nload="this.removeAttribute('width'); this.removeAttribute('height'); this.removeAttribute('onload');" />
目录
算法系统作用于骑手的实践逻辑
正确认识算法的目的性与开放性
“养系统”：有限算法中的外卖骑手自主性
算法系统作用于骑手的实践逻辑
王星
数字技术已经成为经济增长的新引擎，实施国家大数据战略、建设“数字中国”也成为中国式现代化的重要内容。2018年，我国数字经济总体规模占GDP比重为34.8%，到2021年则上升到39.8%，2022年则达到了50.2万亿元，同比名义增长10.3%，占GDP比重上升到41.5%。数字技术创新了劳动场景，创造了新的就业岗位和就业方式，拓展了劳动者收入渠道。世界银行发布的《2023年数字化进展与趋势报告》显示，在一些中低收入国家，网速、数据流量、数字应用方面的差距阻碍了部分个人和企业获得数字收益。2023年，高收入国家的固定和移动宽带速度中位数是低收入国家的5—10倍。而随着互联网普及，个人获得就业的机会最高可增加13.2%，企业总就业人数有望增长22%。
数字技术的渗透与广泛应用催生了数字平台经济组织方式。平台经济组织事实上属于一种数据提取装置，他们在数据加工基础上专注于提供网络基础设施和中介性服务，形成了诸如云平台、工业平台、产品平台等多种类型。
以外卖平台为例，平台不直接生产产品，而是通过数字技术将商家、消费者和外卖骑手连接起来，匹配多方交易需求，并依靠数据将传统市场中不可交易的服务转变为可交易的服务。因此，外卖平台的算法系统是面向骑手、消费者以及商家三方的，平台企业在采集这三方数据的基础上不断改进算法系统进而推动其迭代升级。从这个意义上来说，外卖平台需要综合和平衡平台上各方使用者——商家、消费者、骑手——的利益，在利益共识和信任基础上，才能在市场竞争中保障组织存续进而推动数字平台经济的有序发展。
外卖平台企业的算法系统重组了劳动力的组合方式，产生岗位创造效应，催生了外卖骑手这样的新职业群体。与传统企业的劳动力组织方式不同，外卖骑手与平台企业之间不存在法律意义上的雇佣关系，他们不是雇员，而是任务领取者、独立承包人。这种全新的劳动力组合方式也吸引了社会各界对外卖骑手的生产劳动和日常生活越来越多的关注。笔者认为，外卖骑手被广泛关注主要有三个方面的原因：一是这个群体的规模大。据媒体报道，全国外卖骑手约有1300万人，且仍有增长态势。二是外卖骑手与人们的生活紧密相关。2020年以来，外卖骑手常被称为“城市摆渡人”，成为城市居民日常生活不可或缺的重要成员。三是这个群体的标签明显，因为他们依靠数字技术完成工作任务，常被认为是一群忙于生计且“困在”数字技术系统中的弱势群体。这三点既构成了外卖骑手等新兴职业群体之所以“新”的内涵，也成为他们被关注甚至被“凝视”的主要原因。
01
外界对骑手的凝视与想象
从理论上来看，外界“凝视”外卖骑手群体主要遵循两个逻辑。
一是算法逻辑，关注数字技术的岗位创造效应及其作用过程，集中讨论算法系统对外卖骑手劳动过程和劳动行为的形塑和监管作用。算法逻辑强调外卖骑手的劳动行为陷入“数字泰勒主义”之中，外卖骑手本身成为数字系统支配下只知完成固定任务的工具人。在算法逻辑视角下，算法技术被认为是由资本开发并为其谋利的工具，而外卖骑手在其中的利益诉求被漠视，其劳动主体性也随之被消解了。
二是骑手逻辑，主要关注外卖骑手在使用和适应数字技术系统的劳动实践过程中的能动性，强调骑手们会利用算法系统的盲点甚至漏洞实现自己利益最大化。比如，外卖骑手如果因为某种原因未能将餐品按照约定时间送达，会与消费者沟通取得谅解后提前点击送达按键以此逃避算法的处罚。在骑手逻辑视角下，骑手利用算法技术的小智慧和主体能动性被重视，而且由于骑手工作与生活界限模糊的劳动特征，使其生活世界的状况也逐渐被关注。
事实上，我们的研究发现外卖骑手的劳动实践是多重面向的，算法逻辑和骑手逻辑都过于强调其中的一个面向，而忽略了数字系统与骑手主体之间的互构。如上文所言，外卖平台算法系统是面向三方的，消费者、骑手以及商家都会参与算法系统的建设，他们的行动数据和利益诉求会通过可计算的数学模型刻画和表达出来，从而解决外卖行业中的结构化问题。
02
骑手与平台的互构关系
就数字系统和骑手主体之间的关系而言，在具体场景中，二者之间同样存在着互构，这集中体现在两个方面。
一是骑手对数字技术的适应、吸纳和转化过程，使技术与自身禀赋相结合，并为自己的生计或发展带来机遇。由于外卖平台是一个连接外卖骑手、商家和消费者三方的多边市场，因此从平台生态的角度来看，算法系统在派单时考虑的是“全局最优”，需要兼顾骑手、消费者和商家三方的需求。但从骑手个体视角来看，外卖骑手追求的是“个人最优”，即在一定时间范围内跑最少的路、完成最多的订单，进而提升单位小时内的劳动收入。他们在跑单过程中追求“跑一趟”的性价比，即在同一时间段接到多个顺路订单，一次能完成多个配送任务。老骑手往往会通过“养系统”的方式有意识地将自己的行为数据投喂给算法，来告诉算法自己的跑单偏好，提升系统给他的派单数量和质量，从而避免个体利益与集体利益发生冲突。另外，目前的数字技术还无法获得现实世界中的所有数据，也无法实时掌握这些数据的动态变化，同时，手机等智能硬件设备也会出现死机、GPS信号弱等问题，所以骑手在使用这些数字技术软硬件时难免会感到“技术智障”。因此，他们需要自己熟练掌握配送区域内商家和顾客的位置、道路交通状况、商家出餐速度等信息，在接到订单的时候在脑海中快速规划出接取送餐的路线，并在抢单池中看看有没有路线上的顺路订单可以抢。外卖骑手在与算法系统打交道的过程中，不断地提高自己的跑单技能，克服那些数字技术“不尽如人意”的地方，化被动为主动，在单位时间内多快好省地完成配送任务，获得更多的收入和更好的发展机会。
二是数字系统通过与骑手主体的协商和磨合，不断推进算法技术的更迭与升级，通过促使技术演进创新实现更高效、更具竞争力的人机互动结构。一方面，平台企业通过采集外卖骑手的劳动数据校正技术模型，通过骑手恳谈会、产品体验官等民主参与形式收集骑手意见，改进技术作用机制和利益计算模式，改善外卖骑手的劳动体验。另一方面，平台创新机制，将商家、消费者和骑手引入异常订单的纠纷处理当中，高效公平地处理多利益主体的争议。以外卖骑手的劳动评价为例，众所周知，消费者评价是影响外卖骑手收入的重要变量，很多人据此认为平台企业通过将消费者评价纳入算法之中，实现对外卖骑手的全方位控制。但实际上，为了减少恶意差评或甩锅、更好地保护外卖骑手的利益，从2020年开始就有平台进一步优化了算法系统，将AI审核和人工审核结合起来，以打造一个更为公平的算法系统。如果单一地依赖算法，很多商家或者消费者会运用话术欺骗算法，导致其做出错误判断。比如，如果遇到消费者投诉餐不好吃，商家可能会通过“骑手送太久，餐变味了”等理由把锅甩给骑手。因为当前技术很难将社会中的所有事物以及所有行为都数字化，所以算法能收集到的数据是有限的，很难识别在现实情景中究竟是谁在说谎。如果没有翔实的证据，在消费者的投诉和商家的辩解下，骑手的利益很可能受损。这种情况下，平台引入人工评审员机制，尽可能公平地处理此类异常订单的纠纷。根据该平台给出的官方数据，在外卖系统的评审团里，平均每天有12万评审员在参与投票，解决纠纷。
因此，从这个意义上来说，通过算法技术和骑手行为的互动，在二者之间形成了协同演进的关系结构，并以此推动平台型企业更好地发挥其共享和包容的本质属性，实现平台、骑手、消费者以及商家等多方利益诉求的平衡。
（作者系南开大学社会学院教授、天津市产业工人研究中心主任）
正确认识算法的目的性与开放性
乔天宇
算法的广泛应用深刻地改变着人们的日常工作与生活，为我们带来了前所未有的便利。但不可否认，算法的应用也产生了不少负面影响，如“信息茧房”、诱导沉迷、大数据“杀熟”、侵害劳动者权益等现象的浮现。对算法应用影响的讨论逐渐引发广大社会科学研究者乃至社会大众的关注和参与。然而，在这些相关的讨论中，存在着一些亟待澄清的误区。
有人倾向于认为这些负面影响多是由算法本身造成的，甚至有批评认为算法是“万恶之源”，主张应将一切的不良后果归咎于算法，因此要求对算法进行公开审计，实现算法透明，让社会大众知晓算法是如何工作的。另外，还有一部分批评者将矛头直指互联网平台企业，认为平台企业应该对算法应用造成的负面影响负主要责任，其理由在于，算法是由互联网平台开发并部署的，反映的完全是互联网平台的意志，平台借助算法达到其自身利益最大化的目标，因此自然应当对算法造成的负面影响负责。
当代技术思想家布莱因·阿瑟（W.Brian Arthur）指出，技术的本质是通过捕获或利用现象，对现象进行的有目的的编程。阿瑟的讨论主要针对基于物理现象的技术而展开，他将这些称为“标准技术”。实际上，算法不同于阿瑟所谓的这些标准技术，它通常是基于逻辑和数学现象的，更加复杂的算法甚至还要捕获或利用人类社会的组织和行为现象。但与此同时，算法始终没有脱离“有目的的系统”这一技术本性，仍旧是为了实现特定目的的手段。从本质来看，算法是为实现特定目的而定义的一系列计算规则的组合。
算法与大多数技术一样，都是组件间存在丰富相互作用的复杂系统，这在目前广泛应用的深度神经网络算法模型上有着最典型、最直接的体现。神经网络算法模型由大量的感知机学习器组成，感知机之间以一定的网络结构相连，模型在预测任务上的优异表现通常被认为是其作为整体系统的涌现能力。很多更复杂的算法模型与神经网络算法类似，本身并不透明且缺乏可解释性，而它们成为“黑盒”都并非算法开发者刻意为之。对算法专家来说，想弄清楚其中的工作和决策机理或许都是不小的难题。理论上讲，算法公开与透明会有利于增加用户对算法的信任，但在实际中这是否可行且必要，以及用何种方式、在何种意义上实现公开与透明，都是值得深入探讨的问题。
此外，算法还是开放的复杂系统。它不仅包含内部各组件间的复杂组合与互动，还持续地与外部输入（也即数据）发生着动态交互。数据通过影响模型参数，进而影响算法决策。用于训练模型的数据虽是一种外在于计算规则系统的要素，但却在算法的后续决策中扮演至关重要的角色。许多因算法应用而带来的负面影响，如算法歧视，很大程度上正是由训练算法时使用的数据存在偏差所导致的。2014年，亚马逊开发了一个自动筛选求职者简历的招聘算法。投入使用后，人们发现该算法存在“歧视”女性求职者的现象。究其原因，亚马逊用于训练该算法的数据是过去十年间求职者的简历，而对于这样一家科技行业的企业来说，求职者又大多是男性，由此训练得到的算法系统在决策时会倾向于优先选择男性求职者，甚至只要简历中出现“女子”相关字样，就会被赋予一个较低的权重。因此，在讨论算法的影响时，数据的作用不容忽视。数据的来源、贡献者和数据本身的质量都会直接影响算法的表现。
算法开放系统的特性以及数据在其中发挥作用的方式，都决定了其后果往往不是某个工程师、部门或平台企业能够单方面操控的，而是多元主体共同作用的结果。以外卖平台的配送调度算法为例，骑手、订单消费者、商家都在其中贡献着数据。骑手过往的接单行为、送达时长、路线选择习惯，消费者的下单时间、位置分布、评价反馈，商家的供给能力、备餐速度等数据，均反映了各主体的行为与偏好。骑手希望提高收入、优化工作安排，消费者追求快速配送与优质服务，商家关注餐品送达时的品质与自身的经营收益，各主体的目的既有交叉重叠，又存在一定的张力与冲突，而那些体现了多元目的与需求的数据，共同构成了算法优化决策的依据，并直接影响配送任务的分配与调度。如果我们将算法视为一种“有目的的系统”，那么其最终的目的一定不简单等同于作为算法开发者的互联网平台的目的，而是多重目的交织下的复杂互动结果。
对算法的治理应建立在理性认识算法本质的基础上，充分考虑其复杂性特征，这需要贯彻一种生态视角。首先，由于算法应用的负面影响并非是由算法本身带来的，针对算法的监管，需审慎权衡社会成本与信任收益。与其不计成本地追求事前的算法公开和透明，不如将用户对算法的信任建立在完善的问责与追责机制基础上。其次，算法创新与算法规制是需要考量的一对关键变量，二者间也存在生态性关联，对算法进行过严的事前监管很可能会抑制企业的创新积极性。就算法技术特别是原创性技术创新方面，美国仍居世界领先地位。需要关注的是，目前美国正在酝酿松绑算法监管等一系列计划，其背后的战略目标在一定程度上指向与中国的科技竞争。鼓励算法技术创新仍是当下应当坚持的首要方向，而互联网平台企业无疑是算法创新的重要力量。最后，避免算法应用所造成的负面影响，不能仅仅依靠平台企业，还需要政府、平台企业、用户等各方主体的协同合作与共同努力。特别要注重提升社会大众的数字素养，让算法能够被理性正确地认知和使用。
营造良好的算法生态，将是实现算法向善，让算法更好地服务于人类，助力人类自身发展的重要前提。
（作者系北京大学社会学系助理教授）
“养系统”：有限算法中的外卖骑手自主性
厉基巍
在一部分人的想象里，算法能够随心所欲地操控骑手，但算法和平台劳动者之间并非单向度的控制和被控制关系，骑手的自主性和职业技能一直都很重要。骑手在劳动过程中会频繁经历商场、超市、马路、社区等错综复杂而又不断变化的场景，需要不断协调处理与商家、顾客、保安等主体之间的关系。在此过程中，会“养系统”的骑手能够找到算法的规律，快速作出正确决策，更好地协调处理不同主体之间的关系，提高跑单效率，进而获得更多收入。
外卖平台是一个连接消费者、商家和骑手的生态系统。在这个生态系统中，三方主体均有自己的利益诉求并会为此采取相应的行动。比如，骑手追求的是在一定时间范围内跑最少的路、完成最多的单。因此，他们特别希望在同一时间段接到多个顺路订单，一次能完成多个配送任务以提高劳动效率，赚更多的钱。从餐饮外卖商家的角度看，饭菜从出锅的那一刻开始，口感就随时间的流逝而折损，进而影响消费者对商家的评价和复购。因此，商家希望“人等餐”，餐一出就能被骑手立刻取走并及时送到顾客手中。消费者则希望一下单就尽快拿到外卖。在这一多利益主体互动的过程中，算法在派单时就需要兼顾三方主体的利益，从全局出发尽量给出一个最优解。
当顾客下单支付完成后，订单会被推送给商家备餐。近乎同时，商家会通过调度系统向骑手派发订单。算法会基于骑手当前的位置和手头已有订单量，估算出周围所有可能接到这一订单的骑手在接受该订单后需要的配送时间以及顺路程度，并会将订单分配给时间更充裕且更顺路的骑手，让骑手在合理的劳动强度下获得更多收入。当然，在系统派单的时候，骑手可以选择拒单和转单，也可以随时在APP中调整其接下来的接单量。针对在新手期的骑手，算法的派单机制会给予一定的关照，为他们匹配距离近、顺路、配送难度相对更低的订单。
但是，算法也并非无所不能，不能满足所有骑手的需求。也正因此，骑手在与算法交互的过程中有时难免会产生一些“人机矛盾”。
一方面，在到店取餐和配送订单环节，“新骑手”大概率会费力多却完单量少，进而产生对算法的抱怨。出现这种情况，第一是因为算法缺失地方性社会知识。目前，算法还无法获得现实世界中的所有数据，也无法实时掌握这些数据的动态变化。例如，算法难以对各个城市的道路、楼宇、公园、高架桥等信息做到了如指掌，也难以捕捉交通管制、临时修路等数据。这些不足，使得算法在给骑手提供路线规划和导航时会“短路”，让骑手跑冤枉路和做无用功。第二是数字技术难以预料并指导骑手处理突发状况和人际关系。骑手在取餐和送餐环节常需要在商家、住宅小区、写字楼、马路等不同场景中来回切换，也会遇到形形色色的人并经历大大小小的突发情况，算法不仅无法指导骑手如何处理和解决问题，也难以根据这些突发情况及时调整配送路线。
另一方面，不同骑手的利益诉求不同，对订单和路线的偏好也千差万别，因此算法在派单时存在“众口难调”的情形。在算法看来，所有的订单都一样，没有好坏之分。但是，骑手的偏好不同，对算法派单的诉求也不同。有的骑手喜欢跑远单，但有些骑手喜欢跑近单，有的骑手家庭生计压力大，希望有连续不断的订单机会，而有的骑手则希望系统不要一直派单……骑手基于自己的跑单偏好和利益诉求，对系统的派单有自己的评价。因此，在实践中可能会遇到一个骑手想跑的好单却是另一个骑手嫌弃的“垃圾单”；或者有时骑手觉得派单乱，派来的订单并不顺路，但实际上在那时那刻，他已经是最顺路的骑手了。
骑手要想获得稳定的订单和收入，获得更多的“好单”，进而实现个人利益的最大化，就需要通过技能“养系统”。
在骑手看来，他们的劳动过程具有不确定性。一方面是参与主体繁多、错综复杂的配送过程具有不确定性，另一方面是算法在派单数量和质量上具有不确定性。职业技能有助于骑手降低配送过程中的不确定性。掌握职业技能的“老骑手”不仅能够运用技能降低配送过程中的不确定性，快速、高质量地完成任务，而且还能凭借职业技能“养系统”，通过训练算法和建议改善产品功能为自己和其他骑手争取更好的工作条件。
从个人利益角度看，“养系统”是“老骑手”以岗位专用技能为基础，利用算法技术的学习能力，有意识地生产工作行为数据来主动调试算法的行为，目的是降低算法派单在数量和质量上的不确定性。“养系统”的实际结果受骑手的跑单实践、对算法的认知、行为偏好等因素的影响，因此，骑手会在自己跑单实践中形成自己的“养系统”策略。比如，有的骑手会通过“固定任务量”的策略“养系统”。“固定任务量”是指老骑手根据自己的工作效率以及期望的日收入换算成对应的订单量，并将该订单量作为自己每天必须要完成的工作量。久而久之，算法系统每天会按照这个订单量给“老骑手”派单。在现实世界，大多数骑手都会通过“养系统”的方式提升算法派单的数量和质量，进而提升其收入水平和稳定性，以及在平台上的发展机会。
“养系统”策略的存在和普遍选择，证明了骑手并非被算法单向度地控制，而是在劳动过程中拥有一定的自主性，也说明平台必须尊重骑手的认知和选择，建立更加开放多元的算法沟通机制，不断优化算法能力，改善骑手工作体验，坚持科技向善，让算法更好地为人服务。
（作者系美团研究院执行院长）
来源：中国社会科学报
责任编辑：余朋翰
新媒体编辑：宗敏
如需交流可联系我们
点个“在看”不失联