1. 引言
在数字技术深刻改变社会生产模式、经济运行方式及个体生活形态的背景下，实施数字化转型已成为企业构建核心竞争力的关键路径，这一趋势也引发了学术界的持续研究热潮。在数字化转型中，人工智能技术的应用不仅为企业降低劳动力成本，提高企业价值，还能提供强大的数据分析服务，支持企业运营。然而，对于数字化转型中人工智能技术如何作用于组织内部员工行为表现及其作用机理的探讨仍显不足。在这一背景下，学者们开始探讨人工智能冲击意识对员工心理和行为的影响，这种意识可能会引发员工对职业安全感和未来前景的不确定性，进而影响到他们的心理健康和工作态度[1]。因此，探究人工智能冲击意识对组织行为的影响机制具有显著的理论与实践意义，不仅能够帮助管理者探索员工行为模式差异的根源，也为制定人力资源管理策略提供了实证支持。
2. 研究假设
2.1. 人工智能冲击意识对工作不安全感的影响
人工智能技术的快速发展深刻改变了当下社会的生产方式，涂艳等(2023)研究者阐述了人工智能技术对人类就业的两种主要影响方式：首先，智能自动化模式涉及到人工智能技术完全取代人类的工作实现自动化，导致某些工作岗位被机器彻底取代。其次，智能增强模式是指人工智能技术通过承担非核心工作职责，以及辅助人类在核心任务上的执行，从而提高人类的工作效能[2]。智能自动化模式会导致员工认为自己目前所从事的工作存在被人工智能技术替代的风险，这就涉及到员工对工作存在性的担忧，从而正向影响数量性工作不安全感。智能增强模式则会导致员工担心人工智能技术的引进和应用会改变当前工作中重要的工作特征，如工作内容，薪酬水平、技能要求等[3]。员工可能会担心自己的技能不再符合新的要求，例如朱永跃等(2024)的研究证明，技术冲击意识会分别通过挑战性评估和威胁性评估对员工的技能发展产生影响[4]，从而正向影响质量性工作不安全感。综上，提出假设：
H1：人工智能冲击意识会正向影响员工的数量性工作不安全感。
H2：人工智能冲击意识会正向影响员工的质量性工作不安全感。
2.2. 工作不安全感的中介作用
员工的不安全感作为一种压力源可以分为两个维度：质量性和数量性不安全感，包含了阻碍性和挑战性两方面的影响[5]。质量性工作不安全感可能源于薪酬增长空间的减少或工作职责的变动，研究表明当员工面对这种类型的不安全感时，他们更有可能通过自我激励来提高工作表现，这通常与挑战性压力源相关[6]，根据资源保存理论，当员工面对挑战性压力时，员工会产生对自身持有资源损失风险的强烈不安全感，从而激励员工提升个人能力、灵活应对变化来避免进入丧失螺旋。趋近型工作重塑作为一种积极策略，专注于解决问题和目标改进[7]，能够促使他们调整工作内容，改变工作关系，以重塑自己的工作角色，使得员工表现出更多的趋近型工作重塑。
数量性工作不安全感则可能导致员工对其职业前景持续感到担忧，这种担忧更容易引发焦虑情绪，这通常与阻碍性压力源相关[8]，根据资源保存理论，员工认为积极面对阻碍性压力不会带来有意义的结果，因此会倾向于保护已有的资源，为了避免自身资源的无效投入，会减少用于工作领域的资源投入。回避型工作重塑是指避免或消除阻碍性工作需求的积极策略[7]，因此，当员工出现数量性工作不安全感时，他们可能会更注重保护自身资源免受损害使得员工表现出更多的回避型工作重塑。综上，提出假设：
H3：质量性工作不安全感在人工智能冲击意识与趋近型工作重塑之间发挥中介作用。
H4：数量性工作不安全感在人工智能冲击意识与回避型工作重塑之间发挥中介作用。
2.3. 学习目标导向的调节作用
自我决定理论指出，当员工的自主性、胜任力和关联性这三种基本心理需求得到满足时，他们更可能展现出内在动机和积极行为。具有学习目标导向的员工通过追求知识和能力的提升，实际上是在寻求自主性和胜任力的满足。在面对质量性工作不安全感时，学习目标导向高的员工可能会利用他们的内在动机和自我调节资源来采取趋近型工作重塑行为，以提升工作满意度和绩效。在面对数量性工作不安全感时，高学习目标导向的员工会促使员工关注长期的职业发展和个人能力的提升，学习目标导向高的员工同时也更注重内在目标和长期发展，这使得他们在面对工作有被替代的风险时，更倾向于通过积极的工作重塑行为来提升自己的竞争力和适应性。综上，提出以下假设：
H5：学习目标导向在质量性工作不安全感与趋近型工作重塑之间具有正向调节效应。
H6：学习目标导向在数量性工作不安全感与回避型工作重塑之间呈现负向调节作用。
3. 研究方法
3.1. 研究样本
本研究采用问卷调查法来收集数据，为确保数据的多样性和广泛性。主要通过电子问卷和网络问卷等线上形式进行数据收集。问卷的发放对象为各行业的在职员工。最终回收问卷共600份，经数据清洗和无效样本筛除后，本研究最终获得502份合格问卷，样本有效回收率达到83.7%。
3.2. 变量测量
人工智能冲击意识使用Brougham和Haar [9]的4条目量表，工作不安全感采用Hellgren等(1999) [10]开发的7题项量表，包括数量性和质量性，工作重塑采用Harju等[11]改编自Tims等[12]开发的12题项量表，包括趋近型和回避型，学习目标导向采用Vandewalle等[13]的5题项量表。本研究中对年龄、性别、教育水平和任职年限这些因素进行了控制。
4. 研究结果
4.1. 验证性因子分析
本研究采用AMOS24.0软件对样本数据进行验证性因子分析，结果显示六因子模型在各项拟合指标上表现最优，χ2/df值为1.193，符合低于3的统计标准；RMSEA值为0.020，处于可接受范围内；CFI、IFI和TLI值分别为0.991、0.991和0.990，均超过了0.9。这些结果表明，模型适配度良好，各变量之间具有较好的区分效度。
4.2. 相关性分析
本研究对各变量间进行了Pearson相关性检验，揭示变量间内在联系。相关性分析结果显示：人工智能冲击意识与数量性、质量性工作不安全感均呈显著正相关；质量性工作不安全感与趋近型工作重塑之间存在显著正相关；数量性工作不安全感与回避型工作重塑之间也呈显著正相关。
4.3. 假设检验
4.3.1. 人工智能冲击意识对趋近型工作重塑路径的假设分析
由表1中的模型4可知，人工智能冲击意识与趋近型工作重塑之间有显著的正向影响(β = 0.366, p < 0.001)；根据模型1，人工智能冲击意识与质量性工作不安全感之间是显著的正相关关系(β = 0.380, p < 0.01)假设2得到验证；由模型3可知，质量性工作不安全感与趋近型工作重塑回归系数显著(β = 0.385, p < 0.001)，有显著的正相关关系。最后，模型4表明质量性工作不安全感与趋近型工作重塑之间具有显著的正相关关系(β = 0.288, p < 0.001)，且趋近型工作重塑与人工智能冲击意识之间的正相关关系依然显著(β = 0.257, p < 0.001)，说明质量性工作不安全感在人工智能冲击意识与趋近型工作重塑之间存在部分中介作用，假设3得到验证。
Table 1. The mediating role of qualitative job insecurity
表1. 质量性工作不安全感的中介作用
变量 |
质量性工作不安全感 |
趋近型工作重塑 |
模型1 |
模型2 |
模型3 |
模型4 |
控制变量 |
性别 |
−0.015 |
−0.044 |
−0.047 |
−0.039 |
年龄 |
0.010 |
−0.099* |
−0.114* |
−0.102* |
学历 |
−0.032 |
0.028 |
0.042 |
0.037 |
工作年限 |
0.008 |
0.030 |
0.026 |
0.028 |
自变量 |
人工智能冲击意识 |
0.380*** |
0.366*** |
|
0.257*** |
中介变量 |
质量性工作不安全感 |
|
|
0.385*** |
0.288*** |
R2 |
0.146 |
0.149 |
0.163 |
0.220 |
调整R2 |
0.137 |
0.140 |
0.155 |
0.210 |
F |
16.904 |
17.37 |
19.385 |
23.241 |
本研究使用Bootstrap法进行中介效应的检验3，结果表明，质量性工作不安全感的中介效应为0.123，95%的置信区间为[0.079, 0.179]不包括0。由此可知，质量性工作不安全感的中介效应是显著的，假设3得到进一步验证。
4.3.2. 人工智能冲击意识对回避型工作重塑路径的假设分析
由表2中的模型4可知，人工智能冲击意识与回避型工作重塑之间有显著的正向影响(β = 0.373, p < 0.001)；根据模型1，人工智能冲击意识与数量性工作不安全感之间是显著的正相关关系(β = 0.448, p < 0.01)假设1得到验证；根据模型3，数量性工作不安全感与回避型工作重塑回归系数显著(β = 0.405, p < 0.001)，有显著的正相关关系。最后，模型4表明数量性工作不安全感与回避型工作重塑之间具有显著的正相关关系(β = 0.241, p < 0.001)，且人工智能冲击意识与回避型工作重塑之间的正相关关系依然显著(β = 0.295, p < 0.001)，说明数量性工作不安全感在人工智能冲击意识与回避型工作重塑之间存在部分中介作用，假设4得到验证。
Table 2. The mediating role of quantitative job insecurity
表2. 数量性工作不安全感的中介作用
变量 |
数量性工作不安全感 |
回避型工作重塑 |
模型1 |
模型2 |
模型3 |
模型4 |
控制变量 |
性别 |
0.041 |
−0.036 |
−0.061 |
−0.048 |
年龄 |
−0.121** |
−0.086 |
−0.046 |
−0.050 |
学历 |
−0.049 |
0.014 |
0.035 |
0.029 |
工作年限 |
0.031 |
0.002 |
−0.012 |
−0.008 |
自变量 |
人工智能冲击意识 |
0.448*** |
0.373*** |
|
0.295*** |
中介变量 |
数量性工作不安全感 |
|
|
0.405*** |
0.241*** |
R2 |
0.223 |
0.152 |
0.173 |
0.219 |
调整R2 |
0.215 |
0.143 |
0.165 |
0.210 |
F |
28.500 |
17.719 |
20.813 |
23.168 |
本研究使用Bootstrap法进行中介效应的检验，结果表明，数量性工作不安全感的中介效应为0.123，95%的置信区间为[0.079, 0.179]不包括0。由此可知，数量性工作不安全感的中介效应是显著的，假设4得到进一步验证。
4.3.3. 学习目标导向的调节效应分析
从表3可以看出，质量性工作不安全感与学习目标导向的交互项显著影响趋近型工作重塑(β = 0.170, p < 0.001)，说明学习目标导向强化了质量性工作不安全感与趋近型工作重塑之间的正向关系，因此假设5得到验证。调节效应图见图1左，在学习目标导向较高的情况下质量性工作不安全感与趋近型工作重塑之间的回归线斜率更强，假设5得到进一步验证。
同样地，从表3可以看出，数量性工作不安全感与学习目标导向的交互项显著影响回避型工作重塑，且系数为负(β = −0.090, p < 0.05)，说明学习目标导向削弱了数量性工作不安全感与回避型工作重塑之间的关系，因此假设6得到验证。调节效应图如图1右，在学习目标导向较低的情况下数量性工作不安全感与回避型工作重塑之间的回归线斜率更强，假设6得到进一步验证。
5. 结论与讨论
管理者提供了有价值的管理启示，第一，关注员工技术认知，构建透明沟通机制，研究结果表明，员工对技术替代的感知既可能引发消极回避，也可能激发主动适应。管理者需通过定期沟通与技术培训，
Table 3. The test results of moderating effects
表3. 调节效应检验结果
变量 |
趋近型工作重塑 |
回避型工作重塑 |
模型1 |
模型2 |
模型3 |
模型4 |
性别 |
−0.062 |
−0.069 |
−0.076 |
−0.074 |
年龄 |
−0.097 |
−0.098 |
−0.040 |
−0.041 |
学历 |
0.053 |
0.041 |
0.048 |
0.055 |
工作年限 |
0.019 |
0.008 |
−0.021 |
−0.020 |
质量性工作不安全感 |
0.324*** |
0.307*** |
|
|
数量性工作不安全感 |
|
|
0.259*** |
0.233*** |
学习目标导向 |
0.186*** |
0.229*** |
0.273*** |
0.279*** |
质量性工作不安全感 × 学习目标导向 |
|
0.170*** |
|
|
数量性工作不安全感 × 学习目标导向 |
|
|
|
−0.090* |
R2 |
0.193 |
0.22 |
0.222 |
0.230 |
调整R2 |
0.184 |
0.209 |
0.213 |
0.219 |
F |
19.793 |
19.946 |
23.554 |
21.028 |
Figure 1. The moderating effect of learning goal orientation
图1. 学习目标导向的调节效应
帮助员工客观评估人工智能的替代风险与赋能潜力，为员工设计动态化职业发展路径。第二，差异化干预工作不安全感，针对质量性与数量性不安全感的差异化影响，管理者需制定针对性策略：关于质量性工作不安全感通过职业发展规划、技能培训项目帮助员工提升竞争力，缓解其对职业前景的担忧。关于数量性工作不安全感可以通过优化雇佣保障政策和心理支持减少员工对失业的恐惧。第三、培养学习目标导向，激发员工内在动机，企业可通过设计挑战性任务、建立学习奖励机制来强化员工的内在动机。
基金项目
扬州大学商学院研究生创新项目(SXYYJSKC202330)。