报告内容

研究作者与发表信息

这篇题为《Examining the Impact of Algorithmic Control on Uber Drivers’ Technostress》的研究文章由W. Alec Cram（School of Accounting & Finance, University of Waterloo, Canada）、Martin Wiener（Technische Universität Dresden, Germany）、Monideepa Tarafdar（Isenberg School of Management, University of Massachusetts Amherst, USA）以及Alexander Benlian（Technische Universität Darmstadt, Germany）联合完成，发表于2022年的《Journal of Management Information Systems》（39卷第2期，页码426-453）。这篇文章通过对美国621名Uber司机的调查，研究了算法控制（Algorithmic Control）对司机所经历的技术应激（Technostress）的影响。

研究背景及意义

这项研究的学科领域聚焦于信息管理和组织行为。随着数字传感器和算法决策技术的广泛应用，企业通过技术而非传统人力管理来制定工作规则、监控员工活动、提供反馈并实施监督。这一被称为算法控制的管理方式在平台经济（Platform Economy）中尤为显著，尤其是在Uber这样的网约车平台中，其使用互联应用和高强度数字算法控制劳动者行为，大幅削减了人与人之间的工作交互。

然而，算法控制对劳动者福祉的影响存在争议。一方面，它或许能通过个性化反馈等功能带来积极作用，帮助员工提升工作能力；另一方面，它也会因持续监控和自动化管理增大员工压力，甚至导致焦虑和隐私侵害。这种矛盾张力正是本研究的核心动机。研究旨在回答以下两个关键问题： 1. 算法控制如何通过技术应激影响Uber司机的行为？ 2. 算法控制透明性如何调节算法控制与技术应激之间的关系？

研究目标在于探讨算法控制对劳动者福祉与行为的影响，尝试弥合现有文献中关于算法控制“正面作用”与“负面效应”的矛盾视角。

研究方法与具体流程

数据收集与样本

研究通过在线调查工具Qualtrics从美国的Uber司机中招募受访者，总计收集621份有效问卷。受访者需是活跃的Uber司机，调查问卷涉及其与Uber司机端应用的交互与体验。大多数受访者从事该工作的主要目的是增加补充收入，大约87%为兼职司机，多数每月收入在2000美元以下。

工作流程

研究的调查问卷基于现有的量表设计，主要涉及以下几个关键变量： 1. Gatekeeping Algorithmic Control（门禁算法控制）： - 定义：通过筛选与监控劳动者资格的算法控制。如司机是否拥有符合规定的车辆，是否通过背景调查。 2. Guiding Algorithmic Control（指导算法控制）： - 定义：监控并指导日常劳动者行为的算法控制，涉及绩效指标（如平均客户评分等）。

此外，研究新开发并验证了一种测量挑战性技术应激（Challenge Technostressors）的方法，而威胁性技术应激（Threat Technostressors）基于既有构念的四维度测量：技术复杂性、技术入侵、技术超载与技术不确定性。

数据分析

使用了结构方程模型（Structural Equation Modeling, SEM），评估模型构建的适配性以及各假设的支持程度。研究还详细考虑了社会期望偏差（Social Desirability Bias）对数据的潜在影响，并在数据分析中加以控制。

研究主要结果

1. 算法控制与技术应激的关系：

   • 门禁算法控制（Gatekeeping Algorithmic Control）与挑战性技术应激（Challenge Technostressors）正相关（β = 0.15, p < 0.001），同时也与威胁性技术应激（Threat Technostressors）正相关（β = 0.90, p < 0.001）。
   • 指导算法控制（Guiding Algorithmic Control）对挑战性技术应激和威胁性技术应激也都呈现正向相关（β = 0.58, p < 0.001；β = 0.10, p < 0.05）。

2. 算法控制透明性的调节作用：

   • 算法控制透明性在门禁算法控制与挑战性技术应激之间发挥了负调节作用（β = -0.07, p < 0.05），即透明性削弱了门禁控制带来的正面挑战。
   • 然而，透明性未能显著影响指导算法控制与技术应激之间的关系，也未显著减弱威胁性技术应激。

3. 技术应激的行为后果：

   • 挑战性技术应激显著正向影响司机的工作持续意图（Continuance Intention, β = 0.37, p < 0.001），并负相关于司机的规避行为（Workaround Use, β = -0.20, p < 0.001）。
   • 威胁性技术应激则对续职意图呈现负相关（β = -0.28, p < 0.001），对规避行为呈显著正相关（β = 0.83, p < 0.001）。

研究结论与价值

本研究首次将算法控制与技术应激结合到一个分析框架中，提出了算法控制既可以激励职工（通过挑战性技术应激），又可能侵害其福祉（通过威胁性技术应激）的双重特性，从而解释了Uber司机对算法控制复杂的“爱恨关系”。

实用价值方面，研究表明平台经济组织可以通过设计更多挑战性的控制机制，增强司机对工作的投入和承诺。然而，单纯依赖于透明性可能不足以缓解操控带来的威胁性技术应激。研究建议改进算法设计，例如通过应用内激励机制（如数字徽章奖励）或奖金制度，为司机提供长期的目标驱动力。

研究亮点

1. 本研究揭示了算法控制对劳动者行为与情感双向影响的新视角，深化了控制理论与技术应激理论的结合。
2. 研究通过新开发的挑战性技术应激测量方法，为未来的实证研究提供了工具。
3. 在实践层面，研究为平台型企业提供了重要启示，有助于优化劳动者体验与平台可持续性。

潜在研究方向

未来研究可以： 1. 探讨其他平台（如Airbnb或Lyft）中算法控制的技术应激表现。 2. 深入分析司机如何对挑战性与威胁性技术应激进行二级判断与应对策略。 3. 拓展透明性的不同维度（如数据透明与分析透明）对员工感知的影响。

总而言之，这项研究突破了单一负面视角，重新定义了算法控制在数字化劳动关系中的复杂作用，为学术与实践领域提供了重要参考价值。