算法平台管理的双刃剑效应：基于认知评价与持久认知理论的外卖骑手风险行为机制研究

《iScience》：Algorithmic platform management and risk-taking behavior among Chinese food delivery riders

本研究针对算法平台管理如何影响外卖骑手风险行为这一"黑箱"问题，创新性地整合认知评价理论(CAT)与持久认知理论(PCT)，构建线上即时认知与线下持续认知的双路径模型。通过对320名长沙骑手的双波次问卷调查，发现算法平台管理通过感知算法控制(PAC)和情绪反刍(ER)正向影响风险行为，而通过问题解决沉思(PSC)产生抑制作用。自我控制资源耗竭(SRD)和学习敏捷性(LA)分别调节上述路径。研究为平台算法优化和骑手安全保障提供了重要实证依据。

　　

在数字经济的浪潮中，外卖骑手已成为城市生活中不可或缺的风景线。然而，这群"与时间赛跑"的劳动者却面临着令人担忧的安全隐患——闯红灯、逆行、超速等风险行为屡见不鲜。数据显示，近96.21%的骑手认为自己面临严重的意外伤害风险，外卖行业已成为工伤高发区。这背后隐藏着一个深刻的社会问题：在算法平台高效管理的表象下，骑手们为何会陷入"沉默顺从"式的风险行为？

以往研究对算法平台管理的影响存在明显分歧。部分学者强调算法的"赋能"作用，认为路线规划、订单匹配等决策支持工具提升了骑手的自主性；另一些研究则聚焦算法的"控制"本质，指出实时监控和严格奖惩规则削弱了骑手自主权，使其陷入"订单竞赛"。这种学术争议恰恰反映了算法平台管理对骑手行为影响机制的复杂性尚未被充分揭示。

为破解这一难题，湖南农业大学公共管理与法学学院的刘伟、杨红和刘淑琴研究团队在《iScience》上发表了创新性研究成果。研究团队独辟蹊径地整合了认知评价理论(CAT)和持久认知理论(PCT)，建立起一个包含线上即时认知与线下持续认知的双路径模型，深入剖析了算法平台管理影响骑手风险行为的内在心理机制。

研究采用双波次问卷调查法，对320名长沙地区外卖骑手进行了跟踪调查。第一波次测量算法平台管理(APM)、感知算法控制(PAC)和自我控制资源耗竭(SRD)，三周后进行第二波次调查，测量情绪反刍(ER)、问题解决沉思(PSC)、学习敏捷性(LA)和风险行为(RTB)。这种时间滞后设计有效降低了共同方法偏差。

研究结果揭示了算法平台管理对骑手风险行为的复杂影响机制。在"线上"路径中，算法平台管理通过感知算法控制正向影响风险行为(β=0.691, p<0.001)，而这一中介路径受到自我控制资源耗竭的正向调节。当骑手自我控制资源耗竭程度较高时，算法平台管理通过感知算法控制对风险行为的间接影响更为显著(b=0.1195, 95%CI[0.0497,0.2158])。

在"线下"路径中，算法平台管理同时正向影响情绪反刍(β=0.714, p<0.001)和问题解决沉思(β=0.435, p<0.001)。情绪反刍在算法平台管理与风险行为间起正向中介作用(95%CI[0.2477,0.4828])，而问题解决沉思则起负向中介作用(95%CI[-0.3574,-0.1646])。学习敏捷性负向调节了感知算法控制和情绪反刍的中介路径，但对问题解决沉思路径的调节作用不显著。

理论框架部分，研究基于认知评价理论和持久认知理论，构建了一个有调节的双中介模型。该模型包含两条路径：一是控制导向路径，骑手在"线上"工作中形成感知算法控制，这种控制不仅直接导致风险行为，还会延伸至"线下"时间并通过情绪反刍进一步强化；二是赋能导向路径，算法平台管理可能促使骑手在非工作时间进行问题解决沉思，从而抑制风险行为。

研究方法上，团队采用改编自成熟量表的测量工具，使用六点李克特量表进行评估。通过验证性因子分析确认了七因子模型(算法平台管理、感知算法控制、情绪反刍、问题解决沉思、自我控制资源耗竭、学习敏捷性、风险行为)具有最佳拟合度(χ²/df=1.312, TLI=0.979, CFI=0.983, RMSEA=0.031)，表明各构念间具有良好的区分效度。

描述性统计和相关性分析显示，算法平台管理与感知算法控制(r=0.687, p<0.01)、情绪反刍(r=0.714, p<0.01)和问题解决沉思(r=0.443, p<0.01)均呈显著正相关。同时，感知算法控制(r=0.454, p<0.01)、情绪反刍(r=0.373, p<0.01)与风险行为正相关，问题解决沉思(r=-0.360, p<0.01)与风险行为负相关。

直接效应检验结果表明，算法平台管理对感知算法控制(β=0.691, p<0.001)、情绪反刍(β=0.714, p<0.001)和问题解决沉思(β=0.435, p<0.001)均有显著正向影响，假设H1、H3a和H3b均得到支持。

中介效应分析采用Bootstrap法进行验证。感知算法控制的中介效应显著(95%CI[0.3118,0.5569])，支持H2；情绪反刍(95%CI[0.2477,0.4828])和问题解决沉思(95%CI[-0.3574,-0.1646])的中介效应也均显著，支持H4a和H4b。

有调节的中介效应检验发现，自我控制资源耗竭对感知算法控制中介路径的调节作用显著(Index=0.0689, 95%CI[0.0323,0.1157])，支持H5。学习敏捷性对感知算法控制(Index=-0.0357, 95%CI[-0.0675,-0.0107])和情绪反刍(Index=-0.0405, 95%CI[-0.0765,-0.0137])中介路径的调节作用显著，支持H6a和H6b，但对问题解决沉思路径的调节作用不显著，H6c未获支持。

讨论部分深入分析了研究发现的理论与实践意义。研究表明，算法平台管理对骑手的影响具有时空延续性，不仅在工作时间通过感知算法控制直接影响风险行为，还通过非工作时间的持续认知(情绪反刍和问题解决沉思)产生延展性影响。这种"线上-线下"双路径认知整合框架为理解算法平台管理的复杂影响提供了新视角。

研究还揭示了"控制"与"赋能"争议的深层原因。在实践中，控制效应往往占主导地位，主要是因为资源约束削弱了赋能路径的效果。大多数骑手处于高强度的认知资源耗竭状态，难以进行有效的问题解决沉思。同时，骑手之间的学习敏捷性存在显著差异，多数骑手的教育程度限制了他们将算法信息转化为操作优势的能力。

理论贡献主要体现在三个方面：一是通过整合CAT和PCT理论，揭示了算法平台管理影响风险行为的"黑箱"机制，拓展了数字劳动研究的概念边界；二是构建的双路径模型为调和"算法控制"与"算法赋能"的理论争议提供了新分析框架；三是引入并验证了关键边界条件，深化了对算法平台管理有效情境的理解。

实践启示方面，研究为平台企业优化算法设计提供了具体建议。平台可通过动态时间缓冲机制(如根据历史数据和实时路况自动增加5-15分钟配送时间)、路线优化建议奖励计划等措施，在保障骑手安全的同时提高订单完成率。同时，应建立骑手能力支持体系，通过制作短视频、设立经验交流区等方式降低学习门槛，提升骑手的问题解决能力。

研究也承认了一些局限性。数据来源主要依赖自我报告问卷，未来可结合平台客观行为数据(GPS超速记录、违规次数等)进行主客观三角验证。虽然双波次设计能捕捉变量的滞后效应，但无法准确反映认知与行为的日常动态波动，后续研究可采用日记法或经验取样法更精确地揭示变量间的动态因果关系。

此外，研究的理论模型和实证发现基于外卖骑手这一特定数字劳动群体，其结论对于其他面临高强度算法管理、物理安全风险以及线上线下劳动结合的"移动数字劳动"群体(如网约车司机、快递员)具有参考价值，但对于工作自主性较高、主要风险为社会疲劳和创意枯竭的群体，算法平台管理的影响机制可能存在本质差异。

这项研究的重要意义在于，它不仅为理解数字时代劳动关系的变革提供了新的理论视角，更重要的是为平台算法优化和劳动者权益保护提供了实证依据。在数字经济快速发展的背景下，如何实现技术创新与人文关怀的平衡，促进算法与劳动者的和谐发展，已成为亟待解决的社会课题。该研究通过科学严谨的方法揭示了算法平台管理影响骑手安全行为的内在机制，为构建更加人性化、可持续的数字劳动生态系统提供了重要启示。

研究的创新性在于突破了传统单一认知视角的局限，将线上即时认知与线下持续认知纳入统一分析框架，揭示了算法影响的时间延续性和空间延展性。同时，通过引入自我控制资源耗竭和学习敏捷性等边界条件，研究强调了个人差异在塑造技术后果中的关键作用，为构建更加情境化的算法平台管理理论奠定了基础。

未来研究可进一步探索外部情境变量(如家庭支持、平台算法规则差异)对骑手认知行为反应的影响，以及核心认知变量间的动态互动机制。通过构建更加整合的互动模型，更全面地揭示数字劳动者认知过程的复杂性，为推动数字时代劳动关系的和谐发展提供更多理论支持和实践指导。