī)會。綜上， 算法壓力的挑戰(zhàn)性壓力認(rèn)知評估有助于激勵零工通過問題解決沉思完成平臺分配任務(wù)、找到實現(xiàn)目標(biāo)的方法以控制情境， 實現(xiàn)積極的結(jié)果預(yù)期。因此， 本研究提出：

命題1a：算法壓力與零工的問題解決沉思之間呈現(xiàn)正向相關(guān)關(guān)系。

已有研究指明， 問題解決沉思可以顯著正向預(yù)測個體的創(chuàng)造力、個體工作主動性、組織公民行為與工作投入（Binnewies et al.， 2009; Flaxman et al.， 2018; Weinberger et al.， 2018）。問題解決沉思對工作結(jié)果的積極作用具有較強(qiáng)的跨時間穩(wěn)定性， 甚至可以穩(wěn)定預(yù)測個體1～2年后的積極工作行為（Vahle-Hinz et al.， 2017）。由于問題解決沉思有助于個體實現(xiàn)積極的結(jié)果預(yù)期， 它能夠喚醒個體的積極情緒狀態(tài)， 特別是在面對挑戰(zhàn)性工作壓力時， 工作專注作為首要的積極情緒狀態(tài)被激發(fā)， 使個體在工作中表現(xiàn)出更高的專注、果斷和警覺（周海明 等， 2018）。雖然問題解決沉思會消耗個體的認(rèn)知資源， 但在該過程中問題會被重新定義與探索， 個體會從解決問題的嘗試中不斷進(jìn)行學(xué)習(xí)， 因此也可被視為一種資源恢復(fù)方式。研究表明問題解決沉思對睡眠等恢復(fù)過程的負(fù)面影響較小， 有利于損耗的認(rèn)知資源再恢復(fù)（Querstret & Cropley， 2012）。綜上， 問題解決沉思不僅有助于個體在工作中實現(xiàn)積極的結(jié)果預(yù)期和情緒喚醒， 還能通過激發(fā)工作專注狀態(tài)， 推動個體在工作中更加高效、專注地應(yīng)對挑戰(zhàn)， 因此本研究提出：

命題1b：問題解決沉思與工作專注之間存在正向相關(guān)關(guān)系。

主動服務(wù)行為是一線服務(wù)員工面對超出基本的服務(wù)要求、規(guī)范和標(biāo)準(zhǔn)的作業(yè)程序時， 自發(fā)采取具有長遠(yuǎn)導(dǎo)向的、持續(xù)性的服務(wù)行為（Rank et al.， 2007）。主動服務(wù)行為的主要目的是應(yīng)對顧客的額外需要， 為顧客提供個性化定制服務(wù)， 以提升顧客對品牌與企業(yè)的忠誠度與滿意度。根據(jù)壓力認(rèn)知評估理論， 情緒是應(yīng)對壓力的核心， 因外部壓力源產(chǎn)生的積極情緒可以導(dǎo)致積極結(jié)果（Reeve， 2018）。工作專注使個體全神貫注于自身工作， 愉悅地沉浸在工作中（Schaufeli et al.， 2002; 周海明 等， 2018）， 由此提供積極的情緒動力。在面臨挑戰(zhàn)性算法壓力時， 保持專注可以使零工保持積極情緒， 這種情緒可以為主動服務(wù)行為提供所需的能量和動力。此外， 這種積極情緒也可以拓展個體的思維范式與行為范式， 幫助個體產(chǎn)生創(chuàng)意去滿足顧客的個性化需求（Kwon & Kim， 2020）， 處于工作專注中的個體更傾向于展現(xiàn)出責(zé)任感， 幫助組織實現(xiàn)發(fā)展目標(biāo)。

結(jié)合命題1a、1b， 本研究認(rèn)為算法壓力的挑戰(zhàn)性認(rèn)知評估可能激發(fā)員工積極應(yīng)對工作中遇到的問題并進(jìn)行深入思考， 從而推動問題解決沉思的發(fā)生。問題解決沉思需要員工集中注意力和精力， 員工可能會進(jìn)入一種專注的狀態(tài)， 當(dāng)員工全神貫注于工作時， 他們更有可能注意到服務(wù)過程中可以改進(jìn)的地方， 并主動采取行動以提供超出標(biāo)準(zhǔn)的服務(wù)。因此， 本研究提出：

命題1c：工作專注與主動服務(wù)行為之間存在正向相關(guān)關(guān)系。

命題1d：問題解決沉思與工作專注鏈?zhǔn)街薪樗惴▔毫εc主動服務(wù)行為之間的正向相關(guān)關(guān)系。

3.2.2 算法壓力影響主動服務(wù)行為的損耗路徑

算法壓力的阻斷性認(rèn)知評估源于零工在與算法系統(tǒng)交互時， 個體認(rèn)為難以克服， 對自己的工作表現(xiàn)和成長具有阻礙作用的工作要求。已有研究認(rèn)為阻斷性工作壓力對員工個體發(fā)展存在負(fù)面影響， 這一研究結(jié)論在當(dāng)前管理心理學(xué)的相關(guān)研究中已經(jīng)形成共識。之所以阻斷性工作壓力會帶來負(fù)面的工作結(jié)果， 例如更低的工作績效和心理健康水平以及更少的組織公民行為（魏巍 等， 2022）， 其原因在于這種負(fù)面壓力會為員工帶來負(fù)面的工作預(yù)期。這種負(fù)面的結(jié)果預(yù)期起源于不合理的管理制度與管理方式， 且此類壓力無法單純依靠員工的努力去應(yīng)對， 故而對員工的心理健康與工作行為產(chǎn)生不可逆的損害。工作消極反芻（Negative Work Rumination）是一種持續(xù)性認(rèn)知， 具體指個體在非工作時間依舊沉浸于或者不斷回想起經(jīng)歷過的消極工作體驗， 及其產(chǎn)生的原因或者可能產(chǎn)生的后果（Cropley & Zijlstra， 2011）。以往研究發(fā)現(xiàn)工作消極反芻來自于消極的工作壓力， 例如超出能力的工作量與壓抑的組織政治氛圍。

根據(jù)壓力認(rèn)知評估理論， 個體對壓力源的認(rèn)知評估是決定壓力結(jié)果的關(guān)鍵因素， 而算法壓力的阻斷性認(rèn)知評估阻礙或限制了零工有效地完成平臺分配的任務(wù)。一方面， 阻斷性壓力可能會使零工難以按時完成工作任務(wù)而受到責(zé)備懲罰， 零工需要進(jìn)行大量的情緒勞動以緩解焦慮、沮喪和委屈（姚柱， 羅瑾璉， 2022）， 在非工作時間里零工可能會繼續(xù)處理這些負(fù)面情緒， 這可能導(dǎo)致工作消極反芻; 另一方面， 阻斷性算法壓力可能削弱零工的工作控制感（Waardenburg et al.， 2022）， 零工所感受到的阻斷性壓力為規(guī)范控制、算法不確定性、算法不安全感， 這些會導(dǎo)致零工對工作的掌控力減弱， 感到無助和挫?。╓aardenburg et al.， 2022）， 這種現(xiàn)象可能會延伸到非工作時段， 使零工難以從工作中的負(fù)面體驗中抽離， 進(jìn)而導(dǎo)致工作消極反芻的產(chǎn)生。故而， 本研究提出：

命題2a：算法壓力與工作消極反芻正向相關(guān)。

經(jīng)歷高工作壓力的個體通常會在下班后仍沉浸于工作之中， 并在工作完成后仍舊思考與工作相關(guān)的問題， 特別是負(fù)面問題。當(dāng)壓力源的認(rèn)知表征被延長時， 會引起持續(xù)性的消極反應(yīng)。在諸多負(fù)面情緒中， 職場焦慮是最受管理學(xué)和心理學(xué)家關(guān)注的負(fù)面情緒之一。其原因在于， 盡管中等程度的職場焦慮在短期會增加員工的工作績效， 但從長期來看， 職場焦慮會持續(xù)的損害個體的身體健康、工作績效與主動行為（McCarthy et al.， 2016; Ybarra & Mitchell， 2007）。職場焦慮指員工完成工作任務(wù)時所體驗到的緊張和憂慮等， 它是一種受到個人差異和工作場所特征影響的特定領(lǐng)域構(gòu)想。本研究認(rèn)為工作消極反芻會引發(fā)個體的職場焦慮， 這主要是因為工作消極反芻會造成個體情緒資源的損耗（Wang et al.， 2022）， 引發(fā)負(fù)面情緒與情緒耗竭（Cutolo & Kenney， 2021）。當(dāng)個體持續(xù)沉浸于阻斷性工作壓力所帶來的負(fù)面工作體驗時， 個體的職場焦慮會增加（李志成 等， 2018）。因此， 本研究提出：

命題2b：工作消極反芻與職場焦慮存在顯著的正向相關(guān)關(guān)系。

職場焦慮對于員工的主動行為存在較為一致的研究結(jié)論， 即無論是短期內(nèi)還是長期內(nèi)， 職場焦慮會損害個體的主動行為（Smith et al.， 1990）。零工的主動服務(wù)行為是為了應(yīng)對顧客的額外需求， 而自發(fā)踐行工作規(guī)定之外的服務(wù)行為。由其定義可看出， 主動服務(wù)行為需要為顧客提供個性化的定制服務(wù)， 需要零工具備足夠的耐心、創(chuàng)造力和隨機(jī)應(yīng)變能力。但是職場焦慮一方面會損害個體的內(nèi)心， 使得零工只關(guān)注任務(wù)的完成， 而并不關(guān)心顧客的額外需求。另一方面， 職場焦慮會使得零工的認(rèn)知范式與行為范式有所僵化（McCarthy et al.， 2016; Querstret & Cropley， 2012）， 降低零工的創(chuàng)造力與隨機(jī)應(yīng)變能力（Binnewies et al.， 2009）， 不利于零工的主動服務(wù)行為。

結(jié)合命題2a、2b， 本研究認(rèn)為工作中由算法管理和監(jiān)控等所產(chǎn)生的阻斷性算法壓力， 會使零工在非工作時間對工作的不愉快經(jīng)歷進(jìn)行反復(fù)思考， 導(dǎo)致更多的工作消極反芻， 進(jìn)而導(dǎo)致零工對職業(yè)發(fā)展、工作安全等問題產(chǎn)生焦慮， 當(dāng)零工感到職場焦慮時， 他們可能傾向于采取更加保守的工作方式， 不太愿意采取主動服務(wù)行為。因此， 本研究提出：

命題2c：職場焦慮與主動服務(wù)行為負(fù)相關(guān)。

命題2d：工作消極反芻與職場焦慮鏈?zhǔn)街薪樗惴▔毫εc主動服務(wù)行為之間的負(fù)向相關(guān)關(guān)系。

3.3 研究3：數(shù)字零工算法壓力影響主動服務(wù)行為的邊界條件

算法壓力的挑戰(zhàn)性評估體現(xiàn)了零工有益的工作壓力感知， 而對挑戰(zhàn)性壓力的克服能為零工帶來更多的收益。算法公平性是個體根據(jù)日常平臺工作經(jīng)歷中感受到的算法透明度、動態(tài)復(fù)雜性和虛擬溝通性等信息下形成算法整體的公平感知判斷， 具體是指感受到的組織算法決策規(guī)則的整體合理程度（Bai et al.， 2022）。算法公平下， 零工會傾向于對算法壓力進(jìn)行挑戰(zhàn)性評估。算法的公平性保證了任務(wù)分配、收益結(jié)算等過程的透明度和公正性， 使得零工能夠確信自己的努力會得到相應(yīng)的回報， 并增加零工對于平臺的歸屬感與信任感（劉善仕 等， 2022）。因此促使零工將算法壓力看作是一種促進(jìn)自我提升和成長的機(jī)會， 而非阻礙其發(fā)展的障礙， 從而激發(fā)其解決問題的積極性和動力。

如果在線服務(wù)平臺允許零工熟知業(yè)務(wù)是如何分配的或者為零工提供任務(wù)分配規(guī)則與收益結(jié)算規(guī)則的， 零工更愿意接受工作中的挑戰(zhàn)并形成積極的應(yīng)對方式， 在非工作時間思考如何更好地完成任務(wù)。相反， 當(dāng)零工并不熟悉任務(wù)分配規(guī)則與收益結(jié)算規(guī)則， 在面臨有挑戰(zhàn)性的任務(wù)安排時， 零工更容易選擇退縮的應(yīng)對策略， 而非主動迎接挑戰(zhàn)。因此， 本研究提出：

命題3：在線服務(wù)平臺算法公平性調(diào)節(jié)算法壓力與問題解決沉思（a）以及與主動服務(wù)行為（b）的正向相關(guān)關(guān)系.

算法壓力的阻斷性評估是對零工成長與發(fā)展有害的工作壓力， 是造成零工對當(dāng)前工作不滿意與增加離職意愿最重要的因素（Nielsen et al.， 2011; Wood et al.， 2019）。阻斷性算法壓力無法通過零工個人努力進(jìn)行克服， 需要在線服務(wù)平臺提供必要的支持與保障。平臺算法支持是指零工認(rèn)為在線服務(wù)平臺為他們提供理解算法管理方面的個體技術(shù)支持， 以及算法管理相關(guān)的知識等組織資源更新（Day et al.， 2012）。已有研究指出來自組織的支持能夠降低員工的不滿意度與離職意愿（Kellogg et al.， 2020; 謝小云 等， 2021）。在算法管理的情境下， 本研究將平臺算法支持作為調(diào)節(jié)變量， 探究其在算法壓力與工作消極反芻之間的緩沖作用。

零工感知到的平臺算法支持水平較高， 意味著在線服務(wù)平臺能夠為零工提供更多的算法知識， 幫助零工了解算法管理的內(nèi)容（Barati & Ansari， 2022）。這將有效緩解算法壓力的阻斷性認(rèn)知評估所帶來的負(fù)面影響， 一方面， 當(dāng)零工能夠獲取更多關(guān)于算法的知識和運(yùn)作機(jī)制時， 他們能夠增強(qiáng)對算法管理的理解和控制感（Waardenburg et al.， 2022）， 由算法壓力所引發(fā)的不確定性會隨之降低（Kellogg et al.， 2020）， 這會進(jìn)一步減少工作消極反芻。另一方面， 了解算法的工作原理和工作目標(biāo)可以幫助零工更好地與算法系統(tǒng)進(jìn)行協(xié)作， 這種改善的人機(jī)關(guān)系將減少零工對算法壓力的抵觸情緒（Waardenburg et al.， 2022）， 從而減少工作消極反芻的發(fā)生。進(jìn)一步地， 算法壓力的阻斷性認(rèn)知評估帶來的負(fù)向影響減弱， 將有助于激發(fā)零工主動服務(wù)行為的產(chǎn)生。由此， 本研究提出：

命題4：在線服務(wù)平臺算法支持負(fù)向調(diào)節(jié)算法壓力與工作消極反芻的正向相關(guān)關(guān)系（a）， 并負(fù)向調(diào)節(jié)算法壓力與主動服務(wù)行為的負(fù)向間接關(guān)系（b）。

4 理論建構(gòu)與研究展望

4.1 理論建構(gòu)與創(chuàng)新

本研究緊密結(jié)合理論研究與實際應(yīng)用， 基于壓力認(rèn)知評估理論， 結(jié)合質(zhì)性探索性案例研究與定量實證方法， 提出了“數(shù)字零工算法壓力”的概念內(nèi)涵與測量工具， 并探究了在線服務(wù)平臺數(shù)字零工算法壓力對主動服務(wù)行為的“挑戰(zhàn)性?阻斷性”壓力認(rèn)知評估的雙元作用路徑與邊界條件。本研究構(gòu)建了一個系統(tǒng)的數(shù)字零工算法壓力影響個體主動服務(wù)行為的理論模型， 具體有以下三點(diǎn)理論創(chuàng)新：

第一， 本研究基于在線服務(wù)平臺算法管理的特征與零工與算法系統(tǒng)的人機(jī)交互過程， 提出數(shù)字零工算法壓力的概念， 有效銜接目前算法管理工作特征和零工壓力體驗研究， 為后續(xù)相關(guān)研究提供可靠的測量工具。一方面， 雖然少數(shù)研究對零工的工作狀態(tài)、壓力體驗情況等進(jìn)行了探討， 但多以定性描述為主（李勝藍(lán)， 江立華， 2020）， 缺少對零工壓力類型、壓力內(nèi)容及其影響機(jī)制的深入探究。另一方面， 已有大量研究探討了傳統(tǒng)組織中一般員工的工作壓力（代同亮 等， 2022; 徐虹 等， 2021）， 但零工不同于傳統(tǒng)雇傭范式下的正式員工， 其與平臺組織間是一種動態(tài)合作關(guān)系， 受算法管理而非人為管理， 存在區(qū)別于傳統(tǒng)組織的新型壓力源。例如， 零工需要不斷更新自身的軟件操作能力和知識， 并不得不在工作中持續(xù)關(guān)注算法驅(qū)動的動態(tài)指標(biāo)系統(tǒng); 同時， 零工在勞動過程中還需與其他主體（如顧客）保持有效互動， 體驗的壓力內(nèi)容可能更加多元和復(fù)雜。故有必要探究零工經(jīng)濟(jì)業(yè)態(tài)下零工與組織正式員工所面臨工作壓力的差異。近期研究基于算法管理情境探討了零工的工作特征與壓力體驗的概念與內(nèi)涵（高雪原 等， 2023; 裴嘉良 等， 2021）， 在此基礎(chǔ)上， 仍需要進(jìn)一步識別人與算法交互過程中感知的具體壓力源。

為了彌補(bǔ)上述理論缺口， 本研究基于在線服務(wù)平臺算法管理的6項功能特征， 結(jié)合零工與算法系統(tǒng)的三階段交互過程， 通過調(diào)研訪談與理論的不斷對接， 開發(fā)在線服務(wù)平臺數(shù)字零工算法壓力的測量工具。本研究將數(shù)字零工算法壓力定義為在線服務(wù)平臺企業(yè)中的零工因與算法管理功能交互而體驗到的壓力， 具體則包括了勞動評價、算法學(xué)習(xí)、時間約束、規(guī)范控制、算法不確定性、算法不安全感、社會隔離等6個維度。這一探索有助于拓展當(dāng)前與算法管理相關(guān)的工作要求的研究內(nèi)容， 為解釋工作壓力在算法管理中的復(fù)雜影響提供新的概念視角與測量工具。

第二， 本研究依據(jù)壓力認(rèn)知評估理論， 分別探究算法壓力影響零工主動服務(wù)行為的挑戰(zhàn)性與阻斷性壓力認(rèn)知評估的雙元作用路徑。從相關(guān)算法管理工作壓力的影響研究進(jìn)展方面分析， 當(dāng)前研究存在較為矛盾的研究結(jié)論。如已有研究發(fā)現(xiàn)， 算法壓力會激活員工的內(nèi)在動機(jī)， 提升零工的工作績效（Behl et al.， 2022）， 但會剝奪零工的工作自主權(quán)并增加工作不安全感（Parent-Rocheleau & Parker， 2022）。對于這一矛盾的研究結(jié)論， 一方面在于當(dāng)前研究因并未對算法壓力的性質(zhì)與類型進(jìn)行區(qū)分， 并整合探究不同類型壓力對零工工作行為的作用機(jī)制， 因此割裂地探討算法壓力的積極或消極影響。另一方面， 當(dāng)前壓力研究對如何影響零工主動服務(wù)行為的關(guān)注不足。由于服務(wù)型企業(yè)以按需（On-demand）為導(dǎo)向， 其競爭優(yōu)勢的獲取和維持取決于顧客使用的粘性， 即服務(wù)平臺的核心競爭力在于向顧客提供更加優(yōu)質(zhì)的服務(wù)以提升顧客滿意度與品牌忠誠， 這依賴于零工自發(fā)、長久地提供超出既定服務(wù)規(guī)范和標(biāo)準(zhǔn)程序的主動服務(wù)行為（Raub & Liao， 2012; Rank， 2007）。目前研究主要集中在銀行、酒店餐飲等傳統(tǒng)組織情境下探討服務(wù)從業(yè)者的主動性人格、自我效能感等對主動服務(wù)行為的預(yù)測作用（Rank et al.， 2007; Wu etal.， 2023）， 卻尚未涉及在線服務(wù)平臺這一新興服務(wù)領(lǐng)域， 也未關(guān)注零工這一日益龐大的新興群體; 同時對算法管理為零工帶來的潛在積極工作壓力有所忽略， 例如勞動評價與算法學(xué)習(xí)對個人成長與平臺發(fā)展的潛在積極作用。

為彌補(bǔ)當(dāng)前研究的不足， 本研究結(jié)合在線服務(wù)平臺算法管理特征， 基于壓力認(rèn)知評估理論， 探討當(dāng)在線服務(wù)平臺零工面臨差異性的算法壓力時， 不同類型（挑戰(zhàn)性/阻斷性）的算法壓力認(rèn)知評估是否會接續(xù)通過認(rèn)知（問題解決沉思與工作消極反芻）和情感路徑（專注與焦慮）對零工主動服務(wù)行為產(chǎn)生“截然不同”的影響效果。本研究為已有算法壓力相關(guān)研究中的矛盾研究結(jié)果提供新的解釋， 在理論上區(qū)分?jǐn)?shù)字零工算法壓力影響主動服務(wù)行為的增益路徑與損耗路徑， 并為豐富算法管理中工作壓力的相關(guān)研究提供新的理論研究視角。

第三， 本研究明晰在線服務(wù)平臺算法管理特征在算法壓力的雙元認(rèn)知評估路徑對零工主動服務(wù)行為影響中的跨層次調(diào)節(jié)作用。在以算法管理為核心的在線服務(wù)平臺零工工作環(huán)境中， 人類管理者以及組織提供的工作資源的重要作用仍然不可忽視。例如， 公平感知會提升數(shù)字零工的工作滿意度， 促進(jìn)情感承諾并強(qiáng)化留職意愿（Wiener etal.， 2023）， 而感知算法規(guī)范指導(dǎo)等組織支持的作用主要體現(xiàn)為緩解零工的情緒耗竭（孫銳 等， 2024）， 然而， 當(dāng)前研究未能結(jié)合將算法系統(tǒng)與人類的協(xié)同管理作用進(jìn)行系統(tǒng)探討。同時， 數(shù)字零工算法壓力的差異化影響路徑同樣需要不同類型的支持與保障， 但現(xiàn)有研究對于邊界機(jī)制的研究成果有限， 缺乏對這一復(fù)雜關(guān)系的細(xì)節(jié)探究。對此， 本研究探討平臺層面的算法公平性和平臺算法支持在算法壓力的挑戰(zhàn)性?阻斷性認(rèn)知評估影響認(rèn)知形成這一路徑中發(fā)揮的跨層次調(diào)節(jié)作用和邊界機(jī)制。這不僅能為揭示在線服務(wù)平臺零工工作環(huán)境特性與壓力反應(yīng)的交互機(jī)制補(bǔ)充更多理論細(xì)節(jié)， 也可以為“人本主義”思想下， 平臺組織優(yōu)化工作資源配置在管理策略和工具方面提供更有針對性的參考和借鑒。

4.2 未來研究展望

基于上述理論構(gòu)建與研究設(shè)計， 本研究擬從微觀層面數(shù)據(jù)收集、中觀層面平臺企業(yè)案例分析宏觀層面動態(tài)涌現(xiàn)機(jī)制三個方面對未來在線服務(wù)平臺數(shù)字零工算法壓力研究進(jìn)行展望， 以期為未來研究提供方向指引。

首先， 在微觀個體層面， 未來宜創(chuàng)新研究設(shè)計， 以驗證數(shù)字零工挑戰(zhàn)性?阻斷性算法壓力與主動服務(wù)行為的作用機(jī)制與邊界條件， 并揭示算法壓力源與壓力反應(yīng)之間的因果關(guān)系和動態(tài)變化。通過操縱實驗條件（如數(shù)字零工算法壓力的類型、強(qiáng)度等）， 觀測零工在不同壓力水平下的心理反應(yīng)、行為態(tài)度以及主動服務(wù)行為的變化， 進(jìn)而提供因果關(guān)系的直接證據(jù)。同時考慮到數(shù)字零工算法壓力對其主動服務(wù)行為的影響是一個動態(tài)變化的過程， 一方面可以通過經(jīng)驗取樣法捕捉存在短期波動的個體壓力感知、心理反應(yīng)與行為態(tài)度， 為本研究收集零工在真實工作狀態(tài)下的即時動態(tài)數(shù)據(jù)， 并采取動態(tài)結(jié)構(gòu)方程模型驗證變量間的因果關(guān)系; 另一方面可以拓寬時間序列， 結(jié)合潛變量增長模型等方法探討零工在中長期階段的算法壓力演變以及對主動服務(wù)行為的長期影響， 進(jìn)一步把握在線服務(wù)平臺零工職業(yè)內(nèi)涵變遷下算法壓力的內(nèi)在特征與復(fù)雜機(jī)制。實驗法與縱向追蹤研究等研究設(shè)計有助于理解零工職業(yè)發(fā)展的內(nèi)在規(guī)律（Sayre， 2023）， 并為職業(yè)適應(yīng)性與服務(wù)質(zhì)量提升提供科學(xué)依據(jù)。

其次， 未來可以結(jié)合案例分析的研究方法， 探索其他可能的中介作用路徑以及邊界條件。盡管已有文獻(xiàn)采取量化研究范式， 但在線服務(wù)平臺算法管理以及零工壓力反應(yīng)具有強(qiáng)情景化特征， 而量化研究難以解釋作用過程的動態(tài)性與復(fù)雜性。為了更全面地理解這一復(fù)雜現(xiàn)象， 未來可以采取多案例研究等質(zhì)性方法， 通過對比不同案例的情境特點(diǎn)、管理策略和員工反應(yīng)， 可以更好地揭示不同情境下中介作用路徑的差異性以及邊界條件的影響。這將有助于深化對數(shù)字零工算法壓力反應(yīng)的作用機(jī)理與影響機(jī)制的系統(tǒng)認(rèn)知， 并為相關(guān)組織提供更有針對性的管理策略和實踐建議。

最后， 針對零工不同壓力類型組合、多主體交互、自組織涌現(xiàn)等復(fù)雜實際場景， 靜態(tài)研究視角以及“變量中心”的研究思路也有待突破。一方面， 在管理技術(shù)快速發(fā)展與用戶需求日新月異的零工經(jīng)濟(jì)時代， 零工所面對的算法要求與算法壓力在持續(xù)發(fā)生變化， 因此近年來工作壓力相關(guān)研究開始考慮時間性與變化性的因素。另一方面， 在線服務(wù)平臺的服務(wù)質(zhì)量口碑依賴于每一位零工的主動服務(wù)行為， 因此也應(yīng)關(guān)注零工個體主動服務(wù)行為自下而上對在線服務(wù)平臺運(yùn)轉(zhuǎn)效率的動態(tài)影響?，F(xiàn)有研究指出， 強(qiáng)算法管理下的零工通過合理利用規(guī)則、主動合作與抗?fàn)幍确绞剑?爭取勞動自主性（馮向楠， 詹婧， 2019）， 在與其他個體、平臺算法的互動中形成自組織（李延昊， 蘇竣， 2022; 張志學(xué) 等， 2021）， 這也是探討服務(wù)行為與服務(wù)質(zhì)量問題時的關(guān)鍵機(jī)制。未來可以基于多智能體的建模方法解釋自零工算法壓力到平臺零工群體主動服務(wù)行為的動態(tài)涌現(xiàn)機(jī)制。基于算法壓力雙重維度對零工進(jìn)行分類， 確定智能主體的行為準(zhǔn)則; 依據(jù)在線服務(wù)平臺的算法管理特征， 構(gòu)建模型外部環(huán)境; 進(jìn)而利用自組織原則以及群體決策的約束規(guī)則， 構(gòu)建在線服務(wù)平臺服務(wù)質(zhì)量的多主體模型， 為科學(xué)制定算法管理策略提供理論依據(jù)。

參考文獻(xiàn)

代同亮， 董華， 雷星暉. （2022）. 源于挑戰(zhàn)還是霸凌：職場壓力對破壞性建言行為作用機(jī)制研究. 管理評論， 34（7）， 246?254.

范志靈， 劉善仕， 裴嘉良， 年鵬翔， 張建平. （2023） 感知算法控制對零工工作者安全績效的非線性影響. 管理科學(xué)， 36（6）， 75?88.

馮向楠， 詹婧. （2019）. 人工智能時代互聯(lián)網(wǎng)平臺勞動過程研究——以平臺外賣騎手為例. 社會發(fā)展研究， 6（3）， 61?83+243.

高雪原， 張志朋， 錢智超， 謝寶國， 聞效儀. （2023）. 零工工作者工作壓力：形成機(jī)理與量表開發(fā). 南開管理評論， 26（3）， 244?258.

姜福斌， 王震. （2022）. 壓力認(rèn)知評價理論在管理心理學(xué)中的應(yīng)用：場景、方式與迷思. 心理科學(xué)進(jìn)展， 30（12）， 2825?2845.

李海艦， 李凌霄. （2022）. 中國“共享員工”勞動用工模式研究. 中國工業(yè)經(jīng)濟(jì)， （11）， 116?134.

李勝藍(lán)， 江立華. （2020）. 新型勞動時間控制與虛假自由——外賣騎手的勞動過程研究. 社會學(xué)研究， 35（6）， 91?112+ 243?244.

李延昊， 蘇竣. （2022）. 智能技術(shù)背景下的新興自組織形態(tài)研究——基于“形成-適應(yīng)-反饋”的自組織過程分析框架. 公共行政評論， 15（5）， 66?87+197?198.

李志成， 王震， 祝振兵， 占小軍. （2018）. 基于情緒認(rèn)知評價的員工績效壓力對親組織非倫理行為的影響研究. 管理學(xué)報， 15（3）， 358?365.

劉得格， 時勘， 王永麗， 龔會. （2011）. 挑戰(zhàn)-阻礙性壓力源與工作投入和滿意度的關(guān)系. 管理科學(xué)， 24（2）， 1?9.

劉善仕， 裴嘉良， 葛淳棉， 劉小浪， 諶一璠. （2022）. 在線勞動平臺算法管理：理論探索與研究展望. 管理世界， 38（2）， 225?239+14?16.

龍立榮， 梁佳佳， 董婧霓. （2021）. 平臺零工工作者的人力資源管理：挑戰(zhàn)與對策. 中國人力資源開發(fā)， 38（10）， 6? 19.

馬君， 趙爽. （2022）. 算法管理與員工創(chuàng)造力的整合分析框架. 科學(xué)學(xué)研究， 40（10）， 1811?1820.

裴嘉良， 劉善仕， 崔勛， 瞿皎姣. （2021）. 零工工作者感知算法控制：概念化、測量與服務(wù)績效影響驗證. 南開管理評論， 24（6）， 14?27.

裴嘉良， 劉善仕， 張志朋， 謝宇. （2024）. 好算法， 壞算法？算法邏輯下零工工作者的過度勞動研究. 管理工程學(xué)報， 38（1）， 101?115.

孫銳， 袁圓， 朱秋華， 陳麗君， 趙坤. （2024， 9月）. 感知算法控制的雙刃劍效應(yīng)對零工工作者情緒耗竭的影響：基于合法性判斷視角. 系統(tǒng)管理學(xué)報. http：//kns.cnki.net/ kcms/detail/31.1977.N.20230905.1543.002.html

魏巍， 劉貝妮. （2023）. 算法管理能提高數(shù)字零工勞動者的平臺承諾嗎？ ——“控制主義”和“決策主義”的雙刃劍效應(yīng). 經(jīng)濟(jì)管理， 45（4）， 116?132.

魏巍， 劉貝妮， 凌亞如. （2022）. 平臺算法下數(shù)字零工職業(yè)污名感知對離職傾向的影響. 中國人力資源開發(fā)， 39（2）， 18?30.

謝小云， 左玉涵， 胡瓊晶. （2021）. 數(shù)字化時代的人力資源管理：基于人與技術(shù)交互的視角. 管理世界， 37（1）， 200? 216+13.

徐虹， 楊紅艷， 張妍. （2021）. 挑戰(zhàn)性-阻斷性工作壓力對員工創(chuàng)新行為的影響——有調(diào)節(jié)的中介效應(yīng). 當(dāng)代經(jīng)濟(jì)管理， 43（12）， 58?65.

姚柱， 羅瑾璉. （2022）. 時間壓力對知識隱藏的影響研究：動機(jī)與情緒的雙路徑. 管理評論， 34（8）， 180?191.

玉勝賢， 劉敏， 劉善仕， 劉婷婷. （2024， 4月）. 平臺算法控制對零工工作者離職傾向的影響機(jī)制研究. 管理學(xué)報. http：//kns.cnki.net/kcms/detail/42.1725.C.20240416.0913.008.html

曾慶巍， 劉愛書， 鐘繼超. （2016）. 沉浸反芻和反思反芻在大學(xué)生兒童期心理虐待與特質(zhì)抑郁間的中介作用. 中國臨床心理學(xué)雜志， 24（2）， 310?313+258.

張志朋， 聞效儀， 錢智超， 高雪原， 裴嘉良. （2024）. 算法邏輯下零工工作者的情緒勞動策略選擇. 管理學(xué)報， 21（3）， 381?391.

張志學(xué)， 趙曙明， 連匯文， 謝小云. （2021）. 數(shù)智時代的自我管理和自我領(lǐng)導(dǎo)：現(xiàn)狀與未來. 外國經(jīng)濟(jì)與管理， 43（11）， 3?14.

周海明， 陸欣欣， 時勘. （2018）. 時間壓力何時增加工作專注——工作特征的調(diào)節(jié)作用. 南開管理評論， 21（4）， 158?168+218.

Amaya， J.， & Holweg， M. （2024）. Using algorithms to improve knowledge work. Journal of Operations Management， 70（3）， 482?513.

Arnold， M. B. （1960）. Emotion and personality. Columbia University Press.

Ashford， S. J.， Caza， B. B.， & Reid， E. M. （2018）. From surviving to thriving in the gig economy： A research agenda for individuals in the new world of work. Research in Organizational Behavior， 38， 23?41.

Auer， E. M.， Behrend， T. S.， Collmus， A. B.， Landers， R. N.， & Miles， A. F. （2021）. Pay for performance， satisfaction and retention in longitudinal crowdsourced research. Plos One， 16（1）， e0245460.

Bai， B.， Dai， H.， Zhang， D. J.， Zhang， F.， & Hu， H. （2022）. The impacts of algorithmic work assignment on fairness perceptions and productivity： Evidence from field experiments. Manufacturing & Service Operations Management， 24（6）， 3060?3078.

Barati， M.， & Ansari， B. （2022）. Effects of algorithmic control on power asymmetry and inequality within organizations. Journal of Management Control， 33（4）， 525?544.

Bashir， F.， & Nadeem， M. （2019）. The linkage between workplace ostracism and proactive customer service performance in Pakistani banking industry： （A conservation of resource and job embeddedness perspective）. Science Journal of Business and Management， Forthcoming， Available at SSRN： https：//ssrn.com/abstract=3343378 or http：//dx.doi.org/10.2139/ssrn.3343378

Behl， A.， Jayawardena， N.， Ishizaka， A.， Gupta， M.， & Shankar， A. （2022）. Gamification and gigification： A multidimensional theoretical approach. Journal of Business Research， 139， 1378?1393.

Binnewies， C.， Sonnentag， S.， & Mojza， E. J. （2009）. Daily performance at work： Feeling recovered in the morning as a predictor of day-level job performance. Journal of Organizational Behavior， 30（1）， 67?93.

Brough， P.， Timms， C.， Siu， O. L.， Kalliath， T.， O’Driscoll， M. P.， Sit， C. H.， ... Lu， C. Q. （2013）. Validation of the Job Demands-Resources model in crc324b9b8a6215344ebbf623b3034104cd4bdf2c8bb4fa6a2e36febe7aa825900oss-national samples： Cross-sectional and longitudinal predictions of psychological strain and work engagement. Human Relations， 66（10）， 1311?1335.

Cram， W. A.， Wiener， M.， Tarafdar， M.， & Benlian， A. （2022）. Examining the impact of algorithmic control on Uber drivers’ technostress. Journal of Management Information Systems， 39（2）， 426?453.

Cropley， M.， & Zijlstra， F. R. （2011）. Work and rumination. In J. Langan-Fox & C. L. Cooper （Eds.）， Handbook of Stress in The Occupations （pp. 487–501）. Edward Elgar Publishing.

Cutolo， D.， & Kenney， M. （2021）. Platform-dependent entrepreneurs： Power asymmetries， risks， and strategies in the platform economy. Academy of Management Perspectives， 35（4）， 584?605.

D’Arcy， J.， & Teh， P. L. （2019）. Predicting employee information security policy compliance on a daily basis： The interplay of security-related stress， emotions， and neutralization. Information & Management， 56（7）， 103151.

Day， A.， Paquet， S.， Scott， N.， & Hambley， L. （2012）. Perceived information and communication technology （ICT） demands on employee outcomes： The moderating effect of organizational ICT support. Journal of Occupational Health Psychology， 17（4）， 473?491.

Duggan， J.， Sherman， U.， Carbery， R.， & McDonnell， A. （2020）. Algorithmic management and App‐work in the gig economy： A research agenda for employment relations and HRM. Human Resource Management Journal， 30（1）， 114?132.

Eatough， E. M.， Chang， C. H.， Miloslavic， S. A.， & Johnson， R. E. （2011）. Relationships of role stressors with organizational citizenship behavior： A meta-analysis. Journal of Applied Psychology， 96（3）， 619?632.

Flaxman， P. E.， Stride， C. B.， S?derberg， M.， Lloyd， J.， Guenole， N.， & Bond， F. W. （2018）. Relationships between two dimensions of employee perfectionism， postwork cognitive processing， and work day functioning. European Journal of Work and Organizational Psychology， 27（1）， 56?69.

Galière， S. （2020）. When food‐delivery platform workers consent to algorithmic management： A Foucauldian perspective. New Technology， Work and Employment， 35（3）， 357?370.

Garben， S. （2019）. The regulatory challenge of occupational safety and health in the online platform economy. International Social Security Review， 72（3）， 95?112.

Granger， S.， Caza， B. B.， Ashford， S. J.， & Reid， E. M. （2022）. Adapting to a jolt： A mixed methods study identifying challenges and personal resources impacting professional gig workers' well-being during COVID-19. Journal of Vocational Behavior， 138， 103784.

Hinkin， T. R. （1998）. A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods， 1（1）， 104?121.

Jago， A. S.， Raveendhran， R.， Fast， N.， & Gratch， J. （2024）. Algorithmic management diminishes status： An unintended consequence of using machines to perform social roles. Journal of Experimental Social Psychology， 110， 104553.

Kellogg， K. C.， Valentine， M. A.， & Christin， A. （2020）. Algorithms at work： The new contested terrain of control. Academy of Management Annals， 14（1）， 366?410.

Kwon， K.， & Kim， T. （2020）. An integrative literature review of employee engagement and innovative behavior： Revisiting the JD-R model. Human Resource Management Review， 30（2）， 100704.

Lazarus， R. S. （1991）. Progress on a cognitive-motivational- relational theory of emotion. American Psychologist， 46（8）， 819?834.

Lazarus， R. S.， & Folkman， S. （1984）. Stress， appraisal， and coping. Springer publishing company.

Lee， M. K. （2018）. Understanding perception of algorithmic decisions： Fairness， trust， and emotion in response to algorithmic management. Big Data & Society， 5（1）， 2053951718756684.

Lesener， T.， Gusy， B.， & Wolter， C. （2019）. The job demands- resources model： A meta-analytic review of longitudinal studies. Work & Stress， 33（1）， 76?103.

Liao， H.， & Chuang， A. （2004）. A multilevel investigation of factors influencing employee service performance and customer outcomes. Academy of Management Journal， 47（1）， 41?58.

Liu， F.， Li， P.， Taris， T. W.， & Peeters， M. C. （2022）. Creative performance pressure as a double‐edged sword for creativity： The role of appraisals and resources. Human Resource Management， 61（6）， 663?679.

Lu， Y.， Yang， M. M.， Zhu， J.， & Wang， Y. （2024）. Dark side of algorithmic management on platform worker behaviors： A mixed‐method study. Human Resource Management， 63（3）， 477?498.

Ma， J.， Peng， Y.， & Wu， B. （2021）. Challenging or hindering？ The roles of goal orientation and cognitive appraisal in stressor-performance relationships. Journal of Organizational Behavior， 42（3）， 388?406.

McCarthy， J. M.， Trougakos， J. P.， & Cheng， B. H. （2016）. Are anxious workers less productive workers？ It depends on the quality of social exchange. Journal of Applied Psychology， 101（2）， 279?291.

M?hlmann， M.， Zalmanson， L.， Henfridsson， O.， & Gregory， R. W. （2021）. Algorithmic management of work on online labor platforms： When matching meets control. MIS Quarterly， 45（4）， 1999?2022.

Moore， S.， & Hayes， L. J. （2018）. The electronic monitoring of care work—The redefinition of paid working time. Humans and Machines at Work， 101?124.

Neves， P.， Mesdaghinia， S.， Eisenberger， R.， & Wickham， R. E. （2017）. Timesizing Proximity and Perceived Organizational Support： Contributions to Employee Well-being and Extra-role Performance. Journal of Change Management， 18（1）， 70?90.

Newlands， G. （2021）. Algorithmic surveillance in the gig economy： The organization of wqT/tkEh1TzQ4eUS2Gl3w3g==ork through Lefebvrian conceived space. Organization Studies， 42（5）， 719?737.

Nguyen-Phuoc， D. Q.， Nguyen， N. A. N.， Nguyen， M. H.， Nguyen， L. N. T.， & Oviedo-Trespalacios， O. （2022）. Factors influencing road safety compliance among food delivery riders： An extension of the job demands- resources （JD-R） model. Transportation Research. Part A： Policy & Practice， 166， 541?556.

Nielsen， M. B.， Mearns， K.， Matthiesen， S. B.， & Eid， J. （2011）. Using the job demands?resources model to investigate risk perception， safety climate and job satisfaction in safety critical organizations. Scandinavian Journal of Psychology， 52（5）， 465?475.

Nixon， A. E.， Mazzola， J. J.， Bauer， J.， Krueger， J. R.， & Spector， P. E. （2011）. Can work make you sick？ A meta-analysis of the relationships between job stressors and physical symptoms. Work & Stress， 25（1）， 1?22.

Parent-Rocheleau， X.， & Parker， S. K. （2022）. Algorithms as work designers： How algorithmic management influences the design of jobs. Human Resource Management Review， 32（3）， 100838.

Pa?kvan， M.， Kubicek， B.， Prem， R.， & Korunka， C. （2016）. Cognitive appraisal of work intensification. International Journal of Stress Management， 23（2）， 124?146.

Querstret， D.， & Cropley， M. （2012）. Exploring the relationship between work-related rumination， sleep quality， and work-related fatigue. Journal of Occupational Health Psychology， 17（3）， 341?353.

Rank， J.， Carsten， J. M.， Unger， J. M.， & Spector， P. E. （2007）. Proactive customer service performance： Relationships with individual， task， and leadership variables. Human Performance， 20（4）， 363?390.

Raub， S.， & Liao， H. （2012）. Doing the right thing without being told： Joint effects of initiative climate and general self-efficacy on employee proactive customer service performance. Journal of Applied Psychology， 97（3）， 651? 667.

Reeve， J. （2018）. Understanding motivation and emotion. John Wiley & Sons.

Rhee， S. Y.， Hur， W. M.， & Kim， M. （2017）. The relationship of coworker incivility to job performance and the moderating role of self-efficacy and compassion at work： The job demands-resources （JD-R） approach. Journal of Business and Psychology， 32（6）， 711?726.

Rodell， J. B.， & Judge， T. A. （2009）. Can “good” stressors spark “bad” behaviors？ The mediating role of emotions in links of challenge and hindrance stressors with citizenship and counterproductive behaviors. Journal of Applied Psychology， 94（6）， 1438?1451.

Sayre， G. M. （2023）. The costs of insecurity： Pay volatility and health outcomes. Journal of Applied Psychology， 108（7）， 1223?1243.

Schaufeli， W. B.， Salanova， M.， González-Romá， V.， & Bakker， A. B. （2002）. The measurement of engagement and burnout： A two sample confirmatory factor analytic approach. Journal of Happiness Studies， 3（1）， 71?92.

Shevchuk， A.， Strebkov， D.， & Davis， S. N. （2018）. Work value orientations and worker well-being in the new economy： Implications of the job demands-resources model among internet freelancers. International Journal of Sociology and Social Policy， 38（9/10）， 736?753.

Smith， R. E.， Smoll， F. L.， & Schutz， R. W. （1990）. Measurement and correlates of sport-specific cognitive and somatic trait anxiety： The Sport Anxiety Scale. Anxiety Research， 2（4）， 263?280.

Tarafdar， M.， Cooper， C. L.， & Stich， J. F. （2019）. The technostress trifecta‐techno eustress， techno distress and design： Theoretical directions and an agenda for research. Information Systems Journal， 29（1）， 6?42.

Vahle-Hinz， T.， Mauno， S.， De Bloom， J.， & Kinnunen， U. （2017）. Rumination for innovation？ Analysing the longitudinal effects of work-related rumination on creativity at work and off-job recovery. Work & Stress， 31（4）， 315?337.

Vallas， S.， & Schor， J. B. （2020）. What do platforms do？ Understanding the gig economy. Annual Review of Sociology， 46， 273?294.

Van Doorn， N. （2017）. Platform labor： On the gendered and racialized exploitation of low-income service work in the ‘on-demand’ economy. Information， Communication & Society， 20（6）， 898?914.

Waardenburg， L.， Huysman， M.， & Sergeeva， A. V. （2022）. In the land of the blind， the one-eyed man is king： Knowledge brokerage in the age of learning algorithms. Organization Science， 33（1）， 59?82.

Wang， C.， Chen， J.， & Xie， P. （2022）. Observation or interaction？ Impact mechanisms of gig platform monitoring on gig workers’ cognitive work engagement. International Journal of Information Management， 67， 102548.

Weinberger， E.， Wach， D.， Stephan， U.， & Wegge， J. （2018）. Having a creative day： Understanding entrepreneurs' daily idea generation through a recovery lens. Journal of Business Venturing， 33（1）， 1?19.

Wiener， M.， Cram， W. A.， & Benlian， A. （2023）. Algorithmic control and gig workers： A legitimacy perspective of Uber drivers. European Journal of Information Systems， 32（3）， 485?507.

Wood， A. J.， Graham， M.， Lehdonvirta， V.， & Hjorth， I. （2019）. Good gig， bad gig： Autonomy and algorithmic control in the global gig economy. Work， Employment and Society， 33（1）， 56?75.

Wu， D.， & Huang， J. L. （2024）. Gig work and gig workers： An integrative review and agenda for future research. Journal of Organizational Behavior， 45（2）， 183?208.

Wu， Q.， Zhang， H.， Li， Z.， & Liu， K. （2019）. Labor control in the gig economy： Evidence from Uber in China. Journal of Industrial Relations， 61（4）， 574?596.

Wu， X.， Liu， Q.， Qu， H.， & Wang， J. （2023）. The effect of algorithmic management and workers’ coping behavior： An exploratory qualitative research of Chinese food-delivery platform. Tourism Management， 96， 104716.

Xie， H.， & Feng， X. （2023）. Feeling stressed but in full flow？ Leader mindfulness shapes subordinates’ perseverative cognition and reaction. Journal of Managerial Psychology， 39（3）， 323?351.

Ybarra， M. L.， & Mitchell， K. J. （2007）. Prevalence and frequency of Internet harassment instigation： Implications for adolescent health. Journal of Adolescent Health， 41（2）， 189?195.

Challenge or hindrance？ The impact of platform algorithmic

stressor on digital gig workers’ proactive service behavior

ZHANG Zhenduo1， GUO Jianing1， LI Hao2， WANG Honglei3

（1 School of Economics and Management， Dalian University of Technology， Dalian 116024， China）

（2 School of Business Administration， Northeastern University of Finance and Economics， Dalian 116024， China）

（3 College of Economics and Management， Northeast Agricultural University， Harbin 150030， China）

Abstract： The gig economy， a novel form relying on online service platforms， has swiftly emerged as a significant driver for creating employment opportunities and enhancing overall economic efficiency. These platforms not only harness big data algorithms to improve operational efficiency but also dynamically track the labor process of digital gig workers in a comprehensive manner， thereby inducing complex and diverse new stress experiences in their interaction with algorithm systems and platforms. However， existing research has yet to clearly define the concept of digital gig algorithmic stressors and lacks reliable measurement tools. These research gaps have hindered the exploration of the responses to digital gig stressors and their impact on platform service quality. Therefore， centering on the core research topic of “the connotation of platform algorithmic stressors and their differentiated impact on proactive service behavior of digital gig workers，” this study creatively proposes a new definition of algorithmic stressors on digital gig workers， based on the interaction process between algorithmic management functions and digital gig workers. Additionally， the structural elements of algorithm-related stressors are identified through the development of scientific measurement tools. Furthermore， integrating the theory of stress cognitive evaluation and the challenge-hindrance stress cognitive evaluation framework， this study unveils the gain path of “problem- solving pondering—attentiveness” and the loss path of “work negative rumination—anxiety” through which algorithmic stressors affect the proactive service behavior of digital gig workers， as well as the boundary conditions of algorithm fairness and platform algorithm support under which these dual pathways operate. This research not only expands the theoretical framework of platform algorithm studies within the gig economy context but also provides theoretical guidance for effectively harnessing the positive functions of online service platform algorithms.

Keywords： algorithmic stressor， proactive service behavior， gig economy， cognitive appraisal of stress theory， digital gig workers