中国零工经济参与决策的影响因素研究：基于自我决定理论的多维分析

本研究基于中国劳动力动态调查(CLDS)数据，运用机器学习模型(SHAP/XGBoost)和逻辑回归，系统分析了工资、工作灵活性(WFT/WFI/WFP)、性别差异及社会保障(五险一金)对中国劳动者参与零工经济(Gig Economy)的影响机制，发现工资是首要驱动因素(β=0.23*)，工作灵活性显著提升参与概率(OR=2.33)，女性参与度较低(β=-0.18*)，为完善灵活就业政策提供了实证依据。

　　

随着数字技术的迅猛发展，零工经济(Gig Economy)正在全球劳动力市场掀起革命浪潮。在中国，这一新型就业形态已涉及2亿人群，贡献了约31万亿元的经济规模，成为推动经济增长的重要引擎。然而，这种灵活就业模式背后隐藏着深刻矛盾：一方面它为劳动者提供了更高的收入可能性和工作自主权，另一方面却伴随着社会保障缺失、算法控制加剧等风险。更关键的是，当前研究多聚焦于零工劳动者的生存状况，对其参与决策的内在机制仍缺乏系统性探索。这种认知空白使得政策制定者难以精准施策，劳动者也面临"高收入与高风险"的两难抉择。

为破解这一难题，研究人员基于自我决定理论(Self-Determination Theory, SDT)整合劳动力市场分割理论(Labor Market Segmentation Theory, LMST)和 precarious 框架(Precarity Framework, PF)，构建了多维分析模型。研究团队利用2014-2018年中国劳动力动态调查(CLDS)的21,672份样本数据，创新性地采用三种互补的机器学习方法——人工神经网络(BP-ANN)、随机森林(RF)和XGBoost进行特征重要性分析，并结合SHAP值解释和逻辑回归验证，首次系统揭示了影响中国劳动者进入零工经济的关键因素及其作用方向。

在方法学层面，研究首先通过严格的标准定义零工劳动者：包括无组织归属的自由职业者、按件/时计酬者以及无正式合同者三类群体。为应对样本不平衡问题，采用随机欠采样和五折交叉验证技术。核心分析工具包括：(1)三种机器学习模型比较预测效能；(2)SHAP值解析特征贡献度；(3)逻辑回归验证变量方向性。特别值得注意的是，研究还通过限定"仅计件付费"群体的稳健性检验，确保了结论的可靠性。

研究结果呈现出四大关键发现：

1. 工资因素的决定性作用
   XGBoost特征重要性分析显示，工资在所有预测变量中权重最高(SHAP值=0.85)，逻辑回归证实月收入每增加1个单位，参与概率提升23%(β=0.23***)。这一发现印证了SDT理论中经济报酬作为内在激励的核心地位，同时也反映了LMST视角下低收入群体通过零工经济改善生计的现实选择。

2. 工作灵活性的双刃剑效应
   三种灵活性维度——工作任务(WFT)、工作进度(WFP)和工作强度(WFI)均进入特征重要性前十位。其中任务自主性的影响最为突出(β=0.855***)，完全控制工作任务的劳动者参与零工经济的发生比(OR)是普通劳动者的2.35倍。这既验证了SDT强调的自主需求满足，也揭示了平台经济中"弹性自由"可能隐含的算法控制风险。

3. 性别差异的结构性障碍
   尽管零工经济被寄望于促进性别平等，但数据显示女性参与概率显著低于男性(β=-0.176***)。SHAP分析进一步发现，30-45岁已婚女性的负向效应最为明显，这与PF框架强调的家庭责任约束高度吻合，表明传统性别角色仍是阻碍女性参与的重要因素。

4. 社会保障的抑制效应
   五险一金覆盖率与零工参与呈显著负相关，其中失业保险的抑制作用最强(β=-0.810***)。这一结果从反面证实了LMST关于正规就业保障功能的论述，也解释了为何零工经济在社会保障体系不完善的地区发展更为迅猛。

在讨论部分，研究团队特别指出三个政策启示：首先，应建立与零工经济适配的"任务-时长"联动社保机制，解决当前按月缴费的制度性错配；其次，通过算法透明度监管防止"伪灵活性"，保障劳动者对工作安排的实质控制权；最后，针对女性劳动者设计儿童托管补贴等定向支持措施。这些建议为中国正在制定的《灵活就业人员劳动保障条例》提供了重要参考。

该研究的创新价值在于首次将SDT、LMST和PF三大理论框架整合应用于零工经济研究，通过机器学习与传统计量方法的交叉验证，不仅证实了经济动机(工资)的核心地位，更揭示了工作自主性需求与社会结构约束的复杂互动。未来研究可进一步追踪平台算法如何调节这些因素的影响强度，以及后疫情时代零工参与决策的演变趋势。发表于《Acta Psychologica》的这项成果，为零工经济的健康发展和劳动者权益保护提供了重要的理论支撑和政策靶点。