平台用工中劳动者算法管理感知与行为响应研究综述

平台用工中劳动者算法管理感知与行为响应研究综述一、平台用工与算法管理的兴起与发展（一）平台用工的业态演进数字经济的蓬勃发展催生了平台用工这一新型就业形态，其以互联网平台为中介，打破了传统用工的时空限制，实现了劳动力供需的高效匹配。从早期的网约车、外卖配送，到如今的在线直播、知识付费、远程设计等领域，平台用工的业态不断拓展，涵盖了交通、餐饮、教育、金融等多个行业。据相关数据显示，截至2025年底，我国平台经济从业者规模已达数亿人，且呈现出持续增长的态势。平台用工的模式也日益多样化，主要包括众包模式、劳务派遣模式、自营模式等。众包模式下，劳动者通过平台承接任务，完成后获得相应报酬，工作时间和地点较为灵活；劳务派遣模式中，劳动者与劳务派遣公司签订劳动合同，被派遣至平台工作；自营模式则是平台直接与劳动者建立劳动关系，对劳动者进行直接管理。不同的用工模式在劳动关系认定、劳动权益保障等方面存在差异，也为算法管理的应用提供了不同的场景。（二）算法管理的内涵与特征算法管理是指平台利用大数据、人工智能等技术，通过算法对劳动者的工作过程进行监控、评估、调度和决策的管理方式。与传统管理方式相比，算法管理具有以下显著特征：数据驱动性：算法管理以海量的用户数据、劳动者工作数据为基础，通过数据分析和挖掘，实现对劳动者工作行为的精准洞察和预测。例如，外卖平台通过收集骑手的配送时间、路线、订单完成率等数据，为骑手规划最优配送路线，合理分配订单。实时性：算法能够实时处理和分析数据，及时对劳动者的工作进行调整和干预。在网约车平台，算法可以根据实时的订单需求和车辆位置，动态调度司机，提高运营效率。客观性：算法管理在一定程度上减少了人为因素的干扰，使得管理决策更加客观、公正。通过预设的算法规则，对劳动者的工作绩效进行量化评估，避免了传统管理中可能存在的主观偏见。隐蔽性：算法管理的运行过程往往不透明，劳动者难以了解算法的具体规则和决策逻辑。劳动者在工作过程中，看似是自主完成任务，但实际上每一个工作环节都受到算法的无形控制。二、劳动者算法管理感知的维度与影响因素（一）劳动者算法管理感知的维度划分劳动者对算法管理的感知是一个复杂的心理过程，涉及多个维度。学者们从不同角度对其进行了划分，主要包括以下几个方面：算法公平性感知：劳动者认为算法在评估、调度等决策过程中是否公平合理。包括程序公平，即算法决策的过程是否公正、透明；分配公平，即算法对劳动者的报酬分配、任务分配等是否公平；互动公平，即劳动者在与算法交互过程中是否得到尊重和公正对待。例如，外卖骑手如果发现算法在订单分配时存在偏袒某些骑手的情况，就会产生算法不公平的感知。算法透明度感知：劳动者对算法的规则、运行机制、决策依据等信息的了解程度。如果劳动者无法知晓算法如何工作，不清楚自己的工作绩效是如何被评估的，就会对算法产生不信任感，进而影响工作积极性。算法压力感知：劳动者感受到的由算法管理带来的工作压力。算法通过设定严格的工作指标和时间限制，如外卖配送的超时惩罚、网约车的接单率要求等，给劳动者带来了巨大的心理和工作压力。长期处于高压力状态下，劳动者可能会出现焦虑、疲劳等心理问题。算法控制感知：劳动者意识到自己的工作行为受到算法的控制和约束的程度。算法通过实时监控、精准调度等方式，使得劳动者的工作自主性降低，仿佛被算法“牵着鼻子走”。例如，网约车司机必须按照算法规划的路线行驶，否则可能会影响订单完成率和收入。（二）影响劳动者算法管理感知的因素劳动者对算法管理的感知受到多种因素的影响，主要可以分为个体因素、平台因素和环境因素三个方面：个体因素：劳动者的年龄、性别、教育程度、工作经验、自我效能感等个体特征会影响其对算法管理的感知。一般来说，年轻、高学历、具有丰富互联网经验的劳动者对算法管理的接受度较高，能够更好地适应算法带来的工作变化；而年龄较大、文化程度较低的劳动者可能会对算法管理产生抵触情绪，认为算法过于复杂和苛刻。此外，自我效能感高的劳动者更有信心应对算法管理带来的挑战，而自我效能感低的劳动者则更容易产生压力和焦虑。平台因素：平台的算法设计、信息披露机制、沟通渠道等平台特征也会影响劳动者的感知。如果平台的算法设计合理，能够充分考虑劳动者的权益和需求，并且能够及时向劳动者披露算法的相关信息，建立有效的沟通渠道，听取劳动者的意见和建议，那么劳动者对算法管理的感知会更加积极。反之，如果平台算法设计不合理，信息不透明，沟通不畅，劳动者就会对算法管理产生不满和不信任。环境因素：社会文化环境、法律法规环境等外部环境因素也会对劳动者的感知产生影响。在强调个体自由和权利的社会文化环境中，劳动者对算法管理的控制感可能更为敏感；而在注重效率和秩序的社会文化环境中，劳动者可能更容易接受算法管理。此外，完善的法律法规能够保障劳动者的合法权益，减少算法管理可能带来的不公平和不合理现象，从而提高劳动者对算法管理的信任度。三、劳动者对算法管理的行为响应类型与表现（一）积极行为响应工作投入度提升：部分劳动者在感受到算法管理的公平性和透明度后，会更加积极地投入到工作中。算法通过明确的工作目标和绩效评估标准，让劳动者清楚地知道自己的工作方向和努力目标，从而激发工作动力。例如，在一些在线教育平台，教师通过算法了解学生的学习情况和需求，能够更有针对性地进行教学，提高教学质量，同时也获得了更多的成就感和满足感，进一步提升工作投入度。技能提升与创新：为了适应算法管理的要求，劳动者会主动提升自己的技能水平，学习新的知识和技术。在电商直播领域，主播为了提高直播效果和销售额，会研究算法推荐规则，优化直播内容和形式，不断创新直播方式，吸引更多的观众和粉丝。一些劳动者还会利用算法提供的数据分析结果，发现工作中的问题和机会，提出创新性的解决方案，提高工作效率和质量。组织公民行为：当劳动者对算法管理持积极态度时，可能会表现出更多的组织公民行为，如主动帮助同事、为平台发展提出建议等。在共享办公平台，劳动者之间通过算法匹配形成合作团队，团队成员之间相互协作、相互支持，共同完成任务，为平台的发展贡献力量。（二）消极行为响应工作倦怠：长期处于算法管理的高压环境下，劳动者容易产生工作倦怠。算法设定的严格工作指标和时间限制，使得劳动者时刻处于紧张状态，缺乏足够的休息和放松时间。外卖骑手为了避免超时惩罚，往往需要在短时间内完成大量的配送任务，长期如此，容易出现身体疲劳、心理压力过大等问题，导致工作热情下降，工作效率降低。离职倾向：当劳动者对算法管理的感知较差，如认为算法不公平、不透明，或者工作压力过大时，会产生离职倾向。一些网约车司机由于不满算法的派单规则和收入分配方式，选择离开平台，寻找其他就业机会。离职不仅会给劳动者个人带来损失，也会影响平台的稳定性和运营效率。抵制行为：部分劳动者会采取抵制行为来对抗算法管理。例如，外卖骑手可能会通过“刷单”“拒单”等方式来应对算法的不合理要求；网约车司机可能会联合起来，通过罢工、投诉等方式表达对算法管理的不满。抵制行为不仅会影响平台的正常运营，还可能引发社会关注和舆论压力。（三）中性行为响应除了积极和消极行为响应外，劳动者还可能表现出一些中性行为，如被动接受、适应性调整等。被动接受是指劳动者虽然对算法管理存在不满，但由于各种原因，如就业压力、经济需求等，不得不接受算法管理的安排。适应性调整则是劳动者在不改变对算法管理态度的前提下，通过调整自己的工作方式和行为习惯，来适应算法管理的要求。例如，一些劳动者会根据算法的评估标准，调整自己的工作节奏和方法，以达到算法设定的目标，但内心并不认同算法管理的方式。四、劳动者算法管理感知与行为响应的作用机制（一）心理契约的中介作用心理契约是指劳动者与平台之间存在的一种隐含的、未书面化的期望和承诺。在平台用工中，劳动者对平台的算法管理存在一定的心理期望，如期望算法公平公正、透明合理，能够保障自己的劳动权益。当劳动者感知到算法管理符合自己的心理期望时，会认为平台履行了心理契约，从而产生积极的情感和态度，进而表现出积极的行为响应；反之，当劳动者感知到算法管理违背了自己的心理期望时，会认为平台违背了心理契约，产生负面情感和态度，表现出消极的行为响应。例如，外卖骑手期望算法在订单分配时能够考虑到天气、交通等客观因素，合理安排配送任务。如果算法能够做到这一点，骑手会认为平台关心自己的工作条件，履行了心理契约，从而更加努力地工作；如果算法不顾实际情况，强行分配大量订单，骑手会觉得平台不尊重自己的劳动，违背了心理契约，进而产生不满情绪，出现消极怠工、离职等行为。（二）组织支持感的调节作用组织支持感是指劳动者感受到的平台对自己的关心、认可和支持的程度。组织支持感能够调节劳动者算法管理感知与行为响应之间的关系。当劳动者具有较高的组织支持感时，即使对算法管理存在一些负面感知，也会因为感受到平台的支持和关怀，而减少消极行为响应的发生；相反，当劳动者的组织支持感较低时，对算法管理的负面感知更容易转化为消极行为响应。平台可以通过多种方式提高劳动者的组织支持感，如提供良好的工作环境、完善的培训体系、合理的薪酬福利等。例如，一些网约车平台为司机提供免费的车辆维修、加油优惠等福利，定期组织司机培训和交流活动，让司机感受到平台的关心和支持，从而增强司机对平台的归属感和忠诚度，减少因算法管理带来的抵触情绪。（三）自我决定理论的解释视角自我决定理论认为，人具有自主、胜任和关系三种基本心理需求，当这些需求得到满足时，个体会表现出积极的行为和心理状态；反之，当这些需求得不到满足时，个体则会产生消极的行为和心理状态。在平台用工中，算法管理对劳动者的自主、胜任和关系需求产生着重要影响。自主需求：算法管理在一定程度上限制了劳动者的工作自主性，劳动者需要按照算法的指令和要求完成工作任务。当劳动者的自主需求得不到满足时，会感到自己的工作缺乏控制权，从而产生抵触情绪，表现出消极的行为响应。例如，一些在线客服人员必须按照算法设定的回复模板和流程与客户沟通，缺乏自主发挥的空间，容易产生工作倦怠。胜任需求：算法管理通过设定明确的工作目标和绩效评估标准，为劳动者提供了展示自己能力的机会。当劳动者能够达到算法设定的目标，胜任工作任务时，会产生成就感和满足感，从而表现出积极的行为响应；反之，当劳动者无法胜任工作任务，达不到算法要求时，会产生挫败感和自卑感，表现出消极的行为响应。关系需求：算法管理可能会削弱劳动者之间以及劳动者与平台之间的人际关系。在传统工作场景中，劳动者之间可以通过面对面的交流和沟通建立良好的人际关系，而在平台用工中，劳动者往往独立完成工作任务，与同事和平台的交流较少。当劳动者的关系需求得不到满足时，会感到孤独和无助，影响工作积极性和工作满意度。五、研究现状与不足（一）研究现状近年来，随着平台用工和算法管理的快速发展，国内外学者对劳动者算法管理感知与行为响应的研究逐渐增多。研究主要集中在以下几个方面：算法管理对劳动者权益的影响：学者们关注算法管理在劳动报酬、工作时间、休息休假、职业安全等方面对劳动者权益的影响，探讨如何通过完善法律法规、加强监管等方式保障劳动者的合法权益。劳动者算法管理感知的测量与影响因素分析：通过实证研究，开发了劳动者算法管理感知的测量量表，分析了个体、平台、环境等因素对劳动者感知的影响。劳动者行为响应的类型与机制研究：对劳动者在算法管理下的积极、消极和中性行为响应进行了分类和描述，探讨了心理契约、组织支持感等因素在其中的作用机制。算法管理的伦理与治理研究：关注算法管理带来的伦理问题，如算法歧视、隐私泄露等，提出了相应的治理策略和建议。（二）研究不足尽管已有研究取得了一定的成果，但仍存在一些不足之处：研究方法单一：目前的研究大多采用问卷调查的方法，对劳动者的感知和行为进行测量，缺乏深入的质性研究和实验研究。问卷调查虽然能够收集大量的数据，但难以深入了解劳动者的真实感受和行为背后的深层次原因。研究视角局限：现有研究主要从管理学、社会学等角度出发，对劳动者算法管理感知与行为响应进行研究，缺乏跨学科的综合研究。算法管理涉及到计算机科学、法学、心理学等多个学科领域，需要从多学科视角进行深入探讨。缺乏动态研究：大多数研究是静态的，关注的是某一特定时间点劳动者的感知和行为，而忽视了算法管理和劳动者行为的动态变化过程。随着平台用工和算法技术的不断发展，劳动者的感知和行为也会发生相应的变化，需要进行长期的跟踪研究。实践应用不足：研究成果与实践应用之间存在一定的差距，很多研究提出的策略和建议难以在实际中得到有效应用。需要加强产学研合作，将研究成果转化为实际的管理措施，为平台企业和劳动者提供更好的服务。六、未来研究展望（一）研究方法创新未来的研究应注重研究方法的创新，采用多元化的研究方法相结合的方式。除了问卷调查外，还可以采用深度访谈、案例研究、实验研究等方法，深入了解劳动者的真实感受和行为动机。例如，通过深度访谈，与劳动者进行面对面的交流，了解他们在算法管理下的工作经历和心理变化；通过案例研究，对不同类型的平台企业进行深入分析，总结算法管理的实践经验和教训；通过实验研究，控制变量，探讨算法管理对劳动者感知和行为的因果关系。（二）跨学科研究拓展加强跨学科研究，整合管理学、社会学、计算机科学、法学、心理学等多学科的理论和