1. 引言
随着人工智能与大数据等尖端技术的深度交融，算法管理作为一种前沿的管理范式，正以前所未有的广度与深度，重塑了组织的决策架构、控制路径及资源调配框架。这一变革引领组织步入管理智能化与自动化的崭新纪元，显著增强了管理效能与精确度，促使企业迈进了更为科学严谨的管理模式。算法控制的兴起与零工经济的蓬勃发展息息相关。针对数字零工经济与用工平台的独特性，学者们最初将其界定为那些履行管理职能的软件算法及在实践中支撑算法运行的设备[1]，它们以高度自动化、数据密集的方式，替代管理者对平台工作者的劳动过程实施监控与管理[2]。伴随着数字化转型的浪潮，数字经济的蓬勃壮大，为紧抓数字化转型带来的新机遇，众多传统常规工作场所开始广泛采纳多样且复杂的数字算法技术来优化组织管理。在此背景下，技术对常规工作场所实施算法控制不仅成为可能，并且应用范围持续扩大。然而，与数字零工经济平台所展现出的数字原生、算法驱动的特性[3]相比，传统工作组织面临着迥异的情境。一方面，它们拥有稳定的工作流程体系与复杂的内外部组织关系；另一方面，数字算法的运用难以像在用工平台中那样占据主导管理地位[4]。在此类组织中，人依然作为管理的核心主体，承担着关键的管理职责，于是算法开始辅助管理者分担部分控制职能，成为管理实践中的重要补充[5]。
过去的实践和研究表明，算法控制在组织内部的推行进程并非坦途，而是交织着复杂多维的机遇与挑战[6]。算法控制作为算法管理的核心策略，凭借其自动化监管能力，实现了对员工工作绩效、工作内容以及工作流程的精准高效管理。但这一模式亦触发了员工个体层面的诸多困境，诸如因严苛工作环境与高标准要求所带来的心理负担加剧。尽管已有研究解释了算法控制对于员工工作行为和工作结果的影响，但对其主要局限于在过去的零工经济中[7]，而非数字原生性的常规工作场所中算法控制势必会导致组织中产生变革，而针对变革环境中员工的工作行为和态度的研究仍然缺乏，因此我们基于角色理论，重点考虑在数字化转型的变革过程中，算法对员工变革态度的影响，从而进一步拓展对算法控制的概念研究以及其影响机制。
2. 文献回顾与研究假设
2.1. 角色压力
角色理论将角色视作个体于社会中所处的地位、所属的特定群体的标识，并将其作为分析个体在与环境交互过程中所展现出的社会行为的依据[8]。在组织环境中，员工往往扮演多种角色，承载着各异的期望，而这些期望实质上体现了针对员工的行为规范与工作模式要求。
基于角色理论，角色压力被认为是在工作场景下，员工因对自身所扮演的角色缺乏足够认知，致使无法妥善达成角色期望时所承受的一种压力。这种角色压力呈现为一个三维度模型，涵盖角色超载、角色冲突和角色模糊[9]。其中，角色超载被定义为个体当前所拥有的资源无法满足其他所有角色期望的程度[10]。角色冲突是指角色期望不一致且相互之间不相容的情况[11]，具体而言，当一个人承担具有特定规范、标准或价值观的角色时，若其他人的角色期望与这些规范、标准或价值观不相契合，便会引发角色冲突[12]。最后，角色模糊是指当个体对自身的角色期望、达成角色期望的流程以及对完成结果的评估过程等相关信息存在不确定性时，个体所产生的模糊状态。
2.2. 算法控制与变革态度
在数字化转型和算法管理变革过程中，组织中人与技术需要共同作用从而实现组织的变革。
在这一过程中，算法控制被广泛应用于组织中，对员工的变革态度和体验产生了深远影响。由于算法管理具备数据驱动、高度自动化及广泛覆盖的特性，它已成为管理者青睐的管理控制工具，自其诞生之日起，算法控制就被视为算法管理的核心应用。组织通过数字算法技术显著增强了对员工工作内容和流程的监控力度，并提升了工作标准和要求[6]。
然而，即便算法被视为高效的管理手段，它仍难以全面考虑人与现实环境的复杂因素。这导致算法、人与工作之间频繁出现冲突和矛盾。例如，某些功利主义的算法控制策略可能会过度追求某些目标的最大化，而牺牲其他重要目标，甚至严重侵犯员工的隐私权。这些冲突不仅阻碍了组织的顺利变革，还可能对员工的工作积极性和满意度产生负面影响。
先前学者的研究表明算法控制影响着员工的工作结果[13]。首先，算法控制给员工带来了较为自动化的工作安排和全面的工作监控，减少了员工的容错率从而降低了员工的工作自主性与工作控制感[2]。以效率为中心的算法控制显著损害员工的幸福感和满意度，进而降低工作者的工作意愿和工作质量[7]。一些员工为了适应新的技术同时实现算法给定的目标和绩效，承受了巨大的工作和心理压力，甚至由于高强度工作导致过劳死[14]。这些定量研究表明组织中使用强控制策略会导致员工强烈的负面工作情绪。在变革的过程中，员工的工作情绪在很大程度上会影响个体对于变革所做出的反应[15]。如果成员在过程中感受到变革对自己的积极正向作用，那么他会支持变革，表现出一种积极的变革承诺，反之则会产生一定程度的变革抗拒倾向。Oreg [16]强调，员工在变革过程中组织支持感的缺失会使其产生负面情绪，能够显著正向影响变革抗拒行为。Gaertner [17]的研究发现，员工的工作不安全感能够显著正向影响其变革抗拒水平，导致消极的变革反应。因此，本文提出以下假设：
H1、算法控制与员工变革承诺负相关。
H2、算法控制与员工变革承诺正相关。
2.3. 角色压力的中介作用
变革过程中角色压力会给员工造成心理和生理上的损害，从而导致消极的态度和行动，角色压力与一些不良的工作结果有关，包括情绪疲惫、紧张和焦虑[18]以及工作中的挫折[19]。现有研究表明角色压力对员工的工作绩效均会产生负向影响[10] [20]-[22]。通常情况下，感知到过高的角色压力会降低员工控制工作环境的能力，因此会导致其无法高效地工作[20]。从对工作行为的影响来看，角色压力与员工工作行为之间存在显著影响。这是因为个体在面对角色压力时，陈笃升[23]的研究发现，员工的角色压力会导致其对组织的情感承诺下降，进而间接对任务绩效产生消极影响。王侨[24]研究表明员工在变革中的消极情绪与员工出现变革抗拒的消极变革反应成显著正相关。Oreg [15]的研究也证实了职业压力和对组织变革的态度之间的关系。变革中的压力源都与对变革的消极态度有关。然而如果组织中能建立支持性工作关系和有效的资源赋能都有助于形成积极的变革态度，从而有助于变革计划的成功。
在数字化转型与算法管理变革的过程中，算法管理的控制策略会导致员工角色变革压力的增加，而增加的角色变革压力会导致员工负面的变革反应。算法管理的赋能策略提供的工作资源和支持可以缓解员工角色变革压力，从而带来积极的变革反应。基于此，本文提出假设：
H3、角色压力在算法控制和变革承诺之间起中介作用。
H4、角色压力在算法控制和变革抗拒之间起中介作用。
2.4. 算法透明的调节作用
算法管理会给正在数字化转型算法管理变革中的员工带来不同的变革反应。根据社会技术系统理论，引入新技术的组织为了实现成功的变革，需要考虑组织中人与技术的交互。算法技术在组织中的运用面临着多重挑战，其中算法的复杂设计、组织机密都是造成算法黑箱的重要因素。这些黑箱不仅增加了算法管理的不透明性，也使得员工难以像过去那样掌控自己的工作。由于员工有时无法理解算法的工作安排和考核标准，他们可能会减少对组织公平性和信任的感知。Bujold [25]的研究表明数字管理系统的不透明可能会导致被认为不公正的自动化决策。从而带来了员工工作中更多的不确定性、冲突等负面后果。同时会破坏组织中的沟通与信任[26]。算法透明的不同水平在组织管理中对员工心理和行为产生深远影响。当算法决策过程高度透明时，员工更可能接受并信任其决策结果，从而顺利适应组织变革。相反，如果算法决策过程缺乏透明度，员工可能会对其产生怀疑和抵触情绪，导致变革阻力增加。因此，提高算法透明度可以有效调节员工的角色压力。
算法透明在负向调节算法控制与员工角色压力关系中发挥着重要作用。一方面，算法透明降低员工的不确定性焦虑。在缺乏透明性时，员工易对算法控制下的绩效评估、任务分配等产生诸多猜测，进而引发焦虑。而算法透明能够体现如绩效评估中工作完成时间、质量和客户满意度等具体指标权重，使员工明晰工作目标和考核标准，从而减轻因不确定性导致的心理压力。另一方面，算法透明能增强员工的自主感和控制感。员工通过知晓算法控制逻辑，可据此调整自身工作行为。此外，算法透明有助于促进信任建立[25]。员工对算法的信任程度影响其对算法控制的接受程度和压力感知，透明的算法可展现其公正性和合理性。基于此，本文提出如下假设。最后，我们构建了如下的研究模型，见图1。
H5、算法透明负向调节了算法控制和与员工角色压力，组织中算法透明度越高，员工的角色压力越小。
Figure 1. Research model
图1. 研究模型图
3. 研究方法
3.1. 研究样本与数据收集
为了收集更加具有代表性和有效性的研究样本，本研究通过网络专业平台与线下企业实地问卷相结合的方式，向正在进行数字化转型和算法管理的员工和管理人员进行问卷调查，共发放问卷400份，回收327份(回收率81.75%)，在筛选出不符合要求和不匹配的无效问卷后，共有问卷289份(有效率88.37%)。其中男性占68.17%，所处行业中计算机与软件行业比例为27%，金融服务业及普通制造业分别占22.1%和38.22%。在企业数字化发展阶段中，算法信息化阶段占19.2%，算法数字化阶段占58.5%，算法智能化阶段占22.3%。
3.2. 变量测量
算法控制感知量表。针对算法管理中控制维度的感知测量，我们使用了Parent-Rocheleau [27]构建的算法管理控制感知量表。例如：我觉得我在日常工作中受到算法系统和数字技术的控制。该量表展现出较好的内部一致性(Cronbach’s Alpha = 0.718)。
角色压力感知量表。Peterson [28]制定的三维角色压力量表是学术界测量角色变革最为广泛的量表之一，国内学者李超平和张翼[29]在该量表的基础上进行汉化与修订。我们依据该量表，采取三个维度并且添加数字化转型、算法管理变革的情境对角色压力进行测量。量表一共13个题项，其中3个题项用于测量角色冲突。5个题项用来测量角色模糊。5个题项用来测量角色超载。其中角色模糊采取的是反向计分。该量表展现出较好的内部一致性(Cronbach’s Alpha = 0.847)。
变革反应量表：在测量组织中员工变革反应时，我们采用了Herscovitch和Meyer [30]编制的变革承诺量表以及Oreg [15]编制的变革抗拒量表。两个量表构成了我们测量员工变革消极反应和积极反应。其中积极反应的变革承诺量表包含情感承诺(包含我相信这次变革是有价值的等6个题项)、持续承诺(包含我别无选择只能服从变革等6个题项)以及规范承诺(包含我感觉有义务支持这次变革等8个题项)三个维度(Cronbach’s Alpha = 0.774)。而消极反应的变革抗拒同样包含情绪上的抗拒(我害怕此次变革等5个题项)，认识上的抗拒(我认为经历此次变革是一件不好的事情等5个题项)以及行为上的抗拒(我曾想办法阻止此次变革的发生等5个题项)三个维度(Cronbach’s Alpha = 0.782)。量表的Cronbach’s Alpha均满足研究要求。
算法透明量表：针对算法透明的测量，我们采取了Parent-Rocheleau et al. [27]编制的算法透明量表。包含了算法监控透明(我知道算法系统会监控什么，不会监控什么等4个题项)和算法表现透明(我知道算法系统是如何产生我的成绩的等4个题项)，其中Cronbach’s Alpha的系数为0.912。
4. 研究结果
4.1. 共同方法偏差检验
本研究通过使用线下线上相结合的方式匿名收集问卷、在问卷中设置反向计分题项等方法控制可能存在的共同方法偏差。本研究中，我们对收集而来的数据使用Harman单因素法进行共同方法偏差检验，未旋转的探索性因子分析结果提取出特征根大于1的因子有5个，最大因子的方差解释率为26.24% (远小于40%)，故本研究不存在严重的共同方法偏差。
4.2. 描述性及相关性检验
为了研究主要变量之间相关度，我们使用SPSS26.0进行相关性分析。表1列出了主要变量之间的平均值、标准差和相关性。算法控制与员工变革承诺负相关(r = −0.376, p < 0.001)，算法控制与员工变革抗拒正相关(r = 0.320, p < 0.001)。算法控制与员工角色压力正相关(r = 0.357, p < 0.001)。由此，本研究假设H1、H2得到了初步支持。
Table 1. Correlation analysis
表1. 相关性检验
变量 |
M |
SD |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
1) 算法控制 |
4.303 |
1.118 |
|
|
|
|
|
|
|
|
|
2) 角色压力 |
4.364 |
1.061 |
0.357** |
|
|
|
|
|
|
|
|
3) 变革承诺 |
3.431 |
1.206 |
−0.376*** |
−0.469*** |
|
|
|
|
|
|
|
4) 算法透明 |
3.584 |
1.237 |
−0.412* |
−0.333** |
0.372** |
|
|
|
|
|
|
5) 变革抗拒 |
4.286 |
1.123 |
0.320** |
0.380** |
−0.400** |
−0.396** |
|
|
|
|
|
6) 性别 |
1.591 |
0.493 |
0.041 |
−0.005 |
0.007 |
−0.026 |
0.130* |
|
|
|
|
7) 年龄 |
3.9 |
1.752 |
0.053 |
0.113 |
0.021 |
0.015 |
−0.029 |
0.059 |
|
|
|
8) 教育 |
4.08 |
0.876 |
−0.033 |
−0.091 |
0.059 |
−0.014 |
−0.046 |
0.006 |
0.019 |
|
|
9) 企业数字化程度 |
2.742 |
0.608 |
0.004 |
−0.003 |
−0.059 |
−0.009 |
−0.070 |
0.016 |
0.096 |
0.064 |
|
注：*、**、***分别代表在p < 0.05，p < 0.01以及p < 0.001下显著。
4.3. 中介效应检验
本研究使用SPSS进行了相应的回归分析。本研究的回归分析如表2所示。根据模型2显示算法控制与压力之间存在显著正相关(β = 0.192, p < 0.001)。模型6表示算法控制对员工变革承诺有显著负向影响(β = −0.257, p < 0.001)，从而支持H1。引入角色压力作为中介变量后，算法控制对员工变革承诺的影响显著(β = −0.211, p < 0.001)。因此，角色压力在算法控制与员工变革承诺中起到了中介的作用。模型7表示算法控制对员工变革抗拒有显著正向影响(β = 0.150, p < 0.001)，从而支持H2。引入角色压力作为中介变量后，算法控制对员工变革抗拒的影响显著(β =0.113, p < 0.01)。因此，角色压力在算法控制与员工变革抗拒中起到了中介的作用。
综上，角色超载分别在在算法控制——变革承诺、算法控制——变革抗拒的两条路径中起到了中介作用，从而验证了假设H3和H4。
Table 2. Regression analysis
表2. 回归检验
变量 |
角色压力 |
变革承诺 |
变革抗拒 |
M1 |
M2 |
M3 |
M4 |
M5 |
M6 |
M7 |
M8 |
控制变量 |
|
|
|
|
|
|
|
|
性别 |
−0.028 |
−0.041 |
−0.156 |
−0.134 |
−0.144 |
0.303 |
0.292 |
0.3 |
年龄 |
0.042 |
0.076 |
0.03 |
−0.005 |
0.013 |
−0.091 |
−0.065 |
−0.08 |
教育程度 |
−0.135 |
−0.087 |
0.007 |
0.03 |
0.051 |
−0.06 |
−0.023 |
−0.006 |
岗位 |
−0.014 |
0.003 |
−0.033 |
−0.054 |
−0.053 |
−0.036 |
−0.022 |
−0.023 |
自变量 |
|
|
|
|
|
|
|
|
算法控制 |
|
0.192*** |
|
−0.257*** |
−0.211*** |
|
0.150*** |
0.113* |
中介变量 |
|
|
|
|
|
|
|
|
角色压力 |
|
|
|
|
−0.243*** |
|
|
0.194** |
F |
1.511 |
8.325*** |
1.511 |
8.325*** |
9.528*** |
1.557 |
8.676*** |
9.270*** |
R2 |
0.024 |
0.275 |
0.036 |
0.217 |
0.263 |
0.037 |
0.224 |
0.258 |
∆R2 |
0.024 |
0.252*** |
0.036 |
0.181*** |
0.047*** |
0.037 |
0.187*** |
0.034*** |
注：*、**、***分别代表在p < 0.05，p < 0.01以及p < 0.001下显著。
4.4. 调节效应检验
随后，我们对模型中的调节效应进行分析，从表3中我们可以看出，M11中算法控制和算法透明的交互项会对角色压力产生显著的负向影响(M11, β = −0.885, p < 0.001)，这表明，算法管理的环境下算法透明度越高，算法控制和角色压力之间的正向关系就越弱。从而验证了假设5。
Table 3. Regression analysis
表3. 调节效应检验
变量 |
角色压力 |
M9 |
M10 |
M11 |
性别 |
−0.055 |
−0.099 |
−0.062 |
年龄 |
0.086 |
0.080 |
0.077 |
教育 |
−0.129 |
−0.121 |
−0.114 |
岗位类型 |
0.077 |
0.087 |
0.077 |
自变量 |
|
|
|
算法控制 |
|
0.259*** |
0.224*** |
调节变量 |
|
|
|
算法透明 |
|
−0.229*** |
0.607** |
交互变量 |
|
|
|
算法控制*算法透明 |
|
|
−0.885*** |
R2 |
0.027 |
0.195*** |
0.254*** |
R2变化量 |
0.027 |
0.168 |
0.058 |
F |
1.74 |
25.387*** |
18.932*** |
注：*、**、***分别代表在p < 0.05，p < 0.01以及p < 0.001下显著。
5. 结论与启示
5.1. 研究结论
本研究拓展了算法控制的概念，将算法控制的研究场景拓展到了更加广泛的常规工作环境中。厘清了数字化转型过程中算法控制对员工变革态度的作用机制。进一步地，本研究通过严谨的实证分析，得出了以下核心结论：1) 算法控制与角色压力之间存在显著的正相关关系。具体而言，当员工感知到较强的算法控制时，过度的算法监控、更加规范严格的工作内容和工作流程以及工作自主性的丧失都会使得员工角色压力显著增加。2) 算法控制与员工的变革态度也存在着显著的效应，具体来说算法控制能够通过增加员工的角色压力从而显著增加员工变革抗拒，同时减少员工的变革承诺。3) 算法透明能够显著调节算法控制和员工角色压力，在较高算法透明水平的组织中，员工的角色压力显著低于较低水平的组织。
5.2. 理论启示
一方面，本研究为算法管理理论的丰富和完善作出了相应的贡献。在当今数字化组织实践中，算法管理和算法控制已然日益盛行，然而，其对员工心理与行为层面所产生的复杂影响却尚未得到全面且深入的剖析。在此背景下，本研究在已有研究成果的基础上进一步深耕。具体而论，本研究突破了以往算法控制，仅聚焦于零工经济研究的局限，并将其拓展到更为常规化的传统工作环境领域。这一举措不仅极大地拓展了算法管理的概念内涵，使其更加具体丰富，而且为后续的相关研究筑牢了坚实的理论根基，明确了研究方向，有力地推动了算法控制概念的持续发展。
另一方面，在算法管理这一复杂情境中，本研究以角色理论为出发点，并结合过往实践经验引入相关变量，深入探究了在算法控制下，员工所产生的角色压力对其变革态度的影响。通过细致入微的实证分析与理论推导，本研究发现算法控制会加重员工的角色压力，进而削弱员工的变革承诺，并增强员工的变革抗拒。此外，研究还表明算法透明在算法控制与员工角色压力的关系路径中发挥着显著的调节作用。
综上所述，本研究不但为算法管理和算法控制概念的发展添砖加瓦，清晰地厘定了算法控制与员工角色压力、变革态度之间的作用机制以及算法透明这一关键边界条件，而且为处于变革环境中的组织算法控制研究开辟了崭新的思路。也为后续研究算法管理中员工工作心理、工作态度以及工作结果研究打下了理论基础。
5.3. 管理启示
本文同样给正在进行数字化转型的企业和组织提供了一些管理启示。第一，算法管理、算法控制虽凭借其数据驱动特性显著提高了员工的工作效率，然而，若过度的控制机制未得到有效约束，极有可能致使员工产生角色压力和不满情绪。鉴于此，组织在运用算法开展管理工作时，需审慎地寻求控制力度与员工角色压力之间的平衡。具体而言，在要求员工提升工作效率的同时，应适当减轻对员工工作内容和流程中那些不必要的监控与限制，赋予员工更多的决策自主权和工作流程灵活性。如此一来，可激发员工的内在动力和积极性，增强他们对工作的自主掌控感，进而有效缓解员工的角色压力，促使员工形成更为积极的变革态度，从而实现良好的工作结果。
第二，组织应当在合理范围内，尽可能提高算法管理环境中算法的透明度。具体来说，在利用算法对员工实施管理控制过程中，要让员工明晰算法的绩效考核逻辑、监控程度以及目的。这有助于提升员工对算法控制的接受程度，缓解员工的角色压力，提高其对相应变革的接受程度，从而使组织能以更高效且创新的方式达成目标。而这一目标的实现，不仅需要员工个人持续努力以适应并突破当前工作框架，还要求组织层面提供诸如培训机会、技术指导等必要的支持与资源，以此保证工作任务与资源分配的合理性和高效性。通过持续优化工作流程和调整任务，组织能够为员工营造更积极、更令人满意的工作环境，进而提升员工的工作体验和投入度，最终为组织的长期可持续发展筑牢根基。