0. 平台算法对零工劳动者收入稳定性的影响：文献计量综述
1. 引言
全球经济格局在2008年经济危机后经历了显著变革，催生了以数字平台为核心的零工经济。这种新兴的工作模式，通过连接自由职业者与客户以提供短期服务或共享资产，已成为全球劳动力市场中不可或缺的组成部分，并在COVID-19疫情的催化下进一步普及[9]。零工经济对就业创造和就业特性产生了深远影响，例如，截至2020年，美国已有超过5700万人从事零工工作，这表明其在改变传统劳动力市场运作方式方面所扮演的关键角色[6]。
平台算法与人工智能（AI）在零工经济中占据核心地位，它们不仅重塑了传统工作模式，也引发了关于劳动者权益、收入稳定性及社会公平性的复杂讨论[6,9]。AI驱动的算法在提升任务匹配效率、自动化日常调度与数据录入以及提供个性化技能发展机会方面展现了潜力，从而在一定程度上提高了生产力、工作满意度和收入潜力[1]。然而，这种“重塑”并非仅带来积极影响。特别是在发展中国家，平台经济的兴起可能加剧结构性不平等。例如，印度和东南亚的案例表明，尽管平台承诺提供灵活性和高收入，但许多劳动者实际上面临收入下降、工作时间延长、社会保障缺失以及平台权力不对等带来的剥削风险，这凸显了平台算法的“双刃剑”效应[3,6,10]。数字监控与算法控制可能进一步加剧劳动力的剥削，影响劳动者的职业发展和雇佣关系稳定性，进而导致工作稳定性、薪酬和工作环境成为持续关注的核心问题[3,6]。
本综述旨在从宏观和微观层面深入探讨平台算法和AI如何影响零工劳动者的收入稳定性、福祉及其财务状况。现有研究对平台经济存在乐观与悲观两种截然不同的视角：一方面认为平台扩展了收入者的自由和自主性，另一方面则强调算法管理对劳动权力与权威的重塑以及非正规工作形式的加速化趋势[8]。例如，网约车平台如Uber和Lyft，尽管有潜力使劳动力市场民主化，却常被指责助长不公平的工作条件和低工资。其算法实践缺乏透明度，使得理解系统动态和大规模行为变得困难，进而导致工资不平等问题[4]。此外，劳动者异质性对收入稳定性的影响，以及平台劳动者面临的显著月度收入波动性和难以有效利用储蓄和风险保护工具等问题，均是本综述关注的重点[5,8]。通过系统梳理现有文献，本研究旨在揭示平台算法引发的争议和多维影响，填补现有文献在零工劳动者全年收入波动程度以及依赖零工工作的家庭与低收入家庭需求差异等方面的研究空白，并为理解零工经济中算法对劳动者收入稳定性的影响提供更全面的区域性视角[3,5,10]。
1.1 研究背景、意义与综述目的
全球经济格局的演变，特别是2008年经济危机后工作性质的深刻变革，催生了零工经济的迅速崛起。这种由数字平台驱动的短期、灵活工作模式已成为全球劳动力市场中日益重要的组成部分[6,9]。零工经济的核心在于数字平台连接自由职业者与客户，以提供短期服务或资产共享，并在COVID-19疫情的催化下进一步普及[9]。在美国，2020年已有超过5700万人从事零工工作，这表明零工经济已显著改变了劳动力市场的运作方式，对就业创造和就业特性产生了深远影响[6]。
平台算法与人工智能（AI）在零工经济中占据核心地位，它们不仅重塑了传统工作模式，也引发了关于劳动者权益、收入稳定性及社会公平性的复杂讨论[6,9]。AI驱动的算法通过提高任务匹配效率、自动化日常调度与数据录入，以及提供个性化技能发展机会，在一定程度上提升了生产力、工作满意度和收入潜力[1]。然而，这种“重塑”并非简单地带来了积极影响，尤其是在发展中国家等特定情境下，平台经济的兴起可能加剧结构性不平等。例如，印度和东南亚的案例显示，尽管平台宣称提供灵活性和高收入，但许多劳动者实际上遭遇收入下降、工作时间延长、社会保障缺失以及平台权力不对等带来的剥削风险，这凸显了平台算法的“双刃剑”效应[3,6,10]。数字监控与算法控制可能加剧劳动力的剥削，影响劳动者的职业发展和雇佣关系稳定性，进而导致工作稳定性、薪酬和工作环境成为持续关注的问题[3,6]。
本综述旨在从宏观和微观层面深入探讨平台算法和AI如何影响零工劳动者的收入稳定性、福祉及其财务状况。现有研究对平台经济的乐观与悲观视角并存，一方面认为平台扩展了收入者的自由和自主性，另一方面则强调算法管理对劳动权力与权威的重塑，以及非正规工作形式的加速化趋势[8]。网约车平台如Uber和Lyft虽有潜力使劳动力市场民主化，却常被指责助长不公平的工作条件和低工资，其算法实践缺乏透明度，使得理解系统动态和大规模行为变得困难，进而导致工资不平等问题[4]。此外，劳动者异质性对收入稳定性的影响，以及平台劳动者面临的月度收入波动性显著、难以有效利用储蓄和风险保护工具等问题，均是本综述关注的重点[5,8]。通过系统梳理现有文献，本研究旨在揭示平台算法引发的争议和多维影响，填补现有文献在零工劳动者全年收入波动程度以及依赖零工工作的家庭与低收入家庭需求差异等方面的研究空白，并为理解零工经济中算法对劳动者收入稳定性的影响提供更全面的区域性视角[3,5,10]。
1.2 综述结构与研究路径
本综述旨在为理解平台算法对零工劳动者收入稳定性的复杂影响提供全面视角，通过识别核心概念、理论框架、研究方法和主要发现来构建[3,8]。本综述将采用清晰的逻辑框架，引导读者逐步深入了解平台算法对零工劳动者收入稳定性的影响，并批判性地整合不同观点。特别是，鉴于零工劳动者的异质性是导致持续争议的复杂性来源，本综述将着重探讨这一因素[8]。
本综述的结构设计如下：第二章将界定核心概念并奠定理论基础。第三章将详细阐述算法对收入稳定性的具体影响机制与挑战。例如，研究表明平台匹配算法的微小参数变化可能导致司机收入分布的巨大偏差，形成高度不可预测的系统，并可能通过反馈循环强化收入差距的长期存在[4]。第四章将探讨调节因素，例如不同国家和地区的零工劳动者财务状况差异，如印度地区平台劳动者的收入、储蓄工具和社会保护措施等，均可能影响其收入稳定性[5]。第五章将聚焦应对策略与政策影响，这包括政府、公共部门、劳动者主导的回应以及私营部门的解决方案，以改善劳动者福利和促进零工经济的可持续发展[9]。
第六章将识别研究空白并展望未来方向。现有文献已系统梳理了零工经济对工作性质、实际工资与通货膨胀、全球失业率、数据与工会以及低工资与性别影响等五个主要领域的影响，并提出了促进更公平、更包容就业市场的政策建议[6]。在方法论上，有研究通过文献计量分析方法，利用Harzing's Publish or Perish收集980篇学术文章，并利用VOSviewer进行主题聚类分析，识别出“零工经济与工作”、“实际工资与通货膨胀”、“全球影响与失业”、“数据与工会”以及“低工资与性别影响”五个核心主题群[6]。这些研究为本综述提供了坚实的基础，但仍需进一步探讨算法对收入稳定性的深层机制及其复杂影响。此外，本综述还将参考平台劳动文献中关于乐观视角（强调效率和创业机会）、技术中心视角（侧重算法和数字监控）以及非正规工作视角（关注工作不稳定性）的争议、知识空白和未来研究方向，以期提出更具前瞻性的研究议题[8]。
2. 核心概念界定、理论基础与零工劳动者财务特征
零工经济作为21世纪资本主义结构中的显著转型，其核心在于数字平台作为中介，连接自由职业者与客户，促进短期服务或资产共享的提供。这一模式颠覆了传统的全职雇佣关系，以短期合同、自由职业者和按需工作为主要特征 [2,9]。数字平台在此过程中扮演着至关重要的角色，使得工作的灵活性、任务驱动性以及劳动者普遍作为独立承包商而非传统雇员的法律身份成为零工经济的显著特点 [2]。尽管零工经济在提供就业机会和工作灵活性方面具有积极作用，但其在结构和运作机制上引发了对劳动者权益保障、收入稳定性和社会福利获取的深层担忧。
零工经济的快速发展以及人工智能（AI）与平台算法的深度融入，不仅重塑了传统劳动力市场，也为零工劳动者的财务状况带来了复杂的影响。本章旨在深入探讨零工经济的核心概念与演变，零工劳动者的群体特征及其在算法管理下的工作体验，并着重分析平台算法对零工劳动者收入稳定性的影响，包括其如何通过动态定价、任务分配、声誉系统和游戏化机制等手段塑造劳动者的收入模式与财务韧性。此外，本章将讨论零工劳动者所面临的财务脆弱性，并探讨现有研究在收入衡量方面的局限性，以期为理解这一新兴劳动形态的复杂性提供一个全面的理论框架和实证背景。通过对这些核心概念、理论基础和财务特征的界定与分析，本章将为后续关于平台算法对零工劳动者收入稳定性影响的深入探讨奠定坚实的基础。
2.1 零工经济与零工劳动者
零工经济作为二十一世纪资本主义的显著特征，其核心在于数字平台作为中介，连接自由职业者与客户，促进短期服务或资产共享的提供[9]。这种模式以短期合同、自由职业者和按需工作取代了传统的全职雇佣关系[2]。其主要特点包括工作的灵活性、任务驱动性、数字化平台的参与以及劳动者普遍作为独立承包商而非传统雇员的法律身份[2]。零工经济覆盖了广泛的行业，包括交通、住宿、配送服务、在线市场以及专业服务（如平面设计、写作、咨询）[1]。
不同研究对零工经济的定义和范围界定存在共性与差异。普遍观点认为，数字中介平台的参与是零工工作与传统临时性工作的关键区别[9]。平台组织虽促进交易双方互动，却常通过规避法律责任，将自身定位为交易中介而非雇主[9]。零工工作可细分为三类：应用工作（App work），如Uber和Deliveroo，工人完成本地任务并承担运营成本；众包工作（Crowd work），如Amazon Mechanical Turk，工人远程完成人工智能任务；以及资本平台工作（Capital platform work），如Airbnb，个人通过平台出租资产或出售商品[9]。此外，护理工作领域的数字平台兴起，亦将传统上非正式、个人化的护理服务数字化、标准化，成为零工经济的重要组成部分，体现了服务的即时性、工作的灵活性和收入的按需获取特征[7]。然而，将劳动者分类为独立承包商而非雇员，使得他们无法享受传统劳动法保护和社会福利，这反映了零工经济中“虚假自雇”问题的普遍存在，并引发了对工人保障、收入稳定性和福利获取的担忧[1,10]。
零工劳动者群体表现出高度异质性，其选择零工工作的主要驱动因素各异。许多劳动者被零工平台承诺的灵活性和潜在高收入所吸引，尤其是那些寻求兼职工作或补充收入的人群[3,5]。例如，在发展中国家，零工工作因其准入门槛低且不依赖于先前的社交网络或社区成员身份，为大量寻求替代性就业机会的弱势群体提供了最低收入保障，特别是在非正规经济普遍存在的背景下[3,5]。
然而，这种“灵活性”在很大程度上是被平台算法所塑造和控制的，从而剥夺了劳动者真正的自主性，形成了“受控的灵活性”的假象。劳动者为了获取任务和满足评分要求，常常不得不长时间在线等待或工作，导致工作时长和强度被算法隐性规定[5]。平台通过任务推送、激励机制、绩效评估等算法设计，精细化管理着劳动者的行为和工作流程。例如，平台可根据需求调整任务分配、薪酬结构和奖励机制，从而影响劳动者的工作选择和收入，使劳动者处于被动适应的地位[8]。
此外，平台经济不仅再现，甚至加剧了传统经济中的收入不平等。研究表明，种族和民族差异在平台经济中依然体现，例如非裔和拉丁裔劳动者可能面临更低的工资和福利[8]。这种不平等的系统性原因在于平台利用算法筛选和管理劳动者，固化社会分层。平台算法在任务分配、价格设定和劳动者评分机制中可能存在隐性偏见，导致特定群体难以获得高价值任务或面临更低的报酬。例如，Ravenelle (2019) 根据平台工作的依赖程度将劳动者分为“挣扎者”、“奋斗者”和“成功者”，而Schor及其同事 (2020a) 则提出了“依赖型收入者”和“补充型收入者”的分类，这些分类揭示了平台工作者在收入依赖度、工作时长和对平台依赖程度上的显著差异，其中依赖程度越高的劳动者往往面临更严苛和强制性的工作条件，使得这些劳动者难以摆脱困境，加剧了收入分化[8]。例如，在东南亚，许多平台劳动者（尤其是司机和送货员）来自低收入家庭，他们选择零工工作是为了补充收入或在缺乏其他就业机会时维持生计，即便工作条件艰苦且收入不稳定，他们也别无选择[10]。
总结而言，零工经济在提供一定灵活性的同时，也带来了劳动者虚假自雇、算法控制下的“受控灵活性”以及收入不平等等深层次问题。这些问题亟待政策制定者和研究人员的关注，以促进零工经济的可持续发展，并保障劳动者的合法权益。
2.2 人工智能与平台算法管理
人工智能（AI）与平台算法在重塑零工经济中扮演着双重角色。一方面，AI驱动的算法通过高效的任务匹配和资源优化，显著降低了交易成本，例如在劳动力与任务间的精准匹配上，AI能够基于技能和偏好进行优化[1]。同时，平台通过众包声誉信息和用户评分系统为零工劳动者提供信任保障，这有助于提升个体自雇的可行性[8]。此外，AI技术还能够自动化日程安排和数据录入等重复性任务，使劳动者能够专注于更高价值的活动，从而提高生产力并增加收入[1]。AI驱动的平台亦能提供个性化学习和技能提升机会，通过分析劳动者表现和技能差距，推荐定制化的培训模块，以帮助他们保持竞争力[1]。
然而，AI与平台算法的引入也带来了“算法管理”的“黑暗面”，这主要体现在对劳动者施加的控制与随之而来的负面影响上[8]。平台组织通过算法管理对零工劳动者进行严格监控和纠正措施，这与平台最初宣称仅作为供需连接者的定位相悖[9]。这种管理模式具有高度的自动化和不透明性，对劳动者产生了强大的规训效应[10]。算法管理作为一种新型的管理范式，其特点在于通过“黑箱”操作加剧了不透明性，对劳动者的自主性、透明度和工作条件产生了深远影响[3]。
平台算法的功能可以细分为多个方面，但这些算法并非中立工具，其设计旨在实现平台效率和利润最大化，这必然与劳动者利益产生冲突。具体的算法管理机制包括：
- 任务分配与路线规划：算法决定订单如何分配给劳动者，以及最优的行进路线。这使得劳动者对工作机会的获取缺乏控制权，任务分配的黑箱操作加剧了劳动者对自身绩效和报酬理解的缺失[3,10]。例如，网约车平台中的匹配算法，尽管其具体运作机制不透明，但已显示出对司机收入分配产生不平等影响的潜力[4]。
- 动态定价：平台根据供需、时间、地点等因素实时调整服务价格。平台利用动态定价来激励或惩罚劳动者，例如在高峰期提高佣金以吸引更多司机上线[10]。这种不透明的支付结构使得劳动者对其收入控制权很小[5]。
- 声誉系统与顾客评分：劳动者通过顾客评分和平台内部声誉系统被持续评估。低分可能导致接单减少甚至被“停用”（deactivation），这种机制使得劳动者处于持续的压力之下以取悦顾客和平台，并可能导致“算法不安全感”[8,10]。客户的星级评分可能具有任意性，而未达到最低星级评分可能导致劳动者受到惩罚或被平台屏蔽[5]。
- 游戏化机制：平台通过设定完成任务目标、奖励积分或等级系统来激励劳动者长时间工作和保持高活跃度，以获取更高的收入或奖励，但这通常以劳动者的健康和福祉为代价[10]。
- 惩罚与停用：未能满足平台设定的标准（如接单率、取消率、服务质量）可能导致平台对劳动者进行罚款、暂时停用甚至永久停用，这使得劳动者面临巨大的生存压力[10]。
- 数字监控：平台通过GPS定位、应用内行为数据等对劳动者进行实时监控，收集大量数据用于算法优化和行为预测，进一步强化平台对劳动者的控制，从而导致人际关系和同理心的缺失[9,10]。
这种算法管理模式对传统雇佣关系构成了挑战，平台组织通过先进的算法系统削弱了向零工工人承诺的自由和选择[9]。算法的“黑箱”操作加剧了劳动者的无力感，使其缺乏对自身绩效、报酬和工作分配的理解，从而难以进行有效申诉或争取权利，并对劳动者的心理健康和信任度产生负面影响[3,10]。同时，AI的引入也带来了岗位流失和收入不确定性的挑战，特别是在低技能工作者中，例如AI自动化家具组装可能导致工作岗位流失[1]。此外，算法偏见也可能因地域、性别或历史评分等因素限制特定群体的就业机会，进一步加剧了数字劳动力市场的不平等[1]。
面对算法管理带来的挑战，零工劳动者已开始通过工会和劳工运动组织起来，争取更好的薪酬和工作条件[6]。值得注意的是，一些AI工具，如GigSense和GigSousveillance，已被零工劳动者用于收集和分析与工作问题相关的数据，以识别剥削模式和工资不一致性，从而促成更明智的集体行动[6]。
当前研究在揭示算法设计中“偏见根源”（例如，训练数据偏见、算法设计者价值观）方面仍存在不足。未来研究应通过算法审计和可解释AI (XAI) 等方法进行深入探索和规避，以提升算法透明度，确保其公平性和可问责性，从而更好地保障零工劳动者的权益[3,10]。
2.3 零工劳动者财务特征与收入衡量
零工劳动者的财务特征呈现出显著的多样性与脆弱性，其收入稳定性受平台工作模式、算法干预及社会保障缺失的综合影响。平台算法在任务分配和定价机制中的主导作用，直接导致了零工劳动者收入的波动性与不可预测性，从而削弱了其财务稳定性，尤其对于那些将平台工作作为主要收入来源的劳动者而言 [1]。这种收入的不确定性不仅体现在日/周收入的剧烈波动，还反映在平台盈利压力下报酬实践的持续收紧，例如网约车和送餐服务领域，劳动者收入普遍下降，甚至远低于维持生计的水平 [8,10]。
不同群体在财务脆弱性上存在差异。许多零工劳动者抱怨工作无法提供维持生计的工资或其他安全保障，尤其是“挣扎者”为了生存被迫长时间工作 [8]。平台间的收入差异也加剧了不平等，例如，短期住宿等需要更高资本投入或技能的平台通常能提供更高的收入和更大的自主性，而低收入个体则更倾向于参与劳动密集型零工平台，甚至可能导致特权劳动者抢占原本属于工人阶级的收入机会 [8]。值得注意的是，完全依赖平台工作的劳动者，其收入波动性通常比兼职工作者更差，这凸显了作为主要收入来源的零工劳动者面临的更大财务风险 [5]。
零工经济背景下，特别是在人工智能和算法干预下，收入稳定性成为突出问题。平台算法设计中的微小变化可能导致司机收入分布的巨大偏差，形成一个高度不可预测的系统，向表现相同的司机分配截然不同的收入，从而强化初始收入差异并导致长期工资差距 [4]。此外，自动化对某些平台工作岗位的潜在影响，算法偏见对就业机会的限制，以及自动驾驶技术可能带来的大规模失业问题，都间接反映了零工劳动者收入稳定性面临的多维挑战 [1]。
现有研究通过定性描述反映了收入稳定性问题。例如，“挣扎者”为了维持生计被迫长时间工作，如在东南亚，一些网约车司机报告每天工作12-14小时甚至更久，但净收入仍远低于生活成本 [10]。平台收紧报酬实践，如取消奖励和激励机制（例如Grab在2019年取消了司机忠诚度计划），进一步加剧了收入的波动性、可预测性和充足性问题 [10]。零工劳动者普遍对薪酬水平感到不满，且在多方工作关系中处于劣势，因为他们拥有的权力有限，平台通过订单分配、报酬定价等方式间接影响劳动者收入 [9]。
在财务规划和风险应对能力方面，零工劳动者面临严重挑战。由于平台将劳动者归类为独立承包商，他们被剥夺了最低工资、失业福利和工伤赔偿等标准就业保护和福利 [8]。这种缺乏社会保障和福利的状况，使得平台劳动者在面对疾病、事故等意外事件时几乎没有经济保障，财务脆弱性进一步暴露 [10]。零工收入的波动性和不可预测性限制了劳动者规划储蓄的能力，调查显示部分劳动者在支付必需品后没有剩余资金，或在某些月份没有储蓄，且只有少数人能获得保险或养老金产品 [5]。
尽管现有研究对零工劳动者的财务困境和收入稳定性问题进行了深入的定性分析，但普遍缺乏具体量化衡量方法的支持，这是当前研究的局限性。研究普遍未能提供具体的收入水平、波动性、储蓄行为、信贷可及性或风险保护机制的定量数据 [2,9]。未来的研究应致力于构建多维收入稳定性指标体系，包括收入水平、波动性、可预测性、充足性等。可运用时间序列分析、异方差模型（Heteroskedasticity Models）或隐马尔可夫模型（Hidden Markov Models）等方法，对平台劳动者收入数据进行量化分析，以更精确地捕捉其收入动态和脆弱性。此外，可以引入“经济韧性”等概念，将其作为收入稳定性的一个更广阔的衡量维度，以全面评估零工劳动者在面对财务冲击时的适应和恢复能力 [5]。
3. 零工劳动者收入稳定性影响机制与挑战：算法与人工智能的视角
平台经济的兴起伴随着其独特的算法管理与人工智能（AI）驱动机制，这些机制深刻地重塑了零工劳动者的工作体验，尤其是在收入稳定性方面带来了前所未有的挑战与复杂的考量。本章旨在深入剖析平台算法对零工劳动者收入稳定性所产生的多维度影响，并通过整合现有文献，揭示其背后的运作机制、核心挑战以及潜在的解决方案。
当前研究普遍认为，零工经济在为劳动者提供灵活性的同时，也带来了显著的收入波动性与不确定性，这严重制约了劳动者的财务规划能力，进而可能对宏观经济稳定产生负面影响[5,6]。这种波动性主要源于平台算法的“黑箱”性质，以及其对任务分配、动态定价和奖惩机制的完全控制[1,3]。即使是微小的算法参数调整，也可能导致相似表现的劳动者获得截然不同的收入，从而加剧了收入的不确定性和不平等[4]。此外，平台市场策略，如取消奖励计划和提高佣金，进一步压缩了劳动者的实际收入，并加剧了其收入波动性[10]。自动化技术，尤其是在低技能劳动者领域，也引发了对大规模工作岗位流失和收入不安全的担忧[1]。
除了收入波动性，平台算法还通过其内部机制，如订单分配、报酬定价、客户评分以及AI驱动的自动化，直接影响劳动者的收入水平，并加剧收入不平等现象[8]。算法偏见可能基于地理位置、性别或历史评分等因素，限制了特定人群获取工作机会，从而导致不同群体间的收入差异，削弱了受影响劳动者的议价能力[1]。例如，研究发现带有特定民族名称的求职者在在线平台上获得积极回应的可能性更低，揭示了系统性偏见的存在[1]。平台通过不透明的薪酬结构和众包评级系统，进一步剥夺了劳动者对其工作和收入的控制权，使得低评分可能导致惩罚或停用，直接影响其收入[5]。
平台算法还对零工劳动者的工作自主性和可预测性施加了复杂的隐蔽控制，形成了所谓的“自主性悖论”[9,10]。通过数字监控、客户评分系统和“游戏化”机制，平台对劳动者进行微观管理，从而影响其工作自由度和收入潜力[3,8]。尽管平台声称提供灵活性，但许多劳动者为了维持生计或满足平台要求，不得不长时间工作或在高峰期工作，这剥夺了他们对工作时间的实际控制，并导致工作任务碎片化和时间的不确定性[5]。这种缺乏透明度的算法管理模式，削弱了零工劳动者所期望的自由和选择，甚至可能导致身心健康问题[9,10]。
在职业发展和长期收入稳定性方面，平台算法管理也带来了显著挑战。传统雇佣关系中的职业培训、晋升机会和社会保障在零工工作中通常缺失，使得零工工作常被视为缺乏职业发展前景的“死胡同”[8,10]。算法的绩效评估机制，如客户评分系统，虽然影响短期收入，但对长期职业发展的积极作用有限，甚至可能因算法偏见而阻碍特定劳动者的发展[3,8]。平台早期提供较高收入，但随着激励措施减少，劳动者收入潜力往往下降，使其难以成为长期的职业路径[5]。然而，部分研究也指出平台在通过提供培训和认证、利用AI分析技能差距和优化任务定价等方面，具有提升劳动者技能和长期收入潜力的可能性[1,7]。
最后，零工经济中平台盈利模式与劳动者福利之间存在内在冲突，主要表现为平台追求效率和利润最大化往往以牺牲劳动者收入稳定性为代价[2]。平台通过“虚假自雇”模式，规避传统雇主责任，不提供健康保险、养老金等福利，从而将运营风险和成本转嫁给劳动者[2,5]。这种模式使得平台能够以较低成本运营，但劳动者却承受了大部分工作风险并处于脆弱境地[9]。立法机构试图通过法律手段，如加州AB5法案，将零工工人重新分类为雇员以赋予他们劳动保护，但这些尝试常遭遇平台经济的巨大阻力，反映了监管所面临的挑战[9]。
总体而言，现有研究在揭示平台算法对零工劳动者收入稳定性影响方面取得了显著进展，但仍存在诸多研究空白。例如，在量化算法导致收入波动性的具体机制方面，特别是建立算法设计与收入波动性之间的精确因果关系上仍显不足，且未能提供具体的算法优化建议。此外，对平台算法偏见根源的深入分析不足，且缺乏有效消除这些偏见的解决方案。未来研究应致力于探索公平性算法设计与实施、劳动者数据所有权、可迁移声誉系统，以及共享收益模式和平台合作社等创新商业模式，以期在平台经济的效率与劳动者的公平权益之间实现平衡，从而有效缓解零工劳动者所面临的收入稳定性挑战。
3.1 收入波动性与不确定性
零工经济以其灵活性吸引劳动者，然而，收入的不稳定性和不可预测性已成为其核心挑战，这严重限制了劳动者的财务规划能力，包括储蓄、保险和偿还贷款[5,6]。凯恩斯理论指出，这种不稳定的收入模式会抑制家庭支出，进而可能限制总体需求并减缓经济复苏，凸显了零工经济对宏观经济的潜在负面影响[6]。
导致收入波动性的主要算法与人工智能因素在于平台算法的“黑箱”性质及其对任务分配和定价的控制[1,3]。平台算法的动态定价和任务分配机制，使得零工劳动者难以预测每日收入，从而无法进行有效的财务规划[10]。网约车匹配算法的设计决策即是一个典型案例，即使是表现相同的司机，也可能因算法参数的微小变化而获得截然不同的收入，导致高度不可预测的收入分布，这加剧了收入的波动性和不确定性[4]。此外，平台市场策略，如取消奖励计划和提高佣金，也直接导致劳动者收入的下降和波动加剧[10]。人工智能自动化技术，如 TaskRabbit 平台对家具组装工作的整合以及网约车公司未来潜在采用自动驾驶汽车，进一步引发了对大规模工作岗位流失和收入不安全的担忧，尤其对低技能劳动者影响显著[1]。
不同研究对收入波动性程度的评估存在差异，这主要与研究方法、数据来源和样本特征有关。例如，一项针对加拿大零工劳动者的调查显示，15%的受访者表示其收入存在“无法控制地”月度波动，而另有36%表示波动是可控的[5]。这种差异可能源于问卷调查的受访者主观感知，与通过平台数据进行的客观量化分析结果有所不同。此外，研究样本的地域（如印度、加拿大等）和行业（如网约车、家具组装等）差异，以及劳动者类型（如兼职零工与全职零工）的区分，均可能影响对收入波动性程度的评估。现有研究在量化算法导致收入波动性的具体机制方面仍面临挑战，特别是在建立算法设计与收入波动性之间的精确因果关系上存在不足，且未能提供具体的算法优化建议以有效降低波动性。
这种收入不确定性对劳动者财务规划和生活质量产生差异化影响。“依赖型收入者”，即完全依赖零工工作维持生计的群体，其财务稳定性受到严重损害[1]。他们无法预测任务可用性和报酬调整，使得收入高度依赖算法的实时决策，缺乏可预测性，从而增加了财务风险[3]。相比之下，“补充型收入者”可能将零工工作视为一种财务保险形式，以平滑主要收入波动期间的消费[6]。然而，即便对于补充型收入者，长期不确定性仍可能构成潜在风险。平台盈利压力加剧了收入波动性和不确定性，平台可能通过频繁调整佣金率和奖励机制来优化自身收益，这直接将市场风险转嫁给劳动者。现有研究在提供有效应对策略以缓解这些负面影响方面仍显不足。
未来研究应着重于通过更具体的数据来源（如平台原始交易数据），结合混合研究方法，深入探究动态定价算法和派单算法如何通过调整参数（例如，高峰期与低谷期的价格弹性调整、任务分配逻辑的优先级设置）影响收入波动性，并分析在不同市场供需条件下算法策略对收入波动性的差异化影响。例如，高峰期的动态定价算法可能带来短期高收入，但低谷期则收入锐减。此外，建立算法设计与收入波动性之间的精确因果关系模型，并在此基础上提出可行的算法优化建议，是亟待解决的研究空白。
3.2 收入水平、不平等与劳动力议价能力
平台算法和人工智能（AI）驱动的自动化对零工劳动者的收入水平、收入差异以及劳动力议价能力产生了系统性影响[1]。平台通过其内部机制，如订单分配、报酬定价、客户评分及AI驱动的自动化，直接影响劳动者收入并加剧收入不平等[8]。例如，Upwork等平台上的算法偏见，可能基于地理位置、性别或历史评分等因素，限制了特定人群（如少数民族、女性和少数群体）获得工作机会，从而加剧了收入不平等[1]。研究发现，带有特定民族名称的求职者在在线平台上获得积极回应的可能性更低，这凸显了在线招聘过程中系统性偏见的存在[1]。世界经济论坛的报告也指出，女性和少数群体在数字经济中的代表性不足，进一步延续了在线工作机会的不平等[1]。这种算法偏见直接导致了不同群体间的收入差异，削弱了受影响劳动者的议价能力，因为他们被剥夺了公平获取任务和获得合理报酬的机会[1]。
平台算法通过其内部机制，如基于效率优化的匹配规则、竞争性定价策略以及不透明的奖励与惩罚系统，生成并强化收入差异。网约车匹配算法的设计可以产生收入不平等，即使表现相同的司机也可能获得截然不同的收入，系统参数的微小变化会导致司机收入分布的巨大偏差[4]。这种算法系统中的反馈循环可能导致最初的收入差异被强化，形成长期的工资差距[4]。零工经济也加剧了收入不平等和性别差距问题，尽管数字平台为女性提供了灵活的工作机会，但往往加剧了不平等，例如女性在从事相似工作时收入低于男性[6]。平台算法还导致“薪资下降和工作重塑”[6]。平台通过众包评级系统建立信任并确定支付结构，但支付结构的不透明性使得劳动者对自身工作和收入的控制权很小，客户的星级评分可能具有任意性，未达到最低评分可能导致劳动者受到惩罚或被平台屏蔽，直接影响其收入[5]。随着平台初期激励措施的减少，成本更多地转嫁给了消费者或劳动者，导致每任务激励和总收入潜力下降，尤其是在平台上工作时间越长的劳动者，其收入下降越明显[5]。
在平台经济中，收入不平等的加剧也与特定人群的“算法偏见”深层原因相关，如训练数据中的历史偏见和算法开发者的价值观。例如，Dubal (2021) 认为，平台经济中黑人和拉丁裔劳动者的比例过高，这构成了新的种族工资代码，平台试图在独立承包商和雇员之间创建一个隐含种族化的“第三类”就业身份，以更低的工资、更少的福利和不达标的保护来对待这些劳动者[8]。她指出，尽管平台公司援引了种族正义的语言（即包容少数民族和种族），但他们的行为却减少了这些劳动者获得平等就业机会的途径[8]。这种机制使得收入在不同平台和不同劳动者类型之间存在显著差异，例如，需要更高资本投入或技能的平台（如短期住宿网站）往往提供更高的收入和更大的自主性，而低收入个体则更有可能参与劳动或零工平台，从而挤压最弱势劳动者的收入空间[8]。护理工作数字平台上的护理工作者收入水平和潜在不平等可能受到平台设计和市场动态的影响，平台往往设定服务价格或提供价格建议，并抽取一定比例佣金，影响了劳动者的实际收入[7]。
平台通过数字监控、评分系统和“游戏化”机制以及信息不对称（如隐瞒目的地信息或客户支付价格）来操纵工作条件，从而系统性地削弱劳动者议价能力。零工工人所拥有的权力有限，因此处于劣势地位，这可能导致薪酬水平、权力不平衡和自主工作方面的挫败感[9]。平台组织在多方关系中扮演着最具挑战性的角色，它们既控制着工作关系，又避免承担任何法律义务，这可能导致劳动者议价能力受损[9]。东南亚平台劳动者普遍面临收入下降的困境，平台通过对订单分配、定价和奖励机制的完全控制，使得劳动者几乎没有与平台议价的空间[10]。劳动者之间为了争取订单而进行竞争，进一步压低了劳动报酬[10]。平台利用其数据和算法优势，掌握了劳动者行为和市场供需的全面信息，而劳动者则处于信息不对称的劣势，这使得他们无法有效形成集体行动或进行有效的谈判[10]。此外，将平台劳动者分类为独立承包商，意味着平台无需支付最低工资，进一步加剧了收入不平等问题[5]。劳动者在缺乏集体议价能力的情况下，个人面对平台时处于弱势地位，导致其收入水平受限且议价能力不足[2]。
当前研究对平台算法偏见根源（例如，训练数据偏见、算法设计者价值观）的深入分析不足，并且缺乏有效消除这些偏见的解决方案。未来研究应更深入地探讨其内在的经济学原理，如赢者通吃效应和网络外部性，以及算法如何通过个性化定价和任务匹配不透明性来固化这种不平等。例如，对表现相同的司机分配截然不同的收入现象，为理解算法如何通过不透明的机制加剧普遍性的收入不平等提供了模型基础[4]。此外，应进一步探讨特定人群面临的“算法偏见”的深层原因，并提出未来研究应探索公平性算法（Fairness-aware Algorithms）的设计与实施，以缓解这些不平等。
3.3 平台控制、工作可预测性与时间灵活性
平台经济中的算法和人工智能（AI）通过复杂的隐蔽控制机制，对零工劳动者的工作自主性、收入稳定性和可预测性产生了深远影响，这种现象与“自主性悖论”相呼应[9,10]。平台通过数字监控、客户评分系统、游戏化机制以及潜在的停用惩罚等手段，对劳动者施加微观控制，从而影响其自主性和收入[3,8]。
具体而言，数字监控技术，如全球定位系统（GPS）追踪，被广泛应用于驾驶和送货服务中，实时监控劳动者的行动并分配任务[8,9]。客户评分系统作为一种间接的管理控制手段，不仅起到监督作用，更可能造成劳动者的“算法不安全感”，因为低分可能导致任务分配减少甚至被平台停用，从而直接影响其未来的工作前景和收入潜力[2,3,5,7,8,9,10]。此外，平台利用游戏化机制，通过奖励和激励诱使劳动者长时间在线并接受更多任务，同时平台可以根据自身目标无缝地调整这些条件，而非满足劳动者意愿，这种权力通过具有法律约束力的服务条款得以确立[8,10]。
尽管平台普遍宣称提供工作灵活性和自主性，但研究表明，这种灵活性在实践中常常是一种假象[5]。为了维持生计或满足平台要求，许多劳动者被迫长时间工作或在平台需求高峰期工作，这实质上剥夺了他们对工作时间的实际控制，并导致工作任务碎片化和工作时间的不确定性[2,3,5,8]。例如，某些平台甚至要求劳动者每天至少在线10小时[5]。这种算法管理模式，在缺乏透明度的情况下，严密调节市场并取代了传统的人力资源流程，从而削弱了零工工人所期望的自由和选择[6,9]。这不仅影响了劳动者的收入可预测性，也剥夺了他们应有的雇佣保护和福利，甚至可能导致睡眠不足、过度劳累和精疲力竭等负面健康影响[9,10]。
当前研究在探讨劳动者如何真正夺回自主权、有效对抗算法控制的策略方面存在不足。现有法律法规在界定平台责任、保障劳动者“脱钩权”（right to disconnect）方面也面临挑战。未来的研究应更明确地关注劳动者如何通过策略性地利用平台规则、形成非正式社群互助等方式，在一定程度上夺回自主权。例如，可以探究劳动者如何利用平台的“游戏化”规则反向操作以提升自身收益，或通过线上/线下社群共享信息、规避风险。同时，这些“抵抗”行为如何反作用于算法设计和平台政策的演变，也值得深入分析。此外，政府在界定平台责任和保障劳动者“脱钩权”方面的法律创新至关重要。这包括探讨引入“劳动者数据所有权”概念，允许劳动者对其在平台上的数据拥有更多控制权；以及建立“可迁移声誉系统”，使得劳动者的客户评分和工作历史可以在不同平台间转移，从而削弱单一平台对劳动者的锁定效应，进而提升工作可预测性和时间灵活性。
3.4 职业发展与长期收入稳定性
平台算法管理与人工智能自动化对零工劳动者的职业轨迹及其长期收入稳定性产生了深远影响。传统雇佣关系中常见的职业发展路径与福利保障，如职业培训、晋升机会及社会保障，在平台工作中往往缺失[8]。这种缺失导致零工工作常被视为一种缺乏职业发展前景的“死胡同”[10]，或仅作为过渡性、补充性收入来源，而非可持续的长期职业路径[2,3]。
算法的绩效评估机制，如客户评分系统和声誉机制，虽然对劳动者的短期任务分配和收入潜力有直接影响[8,10]，但其对长期职业发展的积极作用却十分有限，甚至可能因算法偏见而阻碍特定劳动者的发展[3,8]。研究表明，算法系统中的反馈循环可能强化初始的收入差异，并形成长期的工资差距[4]，这限制了劳动者通过技能提升或向更稳定职业转型的能力，从而对其长期收入保障构成挑战。数字平台所营造的环境，阻碍了工人发展机会、稳定就业以及向上职业轨迹的实现[9]。
在平台管理下，零工劳动者在寻求职业身份和长期生计方面面临挑战。平台工作在早期可能提供较高收入，但随着时间的推移及平台激励措施的减少，劳动者的收入潜力往往下降，使得零工工作难以成为长期的职业发展路径[5]。对于完全依赖平台工作的劳动者，收入波动性更大，增加了长期财务规划的难度[5]。由于通常被视为独立承包商，零工劳动者无法获得传统雇佣关系中的社会保护措施和福利，这进一步削弱了其长期收入稳定性和风险承受能力[5]。
然而，部分研究也探讨了平台在提升劳动者技能方面的潜力。平台通过提供培训机会和认证，可能有助于提升护理工作者的技能和专业水平，从而潜在地增加其长期收入潜力[7]。此外，AI驱动的平台能够通过分析工人表现和技能差距，提供个性化培训和技能提升机会，帮助工人保持竞争力，适应不断变化的工作市场[1]。AI还可以优化任务定价，根据实时需求和工人可用性调整报酬，有望带来更公平的薪酬并吸引更广泛的人才库[1]。透明的算法分配系统，通过解释任务分配决策，有望增强工人信任，同时通过检测和缓解算法偏见，确保所有工人获得公平公正的机会[1]。这些机制共同影响着零工劳动者在AI时代构建可持续职业生涯和实现长期收入稳定的能力[1]。
尽管存在潜在的积极影响，平台工作对传统专业职业（如医疗保健、新闻、法律服务）的冲击仍需深入探讨。众包平台（如Upwork和Fiverr）可能导致中产阶级工作的报酬和条件下降，类似于计件工资制下的贬值现象，从而影响劳动者的长期职业发展和收入稳定性。平台公司对增长而非盈利的战略强调，以及在上市后面临的盈利压力，往往导致平台收紧劳动和薪酬实践，从而进一步削弱了劳动者的长期收入稳定性[8]。
综上所述，平台算法管理和AI自动化对零工劳动者的职业发展和长期收入稳定性构成了复杂的挑战。虽然平台可能提供短期收入机会及技能提升的潜力，但缺乏传统雇佣关系中的福利保障和职业晋升通道，以及算法可能造成的收入不平等和职业发展限制，使得零工工作难以成为可持续的长期职业路径。未来研究应更深入地探讨平台如何通过优化算法设计和政策制定，以促进零工劳动者的职业发展和长期收入稳定，并探索更具包容性的平台经济模式，以应对其对传统职业体系的冲击。
3.5 平台盈利模式与劳动者福利的冲突
零工经济中，平台盈利模式与劳动者福利之间存在显著的内在冲突，这主要源于平台追求效率和利润最大化的算法设计，而这些设计往往以牺牲劳动者收入稳定性为代价[2]。平台初期通过投入大量资金吸引劳动者，但随着资金耗尽，其会将更大份额的成本转嫁给消费者或劳动者，导致激励措施减少和劳动者收入下降[5]。这种利润驱动使得平台采取多种策略损害劳动者权益，例如抽取高额佣金、动态定价以及削减激励措施，从而直接影响劳动者的收入和福利[3,7,10]。
核心冲突在于平台普遍采用的“虚假自雇”模式，即将劳动者归类为独立承包商，以此规避传统雇主责任，从而不提供健康保险、养老金、带薪病假、最低工资保障等传统雇佣福利[2,3,5,8,10]。这种模式使得平台能够以较低的运营成本运营并显著增加收益，同时将运营风险和成本系统性地转嫁给劳动者，使其承担了大部分工作风险并处于更加脆弱的境地[2,5,9]。例如，当平台劳动者遭遇工伤时，可能无法获得赔偿，所有医疗费用需个人承担[10]。在COVID-19大流行期间，由于平台劳动者不享有失业保险，联邦政府不得不承担为他们提供收入支持的费用，这进一步凸显了平台作为“免费搭便车者”的角色，即社会化成本而私有化利润[8]。
尽管零工平台提供了工作机会，但其模式伴随着收入不确定性、缺乏劳动者保护以及无法获得工会法律保护等风险[6]。立法机构试图通过法律手段，如加州AB5法案的“ABC测试”，将零工工人重新分类为雇员以赋予他们劳动保护和福利[9]。然而，这些尝试常遭遇零工经济的巨大阻力，如“22号提案”的通过使得零工工人被排除在AB5之外，这反映了零工经济的强大影响力以及政府在有效监管方面所面临的障碍[9]。平台有时会引入介于独立承包商和雇员之间的“第三类”劳动者身份，提供少量货币福利和法定最低工资的“幻觉”，以此规避雇主责任，永久性地排除劳动者作为雇员的资格，从而剥夺其应有的社会保障和福利[8]。算法技术在这种背景下被批判为掩盖传统工作剥削方式的“遮羞布”，平台通过算法管理维持低运营成本和高利润，但代价是缺乏人际关系和同理心[9]。
综上所述，平台盈利模式与劳动者福利之间的冲突是零工经济领域的核心挑战。现有研究在提供兼顾平台可持续发展与劳动者福利的创新商业模式方面存在不足。未来研究应深入探索替代方案，例如共享收益模式和平台合作社，以期在平台经济的效率与劳动者的公平权益之间实现平衡。
4. 影响平台算法与收入稳定性关系的调节因素
零工经济的快速发展使得平台算法对零工劳动者收入稳定性的影响日益凸显，但这种影响并非单一线性关系，而是受到多种复杂因素的调节。本章旨在深入探讨这些调节因素，它们不仅塑造了劳动者的收入表现，更深远地影响了他们的职业发展路径、风险应对能力以及在数字劳动力市场中的地位。主要调节因素包括零工劳动者自身的个体特征、平台类型与所属行业的差异，以及零工经济所处的宏观监管与政策环境。
零工劳动者的个体特征，如技能水平、收入依赖程度、人口统计学属性（包括年龄、性别、教育水平、家庭背景、职业技能、主要/次要收入来源以及地理位置）等，在平台算法驱动的收入稳定性中扮演着复杂且关键的调节角色[2,3,7]。这些属性不仅直接影响劳动者获得订单的机会与报酬水平，更深层次地塑造了他们的财务规划和风险应对策略。高技能劳动者通常更容易获得高收入任务，而低技能工人则可能因自动化技术的冲击而面临更大的收入不稳定性，甚至难以找到替代就业机会[1,3]。此外，劳动者对平台收入的依赖程度也显著影响其对收入波动的敏感性，那些主要或完全依赖平台收入维持生计的“依赖型收入者”往往被迫接受更严苛的工作条件，对收入波动的承受能力更弱[2,5,7,8,10]。人口统计学特征，如性别和种族，也可能在平台经济中再现并加剧传统劳动力市场中的分层趋势。例如，女性在平台经济中的参与度较低，可能面临较低的收入水平，且在承担家庭照护责任方面面临独特挑战[5,6]。非裔和拉丁裔劳动者在平台经济中也可能面临“种族工资代码”和就业机会的限制，平台算法本身存在的偏见，基于地理位置、性别或历史评分等因素，可能进一步加剧这种不平等，形成一种“微观歧视”[1,4,8]。在特定行业如护理平台工作中，经验水平、专业资质、地理位置和语言能力等个体特征直接影响劳动者的任务获取能力、服务定价和收入差异[7]。
平台类型与行业差异是调节算法影响的另一个重要维度。不同平台的商业模式和运营逻辑决定了其算法管理实践的侧重点，进而对劳动者的收入稳定性产生差异化影响。例如，网约车和外卖等以位置匹配服务为核心的平台，其算法往往侧重于效率和成本控制，导致工作条件恶化和收益下降，并加剧司机间的收入不平等[4,9]。然而，需要更高资本投入或专业技能的平台，如短期住宿或护理工作数字平台，可能为劳动者提供更高的收入和更大的自主权，其收入生成机制受声誉、专业技能和客户关系的影响更大[7]。此外，众包平台对专业工作的冲击也值得关注，其算法管理可能导致专业工作者的收入和工作条件恶化[9]。随着零工经济的演进，数字内容创作、在线教育和虚拟助手等新兴零工模式对平台算法管理提出了独特的挑战，其收入稳定性不仅受平台任务分配和客户评价的影响，还可能受到内容曝光度、粉丝互动和知识产权保护等因素的制约。
监管与政策环境在零工经济中对平台算法影响收入稳定性的调节作用至关重要。全球范围内，不同国家和地区在零工经济政策法规方面存在显著差异，并对劳动者收入稳定性产生了不同的实际效果。许多司法管辖区将平台劳动者归类为独立承包商，导致平台无需承担传统雇主责任，使劳动者面临更高的风险[5]。尽管一些地区，如加利福尼亚州，试图通过立法纠正错误分类问题，但零工经济平台强大的游说能力常常阻碍了有效监管的实施，如“22号提案”的通过就排除了零工工人对AB5法案的覆盖[1,9]。然而，欧盟的AI法案等则为规范零工经济中算法偏见和透明度问题提供了潜在框架[1]。政策在弥补算法管理潜在负面影响中具有关键作用，应旨在将传统工人保护扩展到零工劳动者，强制要求算法决策过程的透明度和问责制，并建立清晰的监管框架以解决零工工作的独特性质[1,4]。发展中国家在监管零工经济中面临的挑战尤为显著，普遍缺乏健全的劳动保护机制、社会保障体系不完善以及监管能力不足，使得平台更易于通过算法管理规避雇主责任，加剧劳动者的困境[2,3,10]。因此，现有法律法规普遍滞后于零工经济的快速变化，使得监管环境对零工劳动者收入稳定性的影响存在不足[6]。
综上所述，平台算法对零工劳动者收入稳定性的影响是一个多维度、动态变化的复杂问题，受到个体特征、平台类型与行业差异以及监管与政策环境的共同调节。理解这些调节因素对于全面评估算法影响、制定有效干预措施以及促进零工经济的公平可持续发展至关重要。未来的研究应进一步深化对这些调节机制的探究，尤其是在跨文化和新兴零工模式背景下，以期为算法设计、平台治理和政策制定提供更为细致和实用的指导。
4.1 零工劳动者个体特征
零工劳动者的个体特征在平台算法驱动的收入稳定性中扮演着复杂且关键的调节角色，这不仅影响其获得订单的机会与报酬水平，更深层次地塑造了他们的财务规划和风险应对策略。现有研究普遍认同，诸如年龄、性别、教育水平、家庭背景、职业技能、主要/次要收入来源以及地理位置等个体属性，均能显著影响劳动者从事零工工作的动机、风险承受能力以及在算法管理下的收入表现[2,3,7]。
首先，技能水平与自动化是影响零工劳动者收入表现的重要因素。自动化技术对就业的影响往往不成比例地落在低技能工人身上，他们可能难以找到替代就业机会，从而在零工经济中面临更大的收入不稳定性[1]。高技能劳动者通常更容易获得高收入任务，而低技能或特定群体的劳动者则更易受到算法偏见和收入波动的影响[3]。
其次，收入依赖程度是调节算法影响的关键变量。研究将零工劳动者区分为“依赖型收入者”（dependent earners）和“补充型收入者”（supplemental earners）[8]。前者主要或完全依赖平台收入维持生计，因此更可能被迫接受所有任务，面临更严苛和强制性的工作条件，其对收入波动的敏感性显著高于将零工作为补充收入来源的劳动者[2,5,7,10]。这种差异导致了平台劳动者内部的收入分层，类似于传统经济中的劳动力市场分割，高收入者可能更多地参与需要更高资本或技能的平台（如短期住宿），而低收入者则更多地参与劳动密集型或零工平台[8]。
再者，人口统计学特征与微观歧视在平台经济中再现并加剧了传统经济中的分层趋势。性别是影响收入的重要个体特征，男性在平台经济中的参与度通常高于女性[5]。女性参与度较低的原因包括但不限于乘车共享工作中感知到的安全问题、关于女性使用手机的社会规范，以及女性在劳动力市场中的普遍参与度[5]。尽管女性参与平台经济的动机常包括追求灵活性，尤其是在美容行业中，女性可能倾向于平台工作以实现职业晋升或拥有自己的沙龙，且往往在家中承担更多的照护责任（例如，一项调查显示70%的女性平台劳动者是家庭的主要照护者），这也在一定程度上塑造了她们对零工工作的需求和选择[5]。然而，数字市场对女性经济赋权的影响仍需审慎评估，因为女性在从事零工工作时可能面临较低的收入水平[6]。
此外，种族和民族差异对收入稳定性亦产生显著影响。例如，有研究指出，非裔和拉丁裔劳动者在平台经济中不成比例地存在，平台可能通过创造一种“第三类”就业身份来实施新的“种族工资代码”，从而降低他们的工资、福利和保护水平[8]。尽管平台声称促进包容性，但其做法可能削弱了这些劳动者获得平等就业机会的权利[8]。
平台算法本身存在的偏见，可能基于地理位置、性别或历史评分等因素，进一步限制了特定人群（如少数民族、女性和少数群体）获得工作机会，从而加剧了数字劳动力市场的不平等[1]。这种算法偏见可被视为一种微观歧视（micro-discrimination），它通过算法匹配机制间接影响劳动者收入。即便在理想化的情况下，即个体表现一致，算法设计本身也能产生不平等，这暗示了算法匹配的不确定性与个体特征（如初始位置、接单效率等模型中隐含的因素）可能相互作用，间接影响收入[4]。
在具体行业中，如护理平台工作，劳动者的经验水平、专业资质、地理位置（城市与乡村）、语言能力以及是否能提供特定护理服务（如住家护理）等个体特征，直接影响了他们在平台上的任务获取能力、服务定价和客户选择，从而导致收入差异[7]。例如，经验丰富且具备多项资质的护理人员可能更容易获得高价值的任务，收入也相对更高[7]。
综合来看，零工劳动者的个体特征在平台算法和AI影响下的收入表现中扮演着重要角色，其技能水平、人口统计学特征以及平台所识别的偏见，共同调节着他们在AI驱动的零工经济中的收入表现和机会可及性[1]。未来的研究应进一步探讨不同个体特征如何影响其对算法的理解、适应能力和风险承受能力，以及平台算法可能如何通过微观歧视进一步加剧这些不平等，并探寻更为公平和包容的算法设计与政策干预。
4.2 平台类型与行业差异
平台算法对零工劳动者收入稳定性的影响因平台类型和所属行业的差异而呈现出显著的多样性。在网约车（如优步、来福车）和外卖（如多达士）等以位置匹配服务为核心的行业中，算法管理实践往往导致工作条件恶化和收益下降[4]。这类平台通常面临较大的盈利压力，其算法设计侧重于效率和成本控制，例如通过GPS追踪和任务分配来管理工人，并结合客户评分来评估绩效[9]。这种模式可能加剧司机间的收入不平等，部分原因是算法在特定行业背景下对任务分配和定价策略的优化。
相比之下，需要更高资本投入或专业技能的平台，如短期住宿或护理工作数字平台，可能为劳动者提供更高的收入和更大的自主权。例如，护理工作平台对信任、专业技能和个性化服务的高要求，使得其运营模式和劳动者收入结构与标准化服务平台存在显著差异[7]。客户在选择护理人员时更注重信任和个人偏好，而非纯粹的价格因素，这使得护理工作者在平台上的收入生成机制更为复杂，受声誉、专业技能和客户关系的影响更大[7]。尽管这些平台可能仍受算法环境的影响，但其内在的行业属性在一定程度上调节了算法管理对劳动者经验和收入稳定性的影响。
此外，众包平台（如Upwork、Fiverr）对专业工作的冲击也值得关注。这类平台上的算法管理可能根据地点、经验和任务接受率来筛选和分离工人，工人绩效同样依赖于请求者的反馈[9]。这种模式可能导致专业工作者的收入和工作条件恶化，特别是对于那些技能同质化或面临激烈竞争的领域。
随着零工经济的演进，新兴零工模式，如数字内容创作、在线教育和虚拟助手等，对平台算法管理提出了独特的挑战。在这些模式下，算法管理可能涉及对创意劳动或知识劳动的自动化评估、版权问题和知识产权归属等复杂议题。例如，对创意内容的评估算法可能难以捕捉艺术或知识的独特性和价值，从而影响创作者的收入稳定性和职业发展路径。与传统零工相比，这些新兴模式下的收入稳定性不仅受平台任务分配和客户评价的影响，还可能受到内容曝光度、粉丝互动和知识产权保护等因素的制约。未来的研究应深入探讨这些新兴零工模式下算法管理的具体机制及其对劳动者收入稳定性、职业发展和知识产权保护的差异化影响，以期提出更具针对性的政策建议和平台设计策略。
4.3 监管与政策环境
零工经济的快速发展对全球范围内的监管和政策环境提出了严峻挑战，特别是在平台算法对劳动者收入稳定性产生深远影响的背景下。不同国家和地区在零工经济政策法规方面存在显著差异，并对劳动者收入稳定性产生了不同的实际效果。
在许多司法管辖区，平台劳动者常被正式归类为独立承包商，这意味着平台在法律上无需承担最低工资、社会保障和失业福利等传统雇主责任[5]。例如，印度尽管平台工作的有限正规化为非正规经济提供了就业机会和最低收入保障，但平台对政策和算法费率的极端调整却使劳动者面临更高的风险，将风险更多地转嫁给劳动者和最终客户，而非平台聚合者[5]。这种分类方式反映了现有监管政策在保护平台劳动者权益方面的不足，以及平台规避雇主责任的普遍做法[5]。
面对这些挑战，政策制定者已开始探索不同的监管模式。例如，加利福尼亚州的AB5法案旨在纠正零工工人被错误分类的问题，要求工人只有通过“ABC测试”才能被认定为独立承包商，否则应被视为雇员，从而享有相应的劳动保护和福利[1,9]。然而，AB5法案受到了零工经济平台的强烈反对，最终导致了“22号提案”的通过，将零工工人排除在AB5的覆盖范围之外[9]。这一案例凸显了零工经济的强大游说能力以及政府和立法者在有效监管这类新兴就业模式时所面临的障碍[9]。欧盟的AI法案则着重于提出道德AI发展原则，这为规范零工经济中算法偏见和透明度问题提供了潜在的框架[1]。
政策在弥补算法管理潜在负面影响中的作用至关重要。研究强调，为应对零工经济平台缺乏传统工人保护的问题，政策干预措施应旨在将这些保护扩展到零工劳动者，以确保其经济安全和福祉[1]。面对算法偏见和缺乏透明度的问题，法规应强制要求算法决策过程的透明度和问责制，以减轻偏见并促进公平[1,4]。在平台治理和问责制方面，政策应提高平台在数据实践方面的透明度，并建立处理工人申诉的有效机制[1]。此外，针对零工工人分类和税收结构的不确定性，需要制定清晰的监管框架，以解决零工工作的独特性质，同时确保公平税收和工人劳动权利[1]。
发展中国家在监管零工经济中面临的挑战尤为显著。这些国家往往缺乏健全的劳动保护机制，社会保障体系不完善，且监管能力不足[2,3]。例如，东南亚地区的零工经济监管普遍滞后且不足，使得平台公司能够利用法律漏洞规避劳动法责任，进一步加剧劳动者的困境[10]。在泰国和印度尼西亚，尽管出现了劳动者抗议和罢工，但政府的监管响应缓慢，使得平台公司得以继续其不透明的算法管理模式[10]。现有政策未能有效界定平台劳动者的法律地位，导致他们无法获得传统雇员享有的社会保障和福利，如养老金、医疗保险和失业救济等[10]。在这种背景下，平台更易于通过算法管理规避雇主责任，导致劳动者面临更大的风险和不稳定性[3]。
现有研究普遍认为，各国法律法规往往滞后于零工经济的快速变化，这使得监管环境对零工劳动者收入稳定性的影响存在不足[6]。因此，未来的研究方向应侧重于：1）深入比较不同国家和地区在零工经济监管方面的经验，包括政策设计、实施效果及其对劳动者收入稳定性的具体影响；2）探索如何在保障劳动者权益的同时，鼓励零工经济创新和发展的新型监管模式；3）特别关注发展中国家的零工经济监管挑战，并提出符合其国情的政策建议，以确保零工劳动者能够获得公平待遇和基本保障。
5. 应对策略与政策影响
平台算法对零工劳动者收入稳定性的影响日益显著，促使各方积极探索应对策略，以期改善劳动者福祉并促进平台经济的可持续发展。本章节将深入探讨劳动者通过集体行动、自组织与议价策略来应对算法控制的挑战与创新解决方案，并进一步分析平台责任与算法透明度的必要性及其实现路径，最后比较全球范围内的政策法规与政府监管措施，并提出转型机遇。这些策略和政策旨在应对平台经济的复杂性，保障劳动者的公平待遇和收入稳定性。
在平台经济的背景下，零工劳动者为应对平台算法的控制、改善收入稳定性和工作条件，积极探索并采取了多种形式的自组织与集体行动。这些行动旨在提升其议价能力，以期实现更公平的劳动关系。
集体行动的形式与成效
零工劳动者的集体行动呈现出多样化的特征。线上社交媒体平台已成为劳动者共享信息、讨论策略、规避算法控制和组织抗议的关键工具，尤其在东南亚地区，Facebook和WhatsApp等应用尤为突出[2,8,10]。通过这些线上论坛，劳动者能够建立集体意识，协调行动，甚至组织罢工[10]。
其次，工会组织和周期性罢工是零工劳动者争取权益的重要手段。例如，全国家政工联盟（National Domestic Work Alliance）和应用型司机协会（App-Based Drivers Association）的成立，以及Deliveroo罢工事件，都表明了零工经济中集体主义和行动主义的增长趋势[9]。在印度尼西亚和泰国，大规模的网约车司机罢工曾对平台构成一定压力，抗议报酬降低和福利削减[10]。COVID-19大流行期间，由于个人防护设备、病毒暴露和平台过度招聘等问题，劳动者抗议活动持续升温，进一步凸显了集体行动在应对紧急状况中的作用[8]。尽管零工劳动者在组织上存在分散性和缺乏固定工作场所的挑战，但其集体行动的尝试强烈表达了对更公平工作条件的诉求[2]。
此外，法律诉讼和政策倡导也成为零工劳动者争取权利的途径。尽管成功案例相对较少，但这些努力提升了社会对平台劳动者困境的关注度[10]。美国和欧洲的立法努力旨在改变零工劳动者被归类为独立承包商的现状，推动允许其组建工会并争取更好工资和福利的法律，为集体谈判提供法律支持[6]。
面临的困境与挑战
尽管零工劳动者积极进行集体行动，但其面临的困境和不足显著。首要挑战是平台对数据和算法的严格控制，以及缺乏传统工会组织的经验和资源[3]。平台通过个性化管理和缺乏实体工作场所，削弱了劳动者的集体议价机会[8]。此外，“零工劳动者”身份认同的碎片化、劳动者异质性以及跨平台协调的困难，导致集体行动难以形成有效的议价能力，对收入稳定性的改善作用有限[10]。平台还可能利用技术手段进行反制，例如数据监控和算法惩罚，进一步增加了劳动者集体行动的难度。在发展中国家，劳动者面临的组织挑战尤为严峻[3]。
创新解决方案
为超越传统工会模式的局限性，并应对零工经济的独特挑战，研究者提出了一些创新解决方案。工人合作社和集体谈判被视为赋权零工劳动者、改善其议价能力和工作条件的有效途径[1]。通过集体组织，零工劳动者可以协商更好的工资、福利和工作条件，从而解决零工经济中的权力不平衡和不平等问题[1]。
此外，人工智能辅助谈判工具和数据驱动策略的应用日益受到关注。零工劳动者开始利用人工智能工具（如GigSense和GigSousveillance）收集和分析与工作相关的数据，以识别剥削模式和工资不一致性，从而促成更明智的集体行动[6]。这些技术工具有助于工人合作社实现高效协调、资源分配和数据驱动的决策，进而支持零工工会和集体谈判权利的形成，最终改善工作条件和工资[1]。这些创新策略为零工劳动者在数字化时代维护自身权益、促进一个更公平和可持续的劳动力市场提供了新的可能性。
5.1 劳动者集体行动、自组织与议价策略：挑战与创新解决方案
在平台经济背景下，零工劳动者为应对平台算法的控制、改善收入稳定性和工作条件，积极探索并采取了多种形式的自组织与集体行动。这些行动旨在提升其议价能力，以期实现更公平的劳动关系。
集体行动的形式与成效
零工劳动者的集体行动呈现出多样化的特征。首先，线上社交媒体平台成为劳动者共享信息、讨论策略、规避算法控制和组织抗议的关键工具，如Facebook和WhatsApp等在东南亚地区的应用尤为突出[2,8,10]。通过这些线上论坛，劳动者能够建立集体意识，协调行动，甚至组织罢工[10]。
其次，工会组织和周期性罢工是零工劳动者争取权益的重要手段。例如，全国家政工联盟（National Domestic Work Alliance）和应用型司机协会（App-Based Drivers Association）的成立，以及Deliveroo罢工事件，都表明了零工经济中集体主义和行动主义的增长趋势[9]。在印度尼西亚和泰国，大规模的网约车司机罢工曾对平台构成一定压力，抗议报酬降低和福利削减[10]。COVID-19大流行期间，由于个人防护设备、病毒暴露和平台过度招聘等问题，劳动者抗议活动持续升温，进一步凸显了集体行动在应对紧急状况中的作用[8]。尽管零工劳动者在组织上存在分散性和缺乏固定工作场所的挑战，但其集体行动的尝试强烈表达了对更公平工作条件的诉求[2]。
此外，法律诉讼和政策倡导也成为零工劳动者争取权利的途径。尽管成功案例相对较少，但这些努力提升了社会对平台劳动者困境的关注度[10]。美国和欧洲的立法努力旨在改变零工劳动者被归类为独立承包商的现状，推动允许其组建工会并争取更好工资和福利的法律，为集体谈判提供法律支持[6]。
面临的困境与挑战
尽管零工劳动者积极进行集体行动，但其面临的困境和不足显著。首要挑战是平台对数据和算法的严格控制，以及缺乏传统工会组织的经验和资源[3]。平台通过个性化管理和缺乏实体工作场所，削弱了劳动者的集体议价机会[8]。此外，“零工劳动者”身份认同的碎片化、劳动者异质性以及跨平台协调的困难，导致集体行动难以形成有效的议价能力，对收入稳定性的改善作用有限[10]。平台还可能利用技术手段进行反制，例如数据监控和算法惩罚，进一步增加了劳动者集体行动的难度。在发展中国家，劳动者面临的组织挑战尤为严峻[3]。
创新解决方案
为超越传统工会模式的局限性，并应对零工经济的独特挑战，研究者提出了一些创新解决方案。工人合作社和集体谈判被视为赋权零工劳动者、改善其议价能力和工作条件的有效途径[1]。通过集体组织，零工劳动者可以协商更好的工资、福利和工作条件，从而解决零工经济中的权力不平衡和不平等问题[1]。
此外，人工智能辅助谈判工具和数据驱动策略的应用日益受到关注。零工劳动者开始利用人工智能工具（如GigSense和GigSousveillance）收集和分析与工作相关的数据，以识别剥削模式和工资不一致性，从而促成更明智的集体行动[6]。这些技术工具有助于工人合作社实现高效协调、资源分配和数据驱动的决策，进而支持零工工会和集体谈判权利的形成，最终改善工作条件和工资[1]。这些创新策略为零工劳动者在数字化时代维护自身权益、促进一个更公平和可持续的劳动力市场提供了新的可能性。
5.2 平台责任与透明度
零工经济平台在任务分配、定价和劳动者管理中广泛采用算法，但其运营模式的非透明性已成为影响劳动者收入稳定性和权益保障的核心问题[10]。这种“算法管理”的“黑箱”操作导致了严重的信息不对称，平台通过隐瞒目的地信息、客户支付价格以及不透明的支付结构，削弱了劳动者对自身工作和收入的控制权[5,8]。此外，客户的星级评分可能具有任意性，对劳动者收入和工作机会产生直接影响，进一步凸显了平台算法缺乏透明度的危害[5]。平台利用信息不对称和算法控制来操纵劳动者行为，最大化利润，却忽视了劳动者福祉，甚至通过将劳动者分类为独立承包商来规避雇主责任，将运营成本社会化[2,8]。
为应对上述挑战，学术界普遍呼吁平台承担更大的社会责任，提高算法透明度，并建立公平的争议解决机制[2,3,10]。提高算法透明度意味着公开算法的运作机制，使劳动者能够理解任务分配、报酬计算和停用政策的依据，从而减少不确定性和不信任感[3,10]。
实现算法透明度需要多维度框架的支撑。技术层面，可解释人工智能 (XAI) 技术应用至关重要，旨在开发和部署能够解释任务分配决策的人工智能模型，从而在劳动者中建立信任和理解[1]。XAI不仅能提升算法的透明度，还在识别和缓解算法偏见方面具有潜力，确保所有劳动者获得公平和公正的机会，尤其对于可能因地域、性别或历史评分而受到歧视的特定人群至关重要[1]。平台应基于客观绩效指标而非不透明因素来分配任务，从而促进公平并消除歧视[1]。
法律与治理层面，强制性算法审计和算法影响评估是确保平台算法公平性和透明度的关键机制。这些机制要求平台定期审查其算法对劳动者权益的影响，并对潜在的负面效应进行评估和纠正。同时，应赋予劳动者数据访问权，使其能够获取平台掌握的个人数据和算法决策相关信息，从而更好地理解自身收入波动的原因并有效提出申诉[1,10]。此外，建议探索设立**“算法公正性委员会”**，由劳动者代表、平台方、技术专家和监管机构共同参与，审议算法设计和运行中的公平性问题，从而构建一个多方共治的协商机制，保障算法的公正性。
提高算法透明度、提供公平争议解决机制以及保障劳动者权益，不仅能够减少“黑箱”操作带来的不确定性和不信任，还能促进公平的雇佣关系，最终提升劳动者的收入稳定性。例如，当平台提供有效的匹配机制并确保公平的支付流程时，劳动者能够更好地理解其收入来源并进行有效规划[7]。这些措施将有助于构建一个更加公平和可持续的零工生态系统，解决算法导致的收入不平等问题[4]。
5.3 政策法规与政府监管：全球比较与转型机遇
平台经济的迅速扩张引发了全球范围内对劳动者权益保护的广泛关注，促使各国政府和国际组织积极探索并制定相应的政策法规和监管措施，以应对其带来的挑战[1,2]。这些措施旨在解决零工经济中普遍存在的缺乏传统工人保护、算法偏见以及透明度不足等核心问题，并致力于提升平台问责制、保障劳动者的公平税收与劳动权利[1]。
在全球范围内，不同国家或地区在零工经济政策法规方面展现出显著差异。例如，美国加利福尼亚州通过的AB5法案，尝试将部分零工工人重新归类为雇员，从而赋予其最低工资、福利保障等权利，这标志着对独立承包商模式的一次重大政策转向[1,8]。然而，这一立法进程面临强大阻力，优步（Uber）、来福车（Lyft）和多德冲（Doordash）等平台通过2020年的22号提案成功使其工人豁免于AB5法案，这凸显了平台经济对立法干预的强大影响力及其规避责任的策略[8,9]。与之形成对比的是，纽约市为网约车司机设定了最低工资标准，西雅图也采取了类似措施，而英国伦敦则强制优步（Uber）将其工人转变为雇员，这些案例表明政策干预在提高零工劳动者收入稳定性方面发挥了关键作用[8]。在欧洲，欧盟的《人工智能法案》（AI Act）提出了道德人工智能发展的原则，并强调数据隐私保护（如《通用数据保护条例》（GDPR）），这预示着欧盟对平台规避劳动法的容忍度可能正在降低，未来可能推动更严格的监管，甚至设立“第三类”工作者身份，以在雇员与独立承包商之间寻求新的平衡点[1,8]。
这些政策干预背后的理论基础和立法逻辑各异。部分政策偏向于劳动者保护，旨在通过强制性福利、最低工资和雇员身份重新认定等手段，弥补零工经济中劳动者议价能力的不足，保障其基本权益和社会保障。例如，AB5法案和伦敦优步（Uber）工人雇员化便是劳动者保护导向的典型代表[8]。然而，另一些政策则可能在追求市场效率和创新活力的同时，试图兼顾劳动者权益，但实践中往往面临挑战。政策实施中遇到的主要挑战和局限性包括：平台公司规避雇主责任的策略，如通过法律途径挑战或寻求豁免，导致执法难度大；以及如何有效识别和界定零工劳动者的雇佣关系，以避免“搭便车”行为的持续存在[5,9]。
值得注意的是，零工经济在发展中国家的表现与西方经济体存在显著差异，其政策的可移植性和适用性面临独特挑战[2,9]。发展中国家，特别是东南亚和印度等地区，普遍存在非正规就业普遍、劳动保护机制不健全、社会保障体系不完善以及政府监管能力相对不足的特点[2,3,10]。在这种背景下，平台算法管理更容易加剧现有的社会经济脆弱性。例如，印度庞大的非正规劳动力在缺乏正式社会保护措施和较低收入的情况下，更容易受到算法控制带来的收入波动和工作条件恶化影响，平台劳动者常被视为独立承包商，平台因此规避了最低工资等雇主责任[5]。此外，算法管理对发展中国家零工劳动者的职业生涯发展和雇佣关系带来了新的挑战，其收入和工作时间的不可预测性在缺乏健全社会保障体系的背景下尤为突出[5]。
面对这些挑战，发展中国家的监管机构在保护劳动者权益方面既面临困境也存在机遇。政策制定需考虑这些独特背景，借鉴国际经验，探索适合本地国情的政策解决方案，如引入最低工资、提供工伤保险、疾病津贴和养老金等基本保障，并设立专门机构或框架以解决争议，促进算法透明化[3,10]。未来的政策应致力于提供基本收入保障和社会保障网络，特别是针对零工劳动者的普遍基本收入计划，以减少其工作不稳定性，并实施针对性的行业法规，解决自动化可能带来的就业替代和收入不安全问题，制定公平的转型计划和工资保障措施，以驾驭“人工智能和零工经济时代”的可持续性挑战和机遇[1]。确保收入稳定、保护劳动者权益并支持长期经济增长是政策制定者面临的关键任务[6]。
6. 研究空白与未来展望
本章节旨在系统性地总结当前关于平台算法对零工劳动者收入稳定性影响的研究中所面临的挑战与局限性，并据此展望未来的研究方向。尽管现有研究已在多个维度上取得了进展，但仍存在显著的实证与方法论空白、理论框架的整合不足，以及亟待探索的创新解决方案。识别这些不足之处对于指导未来研究，以更全面、深入地理解零工经济的复杂动态及其对劳动者的影响至关重要。
首先，在实证与方法论层面，当前研究普遍面临数据可及性差和“黑箱”效应的挑战，限制了对平台算法机制的深入理解[2,7]。例如，网约车匹配算法对收入不平等的影响研究，因算法实践缺乏透明度，难以进行深入分析[4]。这不仅阻碍了对算法如何具体影响收入的因果推断[10]，也使得基于计算模型的模拟结果依赖于假设，难以直接提供因果推断的实证证据[4]。此外，现有研究在样本代表性方面存在显著偏向性，未能充分捕捉平台工作经验的异质性，主要集中于西方经济体，而对发展中国家、特定行业（如护理工作）以及女性平台劳动者的研究相对不足[3,5,7,9,10]。研究还普遍忽视了平台劳动者内部不同阶层之间的关系，未能全面揭示其财务状况的复杂性[5,8]。在方法论上，许多研究仍停留在定性或探索性阶段，缺乏大规模量化数据支持和严谨的因果推断[2,7,10]，对零工劳动者全年收入波动程度的量化研究不足，现有解决方案的覆盖范围有限，且在成本、规模化和适应快速技术变革方面存在挑战[1,5]。此外，研究普遍缺乏零工劳动者第一手经验的输入，且部分研究使用AI工具可能影响内容原创性与批判性深度[6,9]。
其次，在理论框架的整合与创新方面，现有研究主要采纳效率与机遇、算法控制和不稳定化这三种主导性理论进路，但未能充分捕捉平台作为一种新型组织形式的复杂性及其内在不稳定性[8]。传统的市场、层级和网络理论无法完全解释平台这种运作独特的实体，平台通过降低进入壁垒和“控制的退却”获得权力[8]。现有理论在解释平台对劳动者的控制、新型劳动关系以及收入不确定性方面存在不足，尤其未能完全适应数字化平台驱动下的新型劳动关系[2]。尽管有研究从劳动过程理论和批判政治经济学视角分析平台控制，但对更复杂的理论整合，如算法管理理论与不平等理论、社会保障理论的结合尚不深入[10]。此外，现有理论未能充分整合平台经济的政治和监管输入在管理其内部张力和冲突中的作用[8]。
最后，为应对上述挑战，未来的研究应致力于探索创新解决方案。这包括深入剖析平台经济对传统专业领域工作的影响，关注众包平台导致中产阶级工作报酬下降的趋势，并研究疫情期间居家工作模式对外包趋势的深远影响[8]。系统研究劳动者如何在多个平台之间选择、管理和切换工作策略及其对收入稳定性、技能发展和议价能力的影响，将是填补当前研究空白的关键[8,10]。持续跟踪平台在劳动和薪酬实践上的收紧趋势，并识别受此趋势影响的重点行业和区域或制度因素的调节作用也至关重要[8]。同时，应深入探讨劳动者规避、智取和抵抗算法控制的具体策略，并量化这些抵抗行为如何影响算法管理效力及其对收入稳定性产生的影响[3,8]。此外，持续评估各地政府和国际组织制定的政策法规对劳动者收入稳定性的长期影响，并进行跨国比较研究，以识别有效的监管模式和最佳实践，包括不同国家监管框架、劳动者组织形式及其对收入稳定性的影响，并关注“第三类”工人身份的出现及其对劳动者福利的长期影响[2,8,9,10]。
6.1 现有研究的实证与方法论局限
现有研究在探讨平台算法对零工劳动者收入稳定性的影响时，虽取得了一定进展，但仍面临显著的实证与方法论局限，这些局限性导致了对平台算法影响的片面或误判理解。
一、数据可及性与“黑箱”效应挑战 当前研究普遍面临数据可及性差的挑战，尤其是在理解平台算法的“黑箱”效应方面。许多平台数据是“黑箱”，限制了研究者对算法机制和劳动者真实收入情况的深入了解[2,7]。例如，网约车匹配算法对收入不平等的影响研究，尽管已受到研究人员和监管机构的关注，但由于算法实践缺乏透明度，使得难以理解系统动态和大规模行为[4]。这种透明度缺失导致研究者难以获取直接的平台数据进行实证分析，使得对算法如何具体影响收入的因果推断存在挑战[10]。为克服这一困境，有研究尝试通过构建计算模型来模拟算法影响，如网约车匹配算法对收入不平等的影响，这虽是一种新颖的方法论尝试，但其结果仍依赖于模型假设和参数校准，且难以直接提供因果推断的实证证据[4]。未来研究迫切需要引入如逆向工程（Reverse Engineering）和模拟（Simulation）等方法，以更好地理解算法决策过程，从而避免因数据缺失导致的误判。
二、样本代表性与异质性理解不足 现有研究在样本代表性方面存在显著偏向性，未能充分捕捉平台工作经验的异质性。 首先，研究的地域偏向性明显，主要集中于西方经济体，特别是美国和欧洲部分地区的文献，未能突出零工经济在世界其他地区，尤其是欠发达经济体中的表现[9]。发展中国家背景下的零工经济研究相对不足，尤其是关于算法管理对职业发展和雇佣关系影响的深入研究尚待加强[3]。 其次，行业偏向性导致缺乏对特定群体（如护理工作者）收入生成模式的深入分析，现有研究多集中于网约车和送货服务，对于在线自由职业、数字内容创作、在线教育等新兴零工模式提及较少[10]。关于护理工作数字平台收入生成的研究仍处于早期阶段，尤其缺乏对收入稳定性、波动性以及长期职业发展影响的深入实证分析，且对特定群体（如老年护理、特殊需求护理）的收入生成模式研究不足[7]。此外，研究样本的普遍局限于男性，导致对女性平台劳动者财务状况和特定需求的研究不足[5]。 第三，现有研究未能充分理解平台劳动者内部不同阶层之间的关系，尤其忽视了平台工作条件的显著差异和平台劳动力组成的异质性[8]。例如，尽管大多数研究报告兼职平台工作者占多数，但长时间工作者却承担了不成比例的工作量，使得区分不同类型平台工作者的研究变得尤为重要[8]。对不同劳动者分类（如Ravenelle和Schor等人的分类）的复杂性及其对劳动者预先存在的脆弱性影响的理解不足，兼职或补充性收入者对全职或依赖性劳动者市场地位的影响机制，仍需更多实证研究来澄清[8]。现有文献往往将零工劳动者视为一个同质群体，忽视了其内部结构和具体情境下的独特挑战，从而未能全面揭示其财务状况的复杂性[5]。
三、方法论上的局限性 现有研究在方法论上仍存在多重局限，限制了研究的深度和广度。 首先，许多研究多为定性或探索性，缺乏大规模量化数据支持和严谨的因果推断，难以全面捕捉零工经济的复杂动态和收入生成模式的因果关系[2,7,10]。概念性或批判性综述虽然能阐述观点，但因缺乏具体的实证数据验证而存在局限性[3]。 其次，关于零工劳动者全年收入波动程度的量化研究不足，现有研究多集中于短期收入波动，但对年度收入模式缺乏深入分析，这限制了对零工劳动者长期财务稳定性的理解[5]。 第三，现有解决方案（如技能提升计划、可携带福利平台和工人合作社）的覆盖范围有限，且在成本、规模化和适应快速技术变革方面存在挑战，例如Uber的司机培训项目和英国政府的“未来工作数字技能提升”计划覆盖面有限，技能可能难以适应快速的技术变革[1]。工人合作社的规模有限，难以在不同零工领域复制[1]。这些局限性凸显了现有研究在评估现有措施实际效果和普适性方面的不足[1]。 最后，现有研究在数据来源和样本代表性方面存在局限，未能充分捕捉零工劳动者的第一手经验和真实心声，例如，现有书评指出零工经济研究中“缺乏零工工人自身的输入”[9]。部分研究采用AI工具辅助写作和分析，也可能引发对内容原创性和批判性深度的考量[6]。
综上所述，现有研究在实证与方法论上存在多重局限，未能充分捕捉平台工作经验的异质性，并对零工劳动者预先存在的脆弱性影响理解不足。未来研究应致力于拓展研究范围至新兴零工模式和跨国零工劳动者，同时加强对不同劳动者分类的深入分析，并采纳更多跨学科的方法，以期更全面、准确地理解平台算法对零工劳动者收入稳定性的复杂影响。
6.2 理论框架的整合与创新
当前关于平台算法对零工劳动者收入稳定性影响的研究，在理论框架的构建上呈现出一定的局限性。现有研究主要倾向于采纳效率与机遇、算法控制和不稳定化这三种主导性理论进路，但这些理论未能充分捕捉平台作为一种新型组织形式的复杂性及其内在不稳定性[8]。例如，传统的市场、层级和网络理论无法完全解释平台这种兼具各类结构要素，但又以独特方式运作的实体。平台通过降低进入壁垒增加劳动力异质性，并通过“控制的退却”将实际决策和评估权委托给参与者，从而获得权力[8]。
一些研究已间接揭示了现有理论在解释平台对劳动者的控制、新型劳动关系以及收入不确定性方面的不足[2]。特别是在捕捉平台组织形式的复杂性和内在不稳定性方面，现有理论可能未能完全适应数字化平台驱动下的新型劳动关系[2]。例如，尽管有研究从劳动过程理论和批判政治经济学视角分析平台对劳动力的控制和剥削，强调平台作为新形式资本对劳动者主观能动性的规训[10]，但对于更复杂的理论整合，如如何将算法管理理论与不平等理论、社会保障理论等结合，以更全面地解释收入不稳定性及其深层社会经济影响，探讨尚不深入[10]。此外，现有理论未能充分整合平台经济的政治和监管输入在管理其内部张力和冲突中的作用，特别是未能深入探讨平台经济的再生产如何依赖这些外部因素[8]。
未来的理论发展应深化对平台组织形式内在不稳定性以及如何通过政治和监管输入管理其所创造的紧张和冲突的理解。这可以通过引入多学科视角来实现。例如，行为经济学能够解释劳动者在不确定收入下的风险偏好和决策偏差，而计算社会科学则能通过大数据分析揭示复杂的算法-劳动者互动模式。虽然有研究结合了复杂系统和算法公平性方法来研究平台算法对工资不平等的影响，并通过计算模型揭示了算法设计如何导致收入不平等，提出算法系统中的反馈循环可能导致长期工资差距[4]，但此类研究主要关注算法的技术层面影响，可能未能充分整合社会学、心理学等理论，以解释劳动者在面对算法不平等时的行为反应、策略选择或心理健康影响[4]。
此外，应融合不同社会学理论（如劳资关系、权力、不平等）的见解，以构建更具解释力的框架。现有文献中，有研究引用凯恩斯理论从宏观经济视角理解零工经济中不稳定收入对总体经济需求和复苏的影响[6]，但其主要侧重于文献计量分析，对于整合和创新更全面的理论框架，特别是算法管理理论、不平等理论或劳动过程理论等微观层面理论的深入讨论不足[6]。针对发展中国家背景下非正规就业的独特性，现有理论框架的解释力亦存在不足，这暗示了在这些特定情境下，需要更细致的理论阐释或创新。
6.3 未来研究方向与创新解决方案
展望未来，零工经济与人工智能（AI）的深度融合将持续演变，带来新的可持续性挑战与机遇，因此，未来的研究应着重于以下关键领域，并结合创新性解决方案进行拓展。
平台工作与传统职业的关系
未来的研究应深入剖析平台经济对传统专业领域（如医疗保健、新闻、法律服务）工作和就业格局的深远影响[8]。尤其需要关注众包平台如何可能导致中产阶级工作的报酬和条件下降，以及疫情期间居家工作模式的推广如何进一步影响这种外包趋势[8]。对平台劳动力市场的异质性，特别是不同收入依赖程度的劳动者之间的差异，以及这种分层如何影响工作条件和议价能力，将是重要的研究方向。此外，“补充型收入者”对“依赖型收入者”劳动力市场地位的影响也值得关注[8]。
多平台工作和交叉平台行为
系统研究劳动者如何在多个平台之间进行选择、管理和切换工作策略，以及这种多平台参与对收入稳定性、技能发展和议价能力的影响，是填补当前研究空白的关键。这包括深入探究其行为模式、决策机制及其经济后果[8,10]。
盈利压力下的平台实践演变
研究应持续跟踪平台在劳动和薪酬实践上的收紧趋势，以及这种趋势对劳动者的工作条件和收入稳定性（尤其是在不同行业和地区间）的影响，并识别受此趋势影响的重点行业和区域或制度因素的调节作用[8]。
数字全景监狱的韧性与反抗
未来的研究应深入探讨劳动者规避、智取和抵抗算法控制的具体策略，例如通过社交论坛分享经验，并量化这些抵抗行为如何影响算法管理效力及其对收入稳定性产生的影响[3,8]。可以考虑采用民族志（ethnographic）或行动研究（action research）方法，深入观察不同平台劳动者群体如何“智取”算法，并评估这些策略对个体收入和群体议价能力的影响。
政策干预的长期效果与跨国比较
持续评估各地政府和国际组织制定的政策法规对劳动者收入稳定性的长期影响，并进行跨国比较研究，以识别有效的监管模式和最佳实践，包括不同国家监管框架、劳动者组织形式及其对收入稳定性的影响[2,8,10]。此外，应关注“第三类”工人身份的出现及其对劳动者福利的长期影响[8,9]。
创新研究方法与数据采集
为更精确地量化平台算法对零工劳动者收入稳定性的影响，未来的研究应积极探索创新研究方法和数据采集方式：
- 多源数据融合与因果推断：未来的研究应致力于与平台合作，获取匿名化的任务分配、定价、奖励和惩罚算法数据，结合劳动者收入、工作时长、用户评分等数据，运用差分法 (Difference-in-Differences)、断点回归 (Regression Discontinuity Design) 或强化学习 (Reinforcement Learning) 等计量经济学和机器学习方法，精确量化不同算法参数（如任务分配公平性、动态定价策略、激励机制调整）对劳动者收入波动性、平均收入和收入不平等的影响，以揭示算法的“黑箱”效应和其经济后果[4,5,10]。可以考虑开发可穿戴设备或移动应用程序来实时采集劳动者的工作时长、休息时间、订单接受率等行为数据，与平台数据结合进行分析，减少回忆偏差，并提供更精细的分析粒度[5]。
- 长期纵向研究与情景模拟：开展针对零工劳动者的长期（3-5年）纵向财务日记研究，追踪其收入、支出、储蓄和风险应对行为，并结合平台算法的变化周期，评估算法调整对收入稳定性的滞后效应和累积影响[5]。同时，可构建计算模型或多主体仿真 (Agent-Based Modeling)，模拟不同算法管理策略下劳动者的收入动态，预测其在不同市场条件和政策干预下的表现，从而评估潜在政策的有效性[5]。研究应更精细地量化零工劳动者的收入稳定性，包括收入波动模式、影响因素及其长期影响，并深入探讨平台算法对任务分配、定价和劳动者行为的微观影响[2,7]。
赋能劳动者与提升议价能力
为提升零工劳动者的议价能力和福祉，应探索以下创新解决方案：
- “数据合作社”与分布式自治组织 (DAO)：探索并试点成立由零工劳动者共同拥有的“数据合作社”或基于区块链的去中心化自治组织 (DAO)。劳动者通过加密技术安全地共享工作数据，并利用这些集体数据进行分析（例如，识别工资不一致、任务分配不公等剥削模式），从而增强劳动者对算法管理的理解和集体谈判能力[1,2,6]。DAO可以提供透明的资金管理和决策机制，支持劳动者集体维权和福利保障。
- AI辅助谈判工具与技能培训：开发基于AI的智能谈判支持系统，不仅帮助劳动者识别剥削模式，还能根据市场数据、历史报酬和平台算法规则，为劳动者提供个性化的议价策略建议，甚至模拟谈判场景[1,6]。同时，平台和政府应合作提供面向未来的数字技能和软技能（如谈判、时间管理）培训，帮助劳动者适应算法管理下的工作模式，提升其多平台工作的能力和长期职业竞争力[1,6]。
创新政策与监管框架
为应对零工经济的快速变化，需要设计和实施更具前瞻性和适应性的政策框架：
- “算法审计”与可解释AI (XAI) 监管：设计并实施独立的第三方“算法审计”机制，定期评估平台算法对劳动者收入、工作条件和公平性的影响[1,6,7]。推动平台采用可解释人工智能 (Explainable AI, XAI) 技术，提高算法决策的透明度，允许劳动者理解任务分配、定价和评分的逻辑。可以考虑引入“算法影响评估”制度，要求平台在新算法上线前进行风险评估并公开报告。此外，需要探索如何设计更公平的匹配算法，例如引入随机性、考虑司机的历史收入或公平性指标来优化算法，以及如何打破算法反馈循环导致的长期工资差距，例如通过定期的收入重置、技能培训或提供收入保障机制[4]。
- 弹性社会保障与定制化金融产品：探索介于传统雇佣和独立承包商之间的“第三类”劳动者分类，并为其设计一套灵活且可积累的社会保障体系，例如，基于收入比例的自动扣缴机制，将部分收入自动存入健康保险、失业福利和养老金账户[1,5,6]。与金融机构合作，开发和试点基于浮动收入的智能还款贷款产品或基于任务完成率的微型保险产品，以适应零工工作者的非标准收入模式，提高其财务韧性。此外，需要更细致地探索依赖零工工作的家庭与普通低收入家庭之间的财务需求差异，这有助于设计更具针对性的金融产品和政策支持[5]。
跨学科视角与全球比较研究
为全面理解和应对零工经济的复杂性，需要整合多学科视角并开展全球性比较研究：
- 融合行为经济学与计算社会学：未来的理论框架应更深入地整合行为经济学理论，研究算法激励对劳动者决策（如工作时间分配、任务选择）的心理影响，以及劳动者在不确定性下的风险偏好[6]。同时，结合计算社会学方法，利用大规模平台数据分析劳动者群体行为模式，揭示算法与社会互动（如口碑效应、群体竞争）如何共同塑造收入稳定性。
- 多国比较与新兴趋势：开展多国比较研究，分析不同国家和地区（特别是发展中国家）的监管环境、社会文化背景和平台经济发展阶段如何调节平台算法对收入稳定性的影响，识别最佳实践和政策移植的挑战[1,3,6,7]。关注零工经济中的新兴趋势，如Web3.0技术在零工经济中的应用、平台合作社模式的推广、以及AI和自动化在任务分配和完成中的深度融合，预测这些趋势对劳动者收入、技能需求和就业前景的潜在影响[2,10]。
- 平台去中心化与劳动者合作平台：预测并实证分析“平台去中心化”或“劳动者合作平台”的兴起。探讨如何利用区块链技术的透明性和去中心化特性，构建由劳动者集体拥有和管理的平台，以解决现有平台的算法不透明性、信息不对称和收入分配不公等问题，并研究其技术可行性、经济模型和社会接受度[1,10]。同时，考察现有劳动者合作社模式如何在数字经济中扩展，通过技术实现劳动者自主管理、收入共享和福利保障，并分析其可复制性和挑战，为传统平台模式提供替代方案，从根本上改变劳资关系，提升收入稳定性。
心理健康和福祉
未来的研究应增加对零工劳动者心理健康和福祉的关注，探讨收入波动性、算法控制和工作不确定性对劳动者心理压力、倦怠和职业认同的影响，以及如何通过干预措施（如心理支持服务、社区建设）来提升劳动者福祉[1]。
伦理治理与社会责任
未来的研究应增加关于伦理治理与社会责任的研究方向，深入探讨如何在政策、技术和企业层面建立更全面的伦理治理框架，以确保平台算法的公平性、透明度和可问责性，并研究消费者和投资者在推动平台社会责任方面的作用[1]。
7. 结论
本综述深入探讨了平台算法和人工智能（AI）在零工经济中的复杂作用，揭示了其在提供工作灵活性的同时，亦带来了收入波动性、不确定性及收入不平等的多重挑战[2,5,8,10]。研究发现，平台为追求利润最大化，通过数字监控、客户评分和游戏化等算法控制手段对劳动者施加影响，导致“算法不安全感”，并削弱了劳动者的议价能力，进而可能引发新的不公平劳动实践[3,8,10]。特别是在发展中国家，不完善的劳动保护和社会保障体系进一步加剧了零工劳动者的脆弱性[3,5]。平台将劳动者错误分类为独立承包商，规避了雇主责任，使得劳动者普遍缺乏传统就业应有的社会保障和福利，进一步影响了其长期财务稳定性和职业发展[2,5,8]。计算模型研究亦证实，平台匹配算法的设计决策能够导致司机收入的高度不可预测性和显著不平等，即使是表现相同的司机也可能获得截然不同的收入，且这种算法驱动的初始收入差异在反馈循环下可能导致长期的工资差距[4]。支付结构的不透明性以及激励机制减少后收入潜力的下降，进一步加剧了零工劳动者的财务不确定性[5,10]。
鉴于上述挑战，构建一个更加公平和可持续的零工经济亟需多方合作。这包括政府加强监管以保障劳动者权益，推动平台承担更多社会责任并提高算法透明度，以及支持零工劳动者通过自组织、集体行动和法律斗争维护自身利益[2,3,6,8,10]。立法和政策制定必须追赶零工经济的快速发展，以确保劳动者权益和促进公平包容的就业市场[6]。
未来研究应聚焦于零工劳动力的异质性、不同平台类型间的差异、技术与劳工关系的演变，以及政策干预的长期效应。例如，现有研究在量化收入波动和区分零工家庭财务需求方面存在空白，且对西方经济体文献的过度关注导致缺乏对零工工人自身经验的直接反映和对零工经济在欠发达地区不同表现的探讨[5,9]。此外，预测AI对零工劳动者的影响，包括工作岗位替代、技能需求变化以及潜在的工资调整，对于制定有效的政策响应至关重要[1]。探索去中心化平台和劳动者合作模式的可能性，如通过数据驱动策略和劳动者组织运动改善零工工作环境，亦是实现更人性化、创新且公平的平台劳动模式的关键方向[6]。持续监测零工经济和AI整合的演变格局，并对AI对零工工人和平台动态的长期影响进行深入研究，将为促进零工经济的公平和可持续发展提供宝贵见解[1]。
References
[1] An Analytical study on Navigating Sustainability Challenges and Opportunities in the era of AI and the Gig Economy https://www.matec-conferences.org/articles/matecconf/pdf/2024/04/matecconf\_icmed2024\_01044.pdf
[2] A Systematic Literature Review of the Gig Economy: Insights into Worker Experiences, Policy Implications, and the Impact of Digitalization - RSIS International https://rsisinternational.org/journals/ijriss/articles/a-systematic-literature-review-of-the-gig-economy-insights-into-worker-experiences-policy-implications-and-the-impact-of-digitalization/
[3] Implications of algorithmic management on careers and employment relationships in the gig economy – a developing country persp - Emerald Insight https://www.emerald.com/insight/content/doi/10.1108/itp-01-2023-0064/full/pdf?title=implications-of-algorithmic-management-on-careers-and-employment-relationships-in-the-gig-economy-a-developing-country-perspective
[4] [1905.12535] Ride-share matching algorithms generate income inequality - arXiv https://arxiv.org/abs/1905.12535
[5] Literature Review: Finances of Platform Workers in India | Dvara Research https://dvararesearch.com/wp-content/uploads/2024/01/Literature-Review-Finances-of-Platform-Workers-in-India.pdf
[6] JIMEA | Jurnal Ilmiah MEA (Manajemen, Ekonomi, dan Akuntansi) GIG ECONOMY SHAKEUP : HOW IT'S RESHAPING JOBS, PAYCHECKS AND THE https://www.journal.stiemb.ac.id/index.php/mea/article/download/4942/2183/
[7] Income generation on care work digital labour platforms - IDEAS/RePEc https://ideas.repec.org/a/bla/brjirl/v62y2024i2p358-380.html
[8] Labor and the Platform Economy (Chapter 6) - Cambridge University Press https://www.cambridge.org/core/books/reengineering-the-sharing-economy/labor-and-the-platform-economy/361C3E2C13E17B359CAFD3B5024E363D
[9] Work in the Gig Economy: A Research Overview https://www.centralbank.org.bb/viewPDF/documents/2025-04-24-12-41-04-Work-in-the-Gig-Economy-A-Research-Overview22April2025BR.pdf
[10] The Plight of Platform Workers Under Algorithmic Management in Southeast Asia https://carnegieendowment.org/research/2024/04/the-plight-of-platform-workers-under-algorithmic-management-in-southeast-asia?lang=en