编者荐语：
本文研究了技术进步和大数据革命带来的工作量化如何影响工人生产力。通过在新兴服装厂使用RFID技术，揭示了量化通过自动游戏化机制激励或挫伤工人的生产力，具体取决于工作的复杂性。研究表明，简单工作中量化提高生产力，而复杂工作则降低生产力。该研究对量化、工作游戏、技术与组织的文献做出了贡献，并讨论了工作量化的政策影响。
![]()
摘要:
技术进步和大数据革命促进了对个人工作进行细粒度、高频率、低成本的测量。然而，我们对这种工作量化对工人行为和表现的影响知之甚少。本文探讨了工作量化如何以及何时影响工人生产力。我们认为，量化通过自动游戏化（即工人将工作无意中转化为独立、个体层面的游戏）影响工人生产力。我们进一步认为，在简单工作的背景下，量化可能会提高生产力，因为自动游戏化具有激励作用，量化指标能够充分衡量所进行的工作。相反，当工作复杂时，量化会降低生产力，因为量化指标无法充分衡量多方面的工作，导致自动游戏化具有挫伤作用。为了证实我们的论点，我们研究了在某服装厂实施的一种射频识别（RFID）测量技术，该技术实时量化了个别工人的产出。定性证据揭示了自动游戏化机制及其三种促成条件；自然实验测试了工作量化对工人生产力的影响。本文对量化、工作游戏、技术和组织的研究做出了贡献，并探讨了进一步工作量化的政策影响。
作者简介:
Robert Braun，加州大学伯克利分校社会学系
编译来源:
Aruna Ranganatha; Alan Benson. “A Numbers Game: Quantification of Work, Auto-Gamification, and Worker Productivity.” American Sociological Review 87.2 (2020).
![]()
本文作者：Aruna Ranganatha; Alan Benson
引言
新技术和大数据革命使得对个人工作绩效的细粒度测量成为可能。这些技术发展促进了以前难以测量的高频率输出测量；它们还降低了细粒度测量的成本，促使雇主测量各种工作（Bernstein 2017）。工作研究学者记录了曾经享有相当自主权的工作如何日益被密集量化所塑造，甚至定义。例如，卡车公司现在使用GPS和车载计算机不仅跟踪路线和行驶完成时间，还跟踪行驶速度和休息模式（Gray and Silbey 2014）。类似地，IT程序员的代码现在通过击键记录进行测量（Batt 2015）。这种绩效测量可能伴随着监控和监督（参见例如Patil and Bernstein 2018），但本文纯粹专注于使用数字和指标对工作进行测量的现象，我们称之为工作量化。现代社会见证了测量、排名和基准的普及，这些被采用来促进效率、透明度和问责制（Berman and Hirschman 2018；Espeland and Stevens 1998）。
定义为“数字的生产和传播”（Espeland and Stevens 2008:402）的量化的蓬勃发展社会学文献指出，数字作为真理和理性的来源具有影响力（Mazmanian and Beckman 2018）。该文献表明，量化指标正在改变从教育（Chu 2019；Sauder and Espeland 2009；Sharkey and Bromley 2015）到非营利组织（Hwang and Powell 2009）、信用市场（Fourcade and Healy 2017；Kiviat 2019a, 2019b）、刑事司法（Brayne 2017）和日常生活（Lupton 2016）等领域。量化学者指出，人类活动的测量有可能改变个人、组织和整个领域的轨迹（Espeland and Sauder 2016）。已经提出了三种主要机制来解释为什么个人可能会对量化做出行为改变。首先，量化可能促使人们战略性地最大化绩效的测量方面，以牺牲未测量方面为代价，从而获得财务或声誉上的利益（Sauder and Espeland 2009）。其次，量化数据通过计算分析适合于知识创建，组织可以利用这些数据来指导员工行为（Brayne 2017）。最后，量化可能产生新的控制机制，导致个人因纪律行动或纪律威胁而改变其行为（Levy 2015）。无论机制如何，学者们认为量化往往会引发个人的类似反应，因为它本质上是一种共计化工具，即使用共同的度量标准评估不同的人、过程、地点和物品（Espeland and Sauder 2007）。通过故意剥离上下文和社会关系以使不同事件变得相似，新的测量机制引发了在使用相同指标的机构之间趋同的个人反应（Berman and Hirschman 2018；Espeland 1993；Kiviat 2019a）。
因此，大多数社会学研究强调量化与标准化反应之间的联系（例外情况参见Christin 2018）。本文研究了一个工作量化的案例，并调查它如何在一群同质工人中影响生产力。尽管在这种情况下没有任何已知的机制——激励、知识创造和纪律——发挥作用，量化提高了一些工人的生产力，却降低了另一些工人的生产力。这一模式对现有文献构成了挑战，因为现有文献未提及在上述三种机制缺席的情况下，单纯的工作量化是否会产生反应，以及如果产生，会是什么样的反应，而且现有文献进一步预测了个人反应的趋同。受这一难题的启发，我们的关键研究问题是：工作量化如何以及何时影响工人生产力？这一问题响应了呼吁进一步明确反应机制和效果的研究（Espeland and Sauder 2007:34）。基于工作游戏的文献（Burawoy 1979；Sallaz 2013），我们认为量化可以通过“自动游戏化”影响工人表现，我们将其定义为工人无意中将工作转化为独立、个体层面的游戏。
我们认为，当量化引入的数字提供（1）明确的个人目标，（2）自我竞争的手段，以及（3）实时的私人反馈时，工人会陷入一种上瘾的、孤独的“狂热工作”游戏中。我们进一步基于技术与组织的学术研究（Barley 1986；Orlikowski 1992），认为量化在简单工作的背景下提高生产力，因为自动游戏化具有激励作用，量化指标能够充分衡量所进行的工作；但在复杂工作中，量化会降低生产力，因为量化指标无法充分衡量多方面的工作，导致自动游戏化具有挫伤作用。为了发展这一论点，我们研究了在印度一家大型服装制造厂试点实施的射频识别（RFID）技术，该技术将以前未量化的个人产出转化为实时量化指标。具体来说，我们调查了量化如何影响一组被准随机分配到不同复杂性任务的类似装配线工人的生产力。RFID技术于2012年底在十二条生产线中的三条上实施；在每条生产线中，工人执行特定的任务或操作。选择这些处理线的原因与生产力无关。正在加工的服装被贴上RFID标签；工人被指示在处理前将服装的标签在新安装在其工作站的扫描仪上扫描，从而实现对个人生产力的实时量化，这对管理层和工人都是可见的。作为试点计划，工作量化没有与奖励或惩罚挂钩，工人也未感知到其与奖励或惩罚挂钩，也没有对所得数据进行任何分析。我们的研究过程遵循全周期研究模型（Fine and Elsbach 2000），本文的组织也遵循这一模型。首先，我们进行了为期一年的民族志田野工作，揭示了自动游戏化机制的证据，并提出了两个假设，分别明确了量化如何影响简单和复杂工作的生产力。接下来，为了测试田野工作产生的两个假设，我们收集了在RFID测量引入前后六年的每日生产线级生产力数据，以及在裤线引入RFID测量前后样本日期的每日操作级生产力数据。获得这些干预前后处理组和未处理组的数据是一项资产。我们还利用了裤线和夹克线复杂性的差异——裤子的生产比夹克的生产更简单——以及裤线内不同操作的复杂性差异（以解决可能的反对意见，即裤线和夹克线可能在复杂性以外的维度上有所不同）。我们设置的一个关键优势是有机会利用工作复杂性的细微差异，而不是比较完全不同类型的工作。我们的研究对量化文献做出了三项贡献。首先，我们表明，量化本身——独立于先前文献强调的任何机制——可以影响工人的行为和生产力。其次，我们揭示了量化通过其影响工人行为的新机制，即自动游戏化，并确定了三种促成条件。第三，我们表明工作量化并不总是引发趋同的反应；它可以根据工作复杂性产生不同的反应。我们的研究还对工作游戏文献做出了贡献：我们发现，与文献中描述的社会游戏相反，量化可以引发工人独立于彼此和管理层进行的自发的孤独游戏。我们进一步对技术与组织文献做出了贡献，表明超越组织环境，技术介导的量化与工人的任务环境相互作用，影响动机和生产力。最后，我们强调了量化对工作组织和工人劳动控制体验的影响。社会学家们注意到量化的发展以及新测量制度的重要性（Berman and Hirschman 2018；Espeland and Stevens 2008）。他们认为，一旦数据被收集，它们往往会获得一种客观性的光环，并且可以轻松地跨越时间和空间（Christin 2018）。量化已在许多情境中被研究。审计、标准化测试、记分卡和各种排名制度都是量化的例子，旨在评估个人和组织，并使其更加负责（Sauder 2008；Sharkey and Bromley 2015）。尤其是大学排名，吸引了大量学术关注（参见 Espeland and Sauder 2016 的综述）。工作场所领域也正经历一股量化趋势，通常由权威人士发起。管理学者指出，用于预算编制、预测和战略规划的工具可以在组织内充当量化的仪式（Mazmanian and Beckman 2018；Miller and Power 2013）。然而，对个人员工产出的量化以及员工对量化工作的反应却较少受到关注。（一个显著的例外是 Christin [2018] 对新闻领域量化的调查，以在线文章的“点击量”为形式。） 本文考察了一家服装厂的工作量化。有人可能会问：工厂工作何时未被量化过？亚当·斯密（Adam Smith）著名地量化了针工厂的生产力提升；马克思（Marx）认为资本主义催生了商品的量化和商品化；泰勒的“科学管理”呼吁通过量化工业流程来优化生产。实际上，组织长期以来一直通过测量工人的产出实施计件工资激励（Zelizer 1996）、监控工人（Hubbard 2000）和提供绩效反馈（Bernstein 2012）。然而，今天，技术进步和大数据革命正在促进对个别员工绩效的高频、细粒度测量（Bernstein 2017）。这种新的、比工厂工人以前经历的更为极端的量化浪潮，取代了对工作单位的汇总、手工计数，转而进行自动化、实时、个体化的产量测量。尽管数字量化日益普遍，现有研究较少关注量化或工作测量本身的纯粹影响，脱离了监控或奖励的附加处理。因为我们仍然缺乏对“这些量化过程在实践中如何运作”的见解（Mazmanian and Beckman 2018:377），最近的工作呼吁进一步研究，例如“职业规范、工作实践和组织动态如何影响数字技术的影响”（Christin 2018:1411）。作为回应，本文提出：量化工作如何以及何时影响工人的生产力？ 量化学者理论化认为，人们会对被评估、观察和测量作出反应，并探讨了这种“反应性”发生的原因（Espeland and Sauder 2007）。量化文献提出了三种机制，通过这些机制量化可能影响个人行为。首先，量化可能改变激励或创造新的激励，从而引发策略性行为（Sauder and Espeland 2009）。这些激励可以是财务上的、声誉上的，甚至是身份上的（Anteby 2008）。例如，Espeland 和 Sauder（2007）记录了一旦量化的大学排名被创建，一些院长被明确任务是提高排名。为了改善学校的排名，这些院长改变了收入分配方式、奖学金授予方式以及毕业生找工作的方式（Espeland 和 Sauder 2007）。有些甚至通过歪曲毕业生就业率等方式操纵排名数据（Sauder and Espeland 2009）。量化还可以通过新获得的数据所创造的知识来改变行为（Pentland 2014）。各种组织雇用了数据科学家来对由高频定量观察组成的数字数据集进行计算分析（Pachidi 等 2016）。大数据正迅速成为一种不仅用于分析模式，还用于预测某一事件发生可能性的工具（Brayne 2017；George，Haas 和 Pentland 2014）。这种工具创造了新知识，使组织能够实时决策业务运营（McAfee 等 2012）；工人可能会根据检测到的新模式或生成的预测改变其行为。最后，纪律可能在量化的影响下驱动反应性实践（Christin 2018）。量化长期以来被视为一种控制工具（Foucault 1977；Porter 1995）；它通过扩展社会现象的可比性来促进严格的纪律（Espeland and Stevens 2008）。研究表明，绩效测量可以作为一种全景监视技术：个体可能不知道在某一时刻谁在追踪他们的绩效，或为什么追踪，但可能会尽力表现得好（Anteby and Chan 2018；Levy 2015；Sewell 1998）。有时，管理者监控量化的绩效并对表现差的人进行惩戒，促使这些人调整行为；明确的纪律压力也可能演变为自我管理（Covaleski 等 1998）。尽管这些机制——激励、知识创造和纪律——都能解释量化如何塑造个人行为，但在我们的情境中没有一个机制在发挥作用。在这家服装厂，量化并未伴随任何实际或感知到的财务或声誉激励。管理层也没有雇用数据科学家或指派任何人执行大数据分析。此外，一线主管也没有监控数据或用它来惩戒工人。即便如此，仅仅是量化似乎也影响了工人的生产力。为了理解这一现象，我们转向社会学文献中的工作游戏工作游戏。社会学研究长期以来记录了工作场所中的游戏。早期学者记录了车间工人玩扑克或偷藏彼此的“香蕉”（De Man 1928 [1985]；Roethlisberger 和 Dickson 1943；Roy 1952）。Roy（1959:158）解释了游戏作为缓解“单调野兽”的手段，否则任何工人都会“发疯”。Burawoy（1979）记录了更复杂的车间游戏，包括一种几乎普遍的游戏，工人们竞相通过超越生产配额来“做出成绩”。Burawoy（1979）认为，管理者支持甚至鼓励这种游戏，因为它们促进了对工作的“同意”。工作游戏不仅存在于工厂车间，还出现在酒店工人（Sherman 2007）、律师（Pierce 1996）、VIP 派对圈子里的“女孩”（Mears 2015）、卡车司机（Ouellet 1994）、赌场操作员（Sallaz 2009）、工程师（Sharone 2004）和求职者（Sharone 2007）等群体中。在这些情境中，工作游戏被认为具有社会性；一些学者甚至将工作游戏和社交游戏互换使用（参见 Sharone 2013）。例如，Sherman（2007:111–12）认为“游戏发生在集体背景下”，游戏依赖于“与其他工人的关系”。Burawoy（1979:63）观察到，在工厂车间，“每一个非由工作结构引发的社会互动都被‘做出成绩’的习语所主导和包裹”，使得工作场所文化围绕工作游戏展开。类似地，Sallaz（2002:410）描述了赌场工人如何围绕“赚取小费”的游戏进行“休息室谈话”和“下班后的抱怨会”。有些游戏在工作场所文化中如此重要，以至于它们渗透了地位等级：在游戏中表现良好的工人获得地位（Sallaz 2013）。工作游戏有三个方面使其具有社会性。首先，工人通常集体同意游戏的目标和规则，尽管管理层有时会参与其组织和规则的执行（Burawoy 1979；Sallaz 2009）。其次，游戏在工人之间，甚至有时在工人自己内心之间引发竞争；通过游戏，工人们从与管理层的等级冲突中转移到与彼此的横向冲突（Burawoy 1979；Sherman 2007）。第三，与同事和管理者的社会互动为工人提供了间歇性的关于他们在游戏中表现如何的反馈（Sallaz 2013）。Burawoy（1979:63）引用了一位工人的话，当“有人过来谈话时，他的第一个问题是‘你做出成绩了吗？’接下来是‘你的速度是多少？’” 迄今为止，关于工作游戏的文献尚未探讨由工作量化引发的游戏。当代量化的性质表明可能会产生不同类型的工作游戏。量化变得如此个体化，以至于我们可能会预期出现较少以群体为中心的游戏。事实上，一些不相关的研究表明技术对象（如测量系统）与个体“心流”和孤独审美体验之间的关系（Gregg 2016；Knorr Cetina 1997；Knorr Cetina 和 Bruegger 2000；Rennstam 2012；Schüll 2014；Siciliano 2016；Snyder 2016）。例如，Gregg（2018）描述了大数据时代的生产力软件如何产生一种沉浸式的“活动美学”。我们在田野工作中观察到的“自动游戏化”肯定了这些观点，其特征是对量化的孤立沉浸体验。我们将通过定性数据展示，工作量化可以通过提供（1）个人的数值目标，（2）与自己竞争的途径，以及（3）私人实时反馈，来促进孤立的“自动游戏”。工作游戏以前被理解为一种社会现象，通常被管理层利用，但这个案例挑战了这一理解。我们认为，自动游戏化可能有助于解释在没有激励、知识创造或纪律的情况下，量化如何影响工人行为。我们的研究背景是一家位于印度的工厂，该工厂生产男士西装。生产过程是一个线性序列，由不可分割的操作组成。工厂设有12条生产线，共有147个操作。研究期间为2009年至2014年，工厂雇佣了1,647名生产线工人。每条生产线生产一种类型的产品，并包含一系列操作：9条裤子生产线各自包括51道裤子操作；3条夹克生产线各自包括96道夹克操作。我们的研究环境有两个优势：在研究期间，生产线的配置没有变化，生产线和操作的分配是基于工厂的运营需求而不是工人特征；因此，各条生产线和操作在人口统计和技能水平方面是相似的。工人只执行一个操作，但这些操作的复杂性差异很大。2012年，管理层在一些生产线上试验性地引入了数字性能测量技术，用于测量工人的生产情况。CEO曾在中国的工厂见过这种技术，并渴望实施它。工人在事前没有被告知这次干预；工作站的RFID扫描仪是在夜间安装的，第二天工人们被教会如何使用它们。未完成的服装上附有RFID标签，工人们被指示在处理每件服装前扫描其标签；这样就可以跟踪服装在生产线上的进度。扫描仪报告生产的单位数量，并实时计算个人效率，以百分比表示相对于设定目标的完成情况。在引入RFID技术之前，这家工厂的工人也有设定的目标；这些目标和效率计算在RFID技术引入后并没有改变。图1显示了工厂内的RFID终端。因此，这次干预应该被视为一项工作量化计划，旨在以数字方式实时测量个别工人的生产力，使工人和管理层都能看到这些数据。之前，生产线的生产力可以通过每天计算生产的件数来衡量，但个人的表现很难测量。这次干预量化了工人在一天中每时每刻的生产力。尽管量化工作提供了许多可能性，但量化数据并未被系统地使用。这次干预只是RFID技术的有限试点推广；最终由于成本问题，技术并未扩展到工厂的其他部分。工人的薪资保持不变，他们继续领取固定的日工资。与工人的访谈表明，他们并未感受到任何绩效激励。工厂没有雇佣数据科学家或指派任何人分析数据以识别模式。直接主管也没有利用这些数据来惩戒工人。主管们在各条生产线之间轮换，而新数据仅对试点生产线可用。主管们也无法轻松获取数据；RFID数据只能通过位于不同楼层的计算机访问。惯性也阻碍了废弃或补充传统的面对面监督和惩戒体系：主管们长久以来通过在生产线间走动来行使控制（因为他们的管理范围很广），随机停下来，发现错误时对工人大吼大叫，并喊出诸如“快点做”之类的命令以保持工人的工作进度。干预后，这种面对面监督和惩戒体系没有改变，因为主管们已经习惯了这种管理方式。干预后，工人的加薪、晋升和解雇情况没有变化。工厂的工人没有接受年度绩效评估；加薪主要基于资历。经理和工人报告称，由于服装厂扁平的组织结构，晋升很少；由于劳动力市场竞争激烈，工厂不愿失去训练有素的工人，解雇也很少。我们的数据记录显示在五年研究期间仅有10次晋升，且没有涉及我们数据集中1,647名生产线工人。横向岗位变动也很少。至于解雇，仅有一次明确解雇了生产线工人。自愿离职率约为每周1%，在引入RFID后也没有变化。无论在量化前还是量化后，我们都没有观察到主管非正式地以解雇威胁工人以促使他们辞职。总之，量化工作对生产力的任何影响必须通过激励、知识创造或惩戒以外的机制来实现。
为了调查工作量化如何以及在何种情况下影响工人的生产力，我们采用了全周期研究设计。这种方法结合了归纳和演绎方法，以循环的方式进行（Fine and Elsbach 2000; Ranganathan 2018）。其逻辑是，初始的定性数据能够丰富地描述现实问题，并生成直接源于受访者即时经验的理论和假设；定量数据则能够识别出具有普遍意义的关系。我们在服装厂的民族志田野工作和访谈生成了关于自动游戏化机制的理论，并提出了两个关于工作复杂性如何调节量化后果的假设。随后，我们使用独特的长期生产力数据来检验这两个假设。进入现场和获取数据的条件 第一作者通过一个行业协会联系上了CEO，并在公司总部（不与工厂同址）与他会面，表达了对研究印度不断增长的服装制造业中女性就业的兴趣；当时未提及量化或RFID技术。她请求长期进入工厂进行田野工作并获取人员数据。一旦获得许可，她采取了若干措施以确保工人不会将田野团队（包括她自己和一名研究助理）视为管理层。她请求田野团队像工人一样被发放徽章，每天早晨刷卡进入工厂场地。因此，安保人员将她们视为工人，而工人们看到她们每天早晨在9点前匆忙赶到工厂。田野工作期间，她们遵守工厂的作息时间，9点前进入，下午5点半离开。她们与工人一同用餐和喝茶休息。起初她们是陌生面孔，但很快就变得熟悉。田野团队大部分时间与工人在没有空调的工厂车间里度过。工人们将她们视为正在做“课堂项目”的学生，常常问她们最终报告进展如何。工人们知道她们在社会人口统计学上有所不同，因为她们能用英语和当地语言交谈，但据我们所知，工人们并未将田野团队视为管理层的同盟。工人们邀请团队成员到他们家里做客，如果认为团队与管理层有关联，他们绝不会这样做。总体来说，我们相信工人们对我们是坦诚的；我们对车间文化的观察也证实了工人们的评估。他们渴望讲述自己的故事，并因为我们询问了他们的工作，记录了他们的成功和挫折而向我们敞开心扉。田野团队全为女性这一事实也帮助我们与以女性为主的工人群体建立了融洽的关系与信任。工厂管理层在一个独立的空调办公楼里办公。与管理层的访谈是私下进行的，地点要么在公司总部，要么在独立的空调办公楼，对工人们并不明显。“为什么要实施RFID？”厂长（H5）反问道，重复了我们向他提出的问题。“重要的是了解每个工人在每天480分钟内生产了多少件……每分钟的浪费都等同于一件未生产的产品。”我们与高级管理层的访谈表明，引入跟踪系统是为了量化每个工人的产出。人力资源主管（H1）补充道，RFID“提供了工人特定的信息，有助于跟踪生产件数”。管理者们对数字的力量，尤其是对RFID系统的信任，能够实现“定量数据收集”（H2）。高管们声称，量化数据“帮助以更系统的方式处理问题”（H3），并允许获得“精确的数字”（H2）[强调添加]。尽管引入了RFID系统以实现精确的定量数据收集，高级管理层选择不将该系统与经济激励挂钩。生产主管解释道，“我们这里是固定工资制，没有计件工资系统”（H4）。然而，高级管理层确实期望一线主管监控工人的生产力数据，并对表现不佳的工人进行纪律处分。裤子生产主管解释道：“理想情况下，RFID的使用应该是监控、分析工人生产力数据，识别并惩戒问题工人”（H4）。实际上，RFID系统并未与监督处分挂钩。对于我们的问题“主管会查看RFID数据吗？”一名工业工程师回答道：“他们应该使用数据，但他们没有”（IE1）。值得注意的是，当我们尝试收集个人生产力数据时，发现这些数据从未被下载到服务器上。由于RFID项目是一个试点计划，高管们没有动机去惩戒主管或聘用数据科学家对新获得的定量绩效数据进行大数据分析。工人们意识到RFID系统与激励、分析或纪律处分无关。访谈显示，他们并不认为这些数据会被系统地监控，也不会被用来奖励或惩罚他们。“除非有人真正监控并对我的数据采取行动，否则我没有动力加快速度，”一名工人说。“目前，似乎没有人真正这么做”（W19）。另一名工人说道，“我不记得主管曾经来检查过机器并对此作出反应”（W2）。一名人力资源经理证实了这些观察：“如果将激励与RFID挂钩，且工人们知道这一点，也许RFID会被视为一件积极的事情，因为他们的薪酬会与之相关。但工人们知道没有激励”（H1）。令人惊讶的是，尽管已知RFID系统与激励、分析或纪律处分无关，RFID量化仍然影响了工人的生产力。“系统本身似乎在提高生产”，裤子生产主管观察到。生产主管进一步解释道：“心电图本身不会治愈疾病，但仅仅作为一种诊断工具；同样，无论车有多好，优秀的司机至关重要……我以为RFID会像心电图或汽车一样，但RFID似乎有所不同。即使没有技术团队使用它，只是安装RFID设备似乎就提高了生产”（H4）。这一令人费解的观察为我们的分析奠定了基础。![]()
我们发现，量化工人的产出过程本身就有游戏化的倾向。工人们可以在他们的RFID设备上看到实时的生产数字和“当前效率”。这种RFID数据的可见性似乎无意中促进了将工作视为一场独立于管理层的个人游戏的现象，我们称之为自动游戏化。工人们描述了“在不知不觉中进入游戏”（W1），然后“被它吸引”（W2），并“冲破任务障碍”（W12）；我们注意到他们经常谈论他们的生产数字时脸上带着“喜悦”（田野笔记）。通过将工作游戏化，他们让时间飞逝，“工作变得有趣”（W2）。我们的田野工作确定了RFID系统促使工人自动游戏化工作的三个特征：（1）明确的个人目标，（2）与自己的竞争，以及（3）私人的实时反馈。首先，工人们似乎为自己定义了一个明确的个人目标，意味着胜利。许多工人将他们游戏的目标定义为“达到100%”（W10）的日常效率。工人们独立地将100作为目标，或许是因为在印度考试是以100分为满分，因此100被认为是一个自然的“胜利分数”（田野笔记）。一名工人说：“我在等待有一天我的当前效率达到100%！”（W13）。当时，这名工人的效率约为60%，与工厂平均水平一致。工人们以前知道高效率数字是好的，但不知道自己处于什么位置；100并不是一个主动追求的目标。具有讽刺意味的是，100%的效率是一个不可实现的目标。“虽然我们设定了100%的目标，但我们的期望只是80%”（IE1），一名工业工程师告诉我们。结果是一个很难获胜的游戏。其次，工人们与自己竞争。RFID设备似乎在工人的当前和过去表现之间产生了比较。它们还为未来表现设定了目标。“今天如果我做到80%，那么明天我就尝试81%”，一名工人说。“这样，每一天都是一场比赛！”（W8）。根据我们的田野笔记，一名工人告诉我们“她通常能将生产数字提升到大约230”。同一天晚些时候，我们观察到“她的机器显示只有179，[她]专注工作，试图在工厂铃响之前将数字提高到230”。另一名工人告诉我们“最后一小时是[她]最大限度提高生产数量的时候”，并且她“喜欢在这个时间看RFID机器”（W10）。与他人竞争则不太可行：生产力数字未公开，工人们也不讨论彼此的数字。第三，工人们从他们的RFID设备上获得私人的实时反馈。转到下一件物品时扫描新的RFID标签会改变屏幕上的数字。（某个工人屏幕上的数字从远处难以看清。）一名工人说，查看“实时的RFID数据就像实时关注板球比分”。他补充道，“机器给出了关于工人的所有可能细节……像他们的星座运势”（W22）。另一名工人报告说，她每次扫描标签时都会瞥一眼她的效率数字，并知道“当效率数字下降时[她]需要开始更快地工作”（W8）。实时反馈的性质带来了紧迫感，增强了游戏的感觉。外部压力的缺乏，由于反馈的私密性，使整个过程是内部驱动的。工厂经理推测，“大多数工人没有真正受过教育，所以他们发现互动设备特别吸引人”（H5）。我们认为，量化通过自动游戏化机制影响了工人的生产力。RFID技术提供了明确的个人目标、与自己的竞争和私人的实时反馈，促使工人自愿地将工作游戏化，而无需管理层的鼓励。表1提供了更多关于自动游戏化的证据。
我们的访谈还揭示了，工作复杂性是工人理解其工作的一个重要组成部分，并指导他们对数字测量技术的解释和反应。观察显示，服装生产工作的复杂性存在显著异质性。复杂性被理解为完成工作所需的时间：简单工作所需时间较短，而复杂工作则更加多样化和困难。从事简单工作的工人将他们的工作视为“例行公事”（W1）；他们的目标是快速完成。一位工人说：“我沿着接缝做直线缝……不需要思考。我只需要保持生产进行”（W13）。另一位工人说：“我只需用手臂对齐我的布料。机器做其余的……我闭着眼睛也能做，这么容易”（W5）。从事各种简单操作的工人称他们的工作“无聊”（W13）、“重复”（W8）和“单调”（W7）。由于这种工作简单，RFID设备在处理线上捕捉到的数量指标——生产件数——被认为是衡量绩效的适当且有用的指标。不少主管表示，“裤子是大批量生产的……数量越多，裤子生产越好。像这样的技术，可以看到回报”（S3）。生产负责人也赞同：“对于大批量生产的产品，如裤子，生产件数是衡量绩效的正确指标”（H4）。一位从事简单硬币口袋操作的工人说：“有了RFID，我现在能够看到我的工作情况；我能够看到我的数量和效率百分比。我目前的操作目标是每小时35件，现在我知道我能交付25到30件”（W8）。由于这些工人认为数量是衡量绩效的有意义指标，他们认为自动游戏化具有激励作用。生产负责人（H4）解释道：以前，做简单任务的工人感觉自己在一条没有里程标记的长直收费公路上行驶，没有距离感。现在那些有RFID的工人有了里程标记，他们期待看到自己走了多远。他们知道还需要走多远。而且，他们在不知不觉中尝试比上次走得更快。一位工人表达了技术使简单工作变得有趣的感受：“我在工厂工作多年，从第一天起就一直做同样的操作。我不是很喜欢这个操作，但我喜欢RFID机器，我喜欢扫描……这就像是一台计算器，我的目标是确保每天的效率不下降……因为一旦效率下降，我就输了——游戏结束。而且很难再提高”（W5）。观察进一步表明，RFID测量技术对从事简单工作的工人的生产力产生了积极影响。那位将机器描述为计算器的工人说：“我认为这帮助我工作得更快，交付更多的生产”（W5）。一位从事基本装配装载的工人指出：“这台机器帮助我意识到了我的潜力……我交付的生产数量比我想象的还要多！”一位资深工人评论道：“生产确实有所改善……它现在已经成为工人工作的一部分”（W15）。一位在处理裤子线上工作的主管注意到“有了RFID后，生产线运行得非常强劲，工人表现出更高的自我兴趣”（S3）。基于我们的定性数据，我们提出以下假设：假设1：在简单工作的背景下，工作量化对工人生产力的影响将是积极的。相反，观察表明，从事复杂工作的工人对量化的反应截然不同。复杂工作的工人倾向于将他们的工作视为“工艺”（W22），并专注于“做好”（W26），而不仅仅是快速完成。这些工人描述他们的工作是“令人满意的”（W24）和“具有挑战性的”（W14）。一位工人断言：“夹克是高端产品，几乎每一件都感觉是定制的”（W15）。另一位工人详细说明：“夹克被视为能提升穿着者身份的产品……而是否能做到这一点取决于我的手艺”（W14）。一位从事袖子/头滚缝合操作的工人说：“我将不同尺寸的布料缝到一块弧形的毡布上，这块毡布支撑着肩部的袖子——每次完成都像是一种成就！”（W24）。当RFID在复杂生产线上实施时，工人们认为所捕捉的数量指标只是部分且不完美的绩效衡量标准。生产负责人解释说：“在夹克生产中，追求的是‘高端质量’，而不是生产数量”（H4）。夹克生产负责人也同意：“尽管有一些生产驱动，但对质量的追求更强烈”（H3）。一位工人详细说明：“侧缝是一个复杂的操作。我认为它复杂是因为很难做。如果我犯了哪怕是最小的错误，布料会形成皱褶，成品需要返工。因此，生产数量不是唯一重要的；是否有皱褶同样重要”（W22）。在这种情况下，工作输出的量化导致了自动游戏化，削弱了动力。一位工人解释说：“在这台机器引入之前，我可以自己安排时间，但现在倒计时增加了额外的工作压力……并且使它不再有趣”（W20）。在被要求详细说明倒计时时，她说：“很难不被RFID倒计时游戏吸引。但你知道有些游戏是有趣的，有些则不是？对我来说，这个游戏并不有趣”（W20）。工人们报告说，他们感到沮丧和贬值，因为RFID的效果是“将他们简化为一个数字”（W22）。他们为自己的工艺感到自豪，并希望因提供高质量产品而被认可。一位缝制复杂内部口袋的工人说：“像我这样的工人是因为对操作的深厚熟悉和兴趣而交付高质量产品……而不是因为你在我桌上放的游戏”（W25）。从事复杂操作的工人无意中将他们的工作变成了个体层面的游戏，但他们发现这种游戏既不愉快也不激励人。这种对量化的反应似乎导致了生产力的下降。一位从事下领口锯齿缝合的工人说：“我不喜欢有这个监视机器……我曾经非常喜欢我的操作。现在我不确定了……[我]认为它没有对我的生产水平产生积极影响”（W27）。一位从事复杂翻领缝合操作的工人说：“我的工作是关键且难做的……[被]观察工作进行会让即使是通常快速的工人也会放慢速度”（W23）。一位从事袖子衬里操作的工人说，虽然“操作目标是70件，但在有了RFID之后，我现在只能交付大约55到60件”（W20）。另一位工人告诉我们：“总体上，她似乎不喜欢有这台机器。她认为扫描实际上降低了她的生产数量”（现场笔记）。因此，我们提出以下假设：假设2：在复杂工作的背景下，工作量化对工人生产力的影响将是消极的。表2提供了更多量化对从事简单和复杂工作的工人产生不同影响的证据。注意，从事简单和复杂工作的工人非常同质：大多数人住在工厂周围的村庄，经济困难（促使他们寻求这份工作），并且之前没有正式就业经历。此外，似乎没有系统性地将具有某些特征的工人分配到某些工作。相反，工作是基于职位空缺准随机分配的。我们观察到，每天都有少数工人“走进”工厂寻找缝纫操作员的工作。工厂不筛选应聘者；大多数走进来的人都会被雇用，并在几分钟内被分配到一个空缺的职位。唯一的拒绝标准是色盲和无法识别数字。管理层认为任何工人都能掌握必要的缝纫技能。总之，我们的定性数据使我们能够识别一种新机制——自动游戏化——解释了工作量化如何影响工人生产力。我们无法定量测试这一机制，但我们的定性数据生成了两个可测试的假设，关于在何种情况下量化会提高或降低生产力。我们认为，量化更可能在简单工作的背景下提高生产力，因为量化指标能够充分衡量所进行的工作。而在复杂工作中，量化可能会降低生产力，因为它无法充分衡量多维度的工作，使得游戏化具有消极作用。
本文旨在探讨工作量化如何以及何时影响工人生产力。我们采用了完整的研究设计，进行民族志田野调查和访谈来发展理论并生成假设，然后使用工厂的管理数据来检验我们的假设。我们的定性数据揭示了量化通过自动游戏化影响工人生产力，我们将其定义为工人无意中将工作转变为独立的、个人层面的游戏。数据确定了三种条件促进这一机制：(1) 明确的个人目标，(2) 与自己竞争，(3) 私人的实时反馈。定性数据还生成了关于工作量化的不同影响的假设，具体取决于所执行工作的复杂性：对于简单工作，因为量化指标能够充分衡量这样的工作，自动游戏化具有激励作用；但对于复杂工作，量化指标无法充分代表其全部内容，因此具有去激励作用。与我们的假设一致，定量数据表明，生产力在执行简单工作的生产线上有所提高，而在执行复杂工作的生产线上有所下降。我们的文章对量化研究做出了三项重要贡献。首先，我们展示了工作量化本身如何影响工人行为和绩效。社会学家已经注意到量化在各个领域的传播，包括教育（Espeland and Sauder，2016）和信贷市场（Kiviat，2019a），但他们对员工个人工作量化的关注较少。特别是，关于工作场所量化的研究，如记者（Christin，2018）、警察（Brayne，2017）和 Uber 司机（Rosenblat and Stark，2016），无法充分区分量化过程和量化目的，以研究纯粹的测量效应。在许多情况下，量化是一种手段，而我们的案例允许我们研究当量化没有附加目的时会发生什么。我们发现量化仍然会产生影响。其次，我们引入了自动游戏化这一新机制，展示了量化如何影响工人行为和绩效。我们表明，简单的量化行为可以无意中改变其声称要测量的行为，即使在没有正式的激励变化、知识创造和现有理论所假设的新控制机制的情况下也是如此（Levy，2015；McAfee 等，2012；Sauder and Espeland，2009）。数字是许多游戏的基本构建块；因此，简单地将数字附加到社会现象上就可以导致工人将工作转变为个人游戏，从而导致绩效变化。在工作之外，我们也预计会看到量化引起的自动游戏化。例如，Fitbit 用户对数据量化其实时身体活动的反应可能受到自动游戏化的指导。第三，我们证明了工作量化可以根据所执行工作的复杂性引发工人的不同反应。量化文献倾向于断言量化促进标准的反应性实践，因为它本质上是一种转换复杂质量为共享度量的简单、可比较数量的手段（Espeland and Sauder，2007）。然而，我们认为，有些数字更好地代表了它们声称要捕捉的现象。对于简单工作，工人可能会接受量化指标的有效性，从而激发游戏化和生产力提升。对于复杂工作，工人则不太可能认为单一量化指标是合理和代表他们工作的，从而产生去激励的游戏并对被测量的工作绩效产生负面影响。因此，工作量化并不总是引起一致的反应；有时它会产生不同的反应。未来的研究应考察除了复杂性之外的其他特征，这些特征可能会调节量化对工人绩效的影响，以免将不适合量化的工作置于“度量的暴政”（Muller，2018）之下。我们的文章还对工作游戏的社会学文献提供了两项贡献。首先，这一文献已经对社会性质的工作游戏进行了理论化，这些游戏被管理层所同化，并渗透到车间文化中（Burawoy，1979；Sallaz，2009；Sherman，2007）。我们则对工人个体层面的工作游戏转变进行了理论化，这些个体之间和管理层之间是相互独立的。我们认为，当工人可以识别出“赢”得游戏的目标，将当前绩效与过去绩效进行比较，并获取他们所处位置的信息时，他们可能会自动游戏化他们的工作。随着越来越多的工作被技术介导，这种自动游戏化形式特别重要，学者们应予以考虑。算法系统已被证明可以促进互动性（Christin，2020；Kellogg 等，2020）。然而，我们的研究表明，即使在没有 Uber 和其他数字平台可能发送的推动和通知以鼓励工人更快工作的情况下，简单地共享定量绩效数据也可能导致工人创建影响生产力和生产同意的个人自动游戏。我们还考虑了自动游戏化如何影响工人行为。文献表明，工作游戏几乎总是激励性的，因为它们使个人“忘我”（Burawoy，1979；Sallaz，2013）。我们在我们的环境中并未发现这一点：当工作简单且量化指标对工人“有意义”时，游戏是有趣的；当工作复杂且量化指标贬低工人时，游戏是令人沮丧的。最后，我们对技术与组织文献进行了贡献（Orlikowski，2007；Zuboff，1988）。我们展示了，正如组织环境调节技术对工作的影响（Barley，1986；Orlikowski，1992），任务环境也可以调节技术介导的量化如何影响工人的动机和生产力。这里提出的理论可以被视为给定组织环境内人类和技术互动总体中的一个“内层”。因此，该理论与将技术视为客观和新兴现象的社会建构视角的“软决定论”有益地共存（Barley，1986；Orlikowski and Scott，2008）。对任务特征如复杂性如何与技术举措互动以影响工人结果的关注有限。鉴于复杂性水平是工作的核心特征（Hackman and Oldham，1976），我们有理由预计特定技术的影响将部分取决于其与任务复杂性的互动。我们的复杂性衡量意味着简单任务花费的时间更少，因此执行这些任务的工人每天完成的任务更多。需要深入探讨简单工作的哪个属性——较短的任务还是更频繁的完成——有助于量化对生产力的正面影响，以及更广泛地，工作复杂性与工作场所新技术之间的相互作用。我们研究的工厂以女性工人为主。一些学者将 Burawoy（1979）观察到的人际竞争和社会“工作游戏”归因于男性气质的规范（例如，见 Davies，1990）。然而，我们怀疑我们观察到的自动游戏化是一个性别化现象。事实上，在更中性性别的职业中，如 Uber 驾驶（Cameron，2019），也有关于自动游戏的轶事报告。同样，虽然我们研究的是印度的一家服装厂，但我们预计我们的理论在印度以外也适用。我们研究的是一个没有激励、大数据分析或纪律措施的环境，这为我们提供了理论上的清洁性。然而，在许多组织环境中，包括亚马逊仓库的理货员（Rosenblat、Kneese and boyd，2014）和卡车司机（Levy，2015），量化与明确的监控齐头并进。我们预计我们的发现可以推广到这些环境，但未来的工作应系统地调查工人如何应对这些捆绑的干预措施。我们通过研究工作复杂性的差异来考察工作量化的影响。然而，服装厂中复杂性的差异绝对意义上是小的：复杂的服装操作可能比其他环境中的典型工作要简单。例如，医生的工作显然比我们研究的复杂操作要复杂得多。我们认为我们研究设计中的复杂性差异很小是一个优势：如果即使这些微小的复杂性差异也能产生量化对生产力影响的显著差异，我们预计在其他环境中的工作复杂性调节效应将更加显著。同样，我们预计当工人在工作中拥有更多自主权时，他们会有更多机会参与自动游戏化。因此，我们研究的估计可以被视为保守的。自动游戏化对简单工作的影响：超个体化和自我控制的兴起？许多职业，从卡车司机到餐馆工人，都在从事“简单工作”（Hubbard，2000）。我们的研究预测，在这些职业中，量化将通过自动游戏化提高生产力。自动游戏化对这些工作的组织有何更广泛的影响？量化的一个意外后果可能是工作超个体化，比 Burawoy（1979）观察到的更加极端。Burawoy（1979）认为，工作游戏使工人作为个体参与——彼此竞争，沉浸在个人生产力中——而不是作为一个阶级的成员。自动游戏化提供了更多的个人主动空间，减少了协调的需要。在社会游戏中，同事互动以确定谁在“赢”，抱怨赢的障碍，有时还会合作（Sallaz，2002；Sherman，2007）。自动游戏甚至取消了这些基本的互动：作为工人和技术对象之间的纯粹互动，这些游戏将个体主义作为工作与政治经济相契合的机制。此外，当量化引起自动游戏化时，在生产点掩盖和保障剩余价值生成的过程可能会得到加强。Edwards（1979）描述了三种控制类型的发展：(1) 简单控制，即主管发号施令，工人进行小规模斗争以跟上进度；(2) 技术控制，即机器的定速是一种不太显眼但要求很高的控制形式；(3) 官僚控制，即规则决定工人的评估、薪酬和晋升前景。随着时间的推移，一种总体趋势是“伪装控制”遏制了冲突（Chai 和 Scully，2019）。与这一趋势一致，我们假设，量化促进了 Simpson（1985：419）所谓的“自我控制”，即“个体控制自己的工作”。Simpson（1985）预测，自我控制将在专业人士和个体经营者中普及，但量化通过自动游戏化使得自我控制即使在经典制造环境中也得以实现。沉浸在自发个人游戏中的工人可能在不知不觉中控制自己。简单工作环境中的量化作为自我控制的副产品可能会减少对管理监督的需求。对监控的抵抗可能会减弱：当量化促进个体主义并通过“自动游戏”减少社会互动时，工人可能无法组织起来检测并随后颠覆监控。工会历来依靠团结——一种集体精神和工人阶级成员身份的意识——来组织工人并向雇主提出要求；在量化日益普及的情况下，它们的角色尚待观察。量化是组织的一个强大工具，需要谨慎使用。那些认为自动游戏有益的组织可能会让这些游戏不受控制地蔓延。专业协会和其他工人控制的机构可以从企业管理中重新夺回重新定义“好工作”的权力，以允许有用的经济生产，同时维护工人的福祉。总之，随着工作量化变得越来越普遍，我们必须丰富对工人反应的理论理解，以指导量化的实施。我们的研究在这方面迈出了重要的第一步。
![]()
“在看”给我一朵小黄花![]()
