现在拒绝：算法集体行动的组合模型

研究背景与问题

• 问题与挑战: 劳动者在外卖平台（如DoorDash）中因低薪订单而常常亏损，尤其是在平台算法自动管理下，他们处于薪资不透明、压力大、不确定性高的工作环境中。劳动者的低报酬及算法决策的不可解释性增加了劳动者的无力感。
• 重要性:
  • 外卖平台与算法管理正在全球范围内改变劳动市场，影响数百万劳动者的生活条件。
  • 为应对这一状况，劳动者需要有效的抵抗策略，这涉及算法管理的集体行动问题，目前关于其有效性和局限的系统性研究较少。
• 研究动机与相关工作:
  • 以DoorDash劳动者发起的#DeclineNow活动为例，研究一项集体拒单策略的有效性及其影响。
  • 现有文献多探讨算法对劳动者的影响或技术本身的抗争性，而较少研究策略设计及参与者的成本效益。
  • 作者提出了一个组合模型，以分析劳动者和平台间的战略交互，填补了研究空白。

解决方案

• 方法与创新之处:

  • 提出了一个组合模型来描述劳动者如何通过拒单策略与平台进行互动。
  • 模型创新点在于建模了集体利益、搭便车收益以及参与成本效益之间的动态关系，同时分析了供需水平对策略成效的影响。
  • 提出了一个理论框架并结合仿真模拟，揭示供需条件、参与规模对集体行动成效的关键作用。

• 实施步骤与关键技术:

  1. 模型假设:
     • 存在线性增薪机制，未被接受的订单会重新分配并带来一定幅度的薪资提升。
     • 劳动者分为参与者（使用拒单策略）和非参与者（接受任何工作）。
     • 平台对订单的分配遵循随机性。
  2. 核心定义:
     • 效用函数: 衡量劳动者在特定市场条件下的平均收益。
     • 溢出效应（Spillover Effect）: 非参与者因参与者拒单而获得的额外收益。
  3. 供应条件: 根据劳动力过剩或不足（以订单与劳动者之比为准），定义市场不同的供需关系。
  4. 仿真模拟:
     • 基于真实数据设定（如订单数量、平均报酬等），建立实验环境，探索不同参与比例和供需条件下的劳动者效用函数。

研究成果

• 具体成果:

  • 集体拒单策略的总体收益始终为正，即整体劳动者的平均收入在策略情况下总高于无策略时。
  • 在劳动力供不应求的情况下，参与者收益始终优于非参与者，且不存在搭便车现象。
  • 在劳动力过剩的场景下，由于溢出效应，非参与者可能受益更多，而参与者收益受到一定限制。
  • 提出了分班工作策略，减少同时在线劳动者数量以缓解劳动力过剩并提升参与者的议价能力。

• 实验或评估结果:

  • 仿真结果显示：
    1. 劳动力少量过剩情况下，非参与者由于溢出效应获益显著。
    2. 过剩程度较高时，参与者的收益下降更快，可能削弱策略的吸引力。
    3. 分班策略（例如将劳动者按时段轮班）可以显著降低劳动力过剩程度，从而增强整体效用。

• 与现有方案的比较:

  • 不同于针对人工智能学习算法的研究，该模型关注于固定分配规则下的抗争策略，策略显著性尽管较低，但在适当条件下仍具有操作性和可实现性。
  • 本研究创新性在于将供需状况视为集体行动成功与否的关键参数，提出了数据驱动劳工集体行动的新思路。

• 局限性与未来方向:

  • 局限性:
    • 平台算法往往以不可见而操作，实际上如何对抗工人战略仍未完全研究。
    • 对劳动者参与意愿、市场供需动态等因变量的时间维度分析不足。
    • 模型建构可能低估了算法调整对策略效果的潜在影响。
  • 未来方向:
    1. 纳入平台反制措施的动态反应模型。
    2. 探讨劳动者合作和参与动态中的社会行为机制。
    3. 设计实用工具，如协作App，以便更多劳动者能够协调行动。
    4. 从平台角度研究如何建立兼顾劳动者权益和客户体验的分配机制。

总结

这项研究通过理论建模和仿真验证，为劳工集体行动尤其是供应过剩环境中的策略设计提供了框架和实用意义。模型较好揭示了劳动力市场中的微观博弈，并为改善外卖平台劳动者策略性集体行动的设计提供了深刻启示。