即时物流平台吸引和留住快递员的关键因素：基于网络评论的分析

英文原文引用，如有侵权，请联系删除；如要在其他平台转载，请在CSDN私信告知

Shi, X., & Li, J. (2023). Key factors for instant logistics platforms to attract and retain couriers: An analysis based on online comments. Research in Transportation Business & Management, 50, 101031.

在提供“最后一公里”的城市配送服务的同时，即时物流快递员（ILC）也受到了广泛关注。本研究旨在建立快递员加入和保留在即时物流平台（ILP）意愿的影响因素模型，以帮助ILP企业提高快递员的工作积极性，降低其流失率。结合机器学习和回归分析，本文通过分析快递员的网上评论，为企业和政府提供管理零工工人(gig workers)的新策略。基于对快递员评论的情感分析，开发了积极和消极的潜在狄利克雷分配（Latent Dirichlet Allocation, LDA）主题模型，以识别影响ILC工作满意度的因素。然后通过二元逻辑回归模型，分析每个因素对快递员积极/消极情绪的显着性。确定了三个积极因素和四个消极因素，其中预期收入具有最显着的积极影响，其次是自我实现和便利功能。此外，与合作者的不友好互动对快递员工作积极性的负面影响最大，考核机制不完善也阻碍了快递员的参与。同样，入职流程培训和软件质量也是影响其参与行为的负面因素。

1 引言

COVID-19的复发和居家隔离政策的实施，加速了居民线上消费习惯的形成。越来越多的人选择在即时物流平台（ILP）上订购生鲜水果、蔬菜、糕点、鲜花、药品等生活必需品，这也增加了城市即时物流（IL）配送服务的需求。目前，即时物流行业主要依靠ILP提供城市物流“最后一公里”配送服务，通过即时全局调度将即时需求与即时运力相匹配。统计数据显示，2021年中国IL行业订单总数已达约279亿笔，同比增长32.9%，显示出市场活跃程度强劲，未来增长前景广阔。

以即时物流快递员（ILC）为代表的零工工人是即时物流行业的主要承担者，为快速增长的即时订单需求提供运输能力。移动平台是新零工经济发展的重要设施特征，这些平台的基本功能是划分劳动者工作时间和供需的匹配（Graham, Hjorth, & Lehdonvirta, 2017）。它可以立即将客户与附近的零工人员匹配，以便客户能够快速获得服务。此外，它还为那些因 COVID-19 而失业的人提供灵活的工作机会（Spurk & Straub，2020；Wang & Xie，2022）。从业者不需要长期为一家公司或机构工作，只需在方便的时候提供特定的物流服务即可。中国国家统计局的数据显示，截至2021年底，中国灵活就业人数已达2亿，其中超过8000万人依靠移动软件平台进行零工，其中1300万人是提供IL服务的快递员。

在关注零工经济提供的大量就业机会的同时，作为竞争力的首要来源，零工工人在此类平台上的行为也值得我们关注。以送餐快递员为例。快递员在ILP上获取订单，按照平台地图指示到餐厅取餐，然后在规定时间内将食物送到顾客所在地。快递员在此期间必须依靠ILP为客户提供IL服务，他的收入取决于他完成的订单数量。除了食品的口味之外，快递服务的质量也对消费者使用 ILP 时的消费体验产生重大影响（Kusumawardani & Hastayanti，2020）。因此，快递员的积极参与可以为ILP带来额外的客户价值，从而使ILP企业获得持续的竞争优势（Yang等，2020）。

然而，世界银行的分析表明，全球劳动力中只有不到0.5% 的劳动力积极参与零工经济。根据中国的研究，快递员的年平均流失率超过 64%，快递员劳动力的缺乏可能会严重阻碍美团平台（中国最大的综合物流供应商之一）的发展。未能留住零工工人也会威胁到 ILP 企业的长期生存能力（Fuchs & Prouska，2014；Irawanto，2015；Lynn，2017）。随着IL订单的增加，如何吸引和留住快递员是一个无法回避的问题，但管理快递员尤其具有挑战性，因为他们是独立的自由职业者（He, Qiu, & Dong, 2019）。因此，本文的目的就是从快递员对中国ILP发表的评论开始，结合机器学习和回归分析方法，建立快递员工作满意度的影响因素模型。最后，为ILP企业吸引和留住快递员提供有益的建议。

本文的其余部分结构如下。第二节简要回顾了当前主题的相关文献。 第三节解释了研究方法和程序，包括情感分析、LDA主题模型和Logistic回归分析。第四节提供了实证数据的结果。研究结果将在第5节讨论。第6节提供了研究结论和对未来工作的建议。

2 文献综述

2.1 . 新零工经济和即时物流的发展

传统的零工经济主要用来形容独立劳动者签订短期项目和任务合同的经济趋势，强调零工工人的临时性和独立性。新零工经济是按需劳动力模式下的一种共享经济新形态，它利用数字技术，基于移动平台将零工工作者与客户联系起来。作为独立承包商，零工工人进行短暂和临时的活动，可以充分利用闲置的社会资源（Stewart＆Stanford，2017）。由于可以利用移动平台在大范围内匹配供需，互联网时代的零工经济与传统的零工经济有很大不同（Goods, Veen, & Barratt, 2019））。常见的新零工经济模式包括共享住房、网络广播、共享交通和IL交付。本文分析了 IL 送货服务及其零工工人的行为。

“即时物流”（IL）一词最初是指无需仓储或中间配送，提供端到端直接产品交付的物流服务。随着数字技术的发展，IL已成为一种通过即时全局调度，来匹配即时需求和运力的配送服务（Wei，Qiao，Chen，Feng，＆Wang，2017）。与最广泛意义上的物流服务类别不同，IL是一个专注于端到端城市配送、“小时/分钟配送”的服务类别（Xue，Wang ＆ Wang2021）。主要满足用户的配送需求，包括外卖配送、商城配送以及其他形式的商品配送（Zhang et al., 2022））。快递员通过移动应用平台获取即时订单，然后在平台规定的时间内为消费者提供送货服务。因此，IL行业对超快速配送业务场景产生了更多需求，从而鼓励了新零售供应链的发展，并扩大了快递员等零工的就业机会。新零工经济的主要运营模式就是这种由独立承包商，利用移动平台，进行的交易服务。

近年来，IL交付的研究主要集中在ILP的匹配、路由和定价策略上。例如，一些研究人员提出了基于中转站的订单匹配策略，集中于线上到线下的IL服务，以满足不同的客户需求（Li，Yang，Pan，Xu & Wei，2022）。一些研究将IL交付纳入公司运营，并分析了IL服务的设施选址和运输能力资源的分配问题（Rajesh Chauhan, Unnikrishnan, & Boyles, 2022）。此外，几位研究人员检查了 ILP 的“OOLY”运营模式，并评估了其定价和路线规划策略（Amaan、Priyam、Veerapaneni、Priyanka 和 Vinodha，2022 年））。与上述研究不同，本文重点研究ILP的激励策略。为了满足当前IL运力的高需求，通过分析ILP企业的参与行为和工作满意度，为ILP企业吸引和留住快递员提供建议（Alnaggar，Gzara，＆Bookbinder，2021）。

2.2 . 零工工人和即时物流快递员的行为

在新的零工经济中，零工工人在工作时间和地点方面有很大的自由度。他们加入劳动力市场的方式更倾向于自营职业，不再是与平台的简单雇佣关系（Jarrahi, Sutherland, Nelson, & Sawyer, 2020）。这种情况也给平台企业管理零工工人的参与行为带来了新的挑战（Dana, Gurău, Hoy, Ramadani, & Alexander, 2021）。根据零工经济的特点，平台就业的灵活性是零工工作者选择参与的原因之一（朱、谢、华纳和郭，2015）。然而研究表明，高度自由化也使得零工工人缺乏长期嵌入性。对于平台型企业来说，工作稳定性是零工工作者选择是否加入时最关心的问题（Au-Yeung & Qiu，2022；Enriquez & Vertesy，2021）。此外，由于没有正式的雇佣合同，零工工人无法享受普通员工可享受的意外保险等社会保障福利（ Mckinlay，2018）。对于平台来说，如何维护自己的权益也很重要。

即时物流快递员作为典型的零工，通过ILP赚取劳动收入，为客户提供两小时内的送货服务。他们完成的订单数量很大程度上决定了他们的就业收入。目前对快递公司的研究主要集中在保护工人的劳动关系和劳动权利上。例如，他们认为ILP企业在使用算法决策时应该回归人文主义（Leenoi，2021）。此外，一些研究人员还分析了历史数据，以帮助快递员优化送货路线并节省时间。（阮等人，2020）。多项研究表明，增加失业人力资源数量也是IL分配的必要条件（Gläser、Jahnke 和 Strassheim，2021）。对快递员的补偿和激励可能有助于IL行业未来的蓬勃发展。

然而，还需要对零工工人激励问题进行更多研究，特别是影响快递员在新零工经济中参与行为的驱动力（Wikhamn、Wikhamn 和 Fasth，2022）。已经完成的研究很少，而且分散，在零工工人工作满意度的分析中仍需要更系统的整合。多项研究表明，快递员在决定是否加入 ILP 时的关键考虑因素是可用订单数量的不可预测性（Timko & van Melik，2021）。由于平台计时算法的压力以及按时交付物品的需要，近年来与快递相关的道路事故也更加常见（Papakostopoulos & Nathanael，2021）。在加入服务之前，快递员越来越注重充足的技能培训和安全保障等问题（Sung & Choi，2018）。作为ILP企业重要的利益相关者，快递员的工作满意度将对其完成ILP配送的积极程度以及对待客户的态度产生重大影响。只有平台提供的激励，真正让快递员满意，才能让他们产生积极的心理认知，从而愿意更加努力地工作（Jabagi, Croteau, Audebrand, & Marsan, 2019）。ILP企业可以改善快递员的管理，减少快递员的流失，同时获得充足的运力来源和长期稳定的竞争优势。

在员工工作意愿的研究中，通常采用问卷调查和访谈的方式收集信息。然而，这些方法常常受到受访者知识和时间的限制。由于流通行业的门槛较低，大多数ILC的教育背景都比较低。再加上接单和送货时间紧张，很少有快递员能停下来接受问卷或采访，分享自己对所从事的零工工作的看法。随着通讯技术的发展，越来越多的人使用社交媒体来评论和分享自己的想法和关于某事的经历（兰格，2014）。然而，目前利用评论文本分析参与行为主要集中于顾客，而针对员工评论的研究较少（Chen et al., 2022）。研究还表明，员工的评论准确地表达了他们对工作的感受，尤其是他们真正的不满（Yu & Liu，2020）。

世界各地的研究人员广泛研究了新的零工经济和IL，以及零工工人和ILC。然而，现有研究中仍然存在两个问题。

• 目前涉及ILP的研究大多与路线规划、订单匹配和定价策略有关，而与ILP参与者相关的激励策略研究很少。
• 零工和快递员一直是一些研究的主题，但这些研究很少采用评论数据来检验他们的参与行为。机器学习和主题模型方法在这个领域仍然有很多发展的机会。

综上所述，本文试图以ILC为例，对现有零工工人参与行为的文献进行补充。首先，利用情感分析方法对正面评论和负面评论进行分类。其次，LDA主题模型探讨了快递员工作满意度的正向和负向影响因素。最后，Logistic回归模型对提取的因素进行检验和解释。研究框架如图1所示。

​

3 . 方法

3.1 . 情感分析

机器学习和情感词典是文本情感分析中典型使用的两种方法。虽然机器学习算法可以快速分类数据，但其准确性经常受到文本数据类型和范围的影响，因此无法灵活扩展特征（Haddi，Liu，＆Shi，2013）。情感词典是具有情感倾向的单词或短语的集合。这些情感词分为积极情感词和消极情感词，这些情感词在不同领域和上下文中通常有显着差异（Zhang, Wei, Wang, & Liao, 2018）。在情感分析的过程中，情感词典可能不如机器学习进行分类那么快。但它的优点是更加灵活，可以根据不同的领域定制部分情感词典（自定义情感词典）。就本文而言，后一种方法更为合适。这是因为快递员的评论非常个人化，而且他们使用的词语简短且无结构。因此，本文的自定义情感词典是基于常用情感词典和快递员经常用来表达意见的一些口语和非正式情感词的组合。他们之中，常用的情感词典有SentiWordNet（知网发布的中文情感分析词典）和NTUSD（台湾大学编写出版的情感词典）。对快递员的评论文本进行切分，找到出现频率较高的情感词，是获取定制情感词的第一步。接下来，还需要包括来自互联网的流行语和该领域 IL 行业特有的短语。自定义情感词典的示例如下所示， 还需要包括互联网上的流行语和该领域 IL 行业特有的短语。自定义情感词典的示例如下所示表 1 . 

​

根据快递员表达的情绪的强烈程度，情绪词1或者2被分配。快递员的情绪得分，计算过程如下：

​

​

3.2 . LDA主题模型

文本分析是一种使用机器学习来处理非结构化文本的自然语言处理方法（ Welbers、Van Atteveldt 和 Benoit，2017）。主题挖掘是文本分析最常见的应用之一。它用于发现一系列文档中的抽象主题。最初，潜在语义分析 (LSA) 用于发现潜在的主题信息 ( Landauer, Foltz, & Laham, 1998）。为了获取具有相关主题的映射文档，LSA 可以使用奇异值分解（SVD）将高维文档-词共现矩阵映射到低维潜在语义空间。但SVD存在分解延迟和主题挖掘效率低下的弊端。后来，其他研究将LSA的概念融入到概率统计模型中，并使用期望最大化（EM）算法来学习模型参数，这也称为概率潜在语义分析（PLSA）模型（Hofmann，2001 ）。该模型在数理统计方面比LSA执行得更快。这种方法的缺点是不能自由扩展，因为参数数量随着文档量线性增长。

潜在狄利克雷分配（LDA）是一个三层贝叶斯概率主题模型，包含单词、主题和文档结构三层（Blei, Ng, & Jordan, 2003）。它引入了基于PLSA的狄利克雷先验分布，它既可以给出最能描述每个主题的单词的概率分布，也可以给出每个文档的主题的概率分布( Chen, Yao, & Yang, 2016 )。由于其速度快、收敛影响强、鲁棒性好等优点，LDA模型作为一种无监督机器学习方法已广泛应用于机器学习和主题挖掘的众多领域（Chauhan & Shah，2021；Jelodar et al . ， 2019）。考虑到其在文本相似度处理方面的独特优势（zhao等，2016），本文利用LDA主题模型提取快递员工作满意度的影响因素。具体步骤如下：

STEP1: 计算词频-逆文档频率（TF-IDF）值并过滤关键字。基本思想是将词频（TF）和逆文档频率（IDF）结合起来。一个单词的重要性根据它在文本中出现的频率而上升，并与它在其他文本中出现的频率成正比而下降（Kim, Seo, Cho, & Kang, 2019）。当一个单词在一个文本中出现的频率较高而在其他文本中出现的频率较低时，它就更容易区分并且更好地代表文本。公式如下：

​
STEP2: 选择最佳主题数。主题分类的准确性会受到主题数量的影响。主题太少会导致主题粗粒度，严重影响分类结果，而主题太多则会导致主题的语义信息缺乏显着特征。本文利用“困惑度”指标来确定主题的最优数值（zhao等，2015）。困惑度是指文本主题的不确定程度。困惑度越低，聚类效果越好。计算公式为：

​

STEP3: 建立正负LDA主题模型。首先，针对快递员的评论文本集提取评论的狄利克雷概率主题分布；然后，根据概率主题分布在评论文本的各个位置采样生成主题。接下来，使用狄利克雷分布从先前选择的主题生成相应的特征词分布。接下来，从主题的单词分布中随机选择一个单词。最后重复上述过程，直至生成整个主题。

3.3 . 逻辑回归分析

就其预期用途而言，计量经济学方法和机器学习方法存在显着差异。机器学习方法的目的是使用自变量来预测因变量。人们越来越关注预测准确性，并不断改进算法以提高分类准确性（Fleuren 等人，2020；Liu 等人，2019）。计量经济学方法的目的是进行结构分析。这需要确定哪些自变量将影响因变量以及该影响的重要性。进一步考虑变量的系数和重要性（Acosta, Ihle, & von Cramon-Taubadel, 2019；希克曼、哈伯德和萨拉姆，2012）。目前关于这两种技术的大多数研究都是对它们进行比较或应用机器学习技术来增强计量经济回归模型的预测（ Cerulli，2021； Pérez-Rave，Correa-Morales，＆González-Echavarría，2019）。很少有研究进一步解释机器学习做出的预测。一些研究人员认为，可解释性是机器学习的致命弱点，计量经济学可以提供解决方案（ Dumitrescu, Hué, & Hurlin, 2021； Hoepner, McMillan, Vivian, & Wese Simen, 2021）。因此，本部分旨在使用计量经济学回归方法来解释上一部分通过机器学习得到的LDA模型。也就是说，进一步分析了从主题模型中得到的影响因素的意义。具体步骤如下：

STEP1：构建评论主题系数矩阵

​

STEP2: 构建Logistic回归模型。结合情绪分析和LDA模型的结果，本文研究的自变量是主题因素。因变量是与每条评论相对应的快递员的积极/消极情绪。积极情绪表示快递员的工作满意度和继续参与的意愿，而消极情绪则相反。

​

4 . 实证研究

4.1 . 数据收集和预处理

美团众包、顺丰同程、闪快递、UU跑者、蜂鸟众包、达达骑士、菜鸟点我达是本研究中使用的七种典型ILP。从市场占有率来看，这些入选的平台均跻身中国IL行业前7名。我们知道，快递员下载ILP软件后可以在应用商店发表评论。之前的研究还利用了应用商店中的用户评论（Henao、Fischbach、Spies、Frattini 和 Vogelsang，2021）。还应该指出的是，此类ILP往往会为利益相关者发布不同的平台版本，例如快递版本和客户版本。两者的区别在于，客户大多使用客户版本来支付平台上的IL服务费用。而快递版则主要用于快递员获取订单和提供IL服务。为了区分顾客和快递员发表的评论，我们这里选择的平台版本是快递版（例如名为“美团众包快递”的平台）。

下一步是使用Python爬虫代码收集快递员在应用商店上发布的评论。征集时间为2019年6月1日至2022年6月1日，共收集评论22875条。由于快递员评论语句混乱、结构不佳，

• 用pandas包读取文本后，数据中的重复和乱码文本被去除。同时手动筛选出过于简短且对分析缺乏重要性的数据。有效评论总数为20486条。
• 使用jieba包对评论文本进行分词、词性标注、停用词过滤、词频计算等。接下来，选择 TF-IDF 值最高的前 300 个单词作为关键字。这些关键词可以代表某个评论想要表达的主要意思。每个评论的关键词都会在后面使用的LDA主题聚类模型中使用。表 2显示了爬取的评论和所选关键字的示例。

​

接下来，执行如下步骤：

1. 本文将预处理得到的关键词作为行特征词(line feature words)
2. 利用Bibexcel软件构建关键词共现矩阵（表3）。线路特征词由代表某条评论所表达含义的关键词组成。同现矩阵用于统计评论文本中两个词向量共现的次数，可以表示词向量之间的密切关系( Chen, Chen, Wu, Xie, & Li, 2016 )。
3. 然后将共现矩阵导入Netdraw中，绘制关键词的社交网络关系图（图2）。点中心度较高的关键词，或者与其他关键词相关性较高的关键词，可以在社交网络图中更容易看到（特兰和荣格，2015）。

由此，我们可以大致评估一下快递员意见中提出的主要问题。从图2可以看出，“时间”、“商户”、“公里”、“订单”、“距离”、“超时”、“软件”等几个关键词与其他关键词的关联强度较高。从上面的话可以看出，快递员在进行IL配送时，更关心的是ILP的接单数量、配送时间以及ILP提供的配送路线。

4.2 . 快递员评论情感分析

利用情感词典计算ILC评论的情感得分后，得到快递员正面、中性、负面情感分类的结果（表4））。其中积极的有6414例，占总数的31.3%；消极的有11,366例，占55.5%；2706 人为中性，占 13.2%。可以看出，超过一半的快递员对自己的工作满意度较低，在从事IL配送活动时负面情绪较多。将根据本节收集的正面和负面评论构建LDA主题模型，以确定影响快递员工作满意度的因素。这部分得到的正面和负面评论，将作为建立LDA主题模型的基础，以获得影响快递员工作满意度的正面和负面因素。

4.3 . 快递员工作满意度影响因素提取

基于情感分析结果，本文使用机器学习包Gensim对快递员评论数据进行LDA主题建模。吉布斯采样迭代次数设置为300。通过控制不同主题的数量来分析困惑度指标。如图3所示，当主题数量为7时，困惑度出现明显的最低点。

图3

考虑到主题过多会失去分析的意义，最佳主题数量暂定为7。

接下来，分别计算了正面评价和负面评价的话题困惑度，趋势图如图4、图5所示。

图4 正面主题的评价困惑度

从图4可以看出，当正面评论的主题数量为3时，困惑度显着下降。

图5 负面主题评价的困惑度

同样，从图5中可以看出，当负面评论的主题数量为4时，困惑度明显下降。

因此，当主题总数为7，正面和负面评论的数量为7时，训练的LDA模型最合理。负面评论主题分别为3个和4个。合理性体现在随后获得的选题具有显着的特征。

然后根据识别的主题编号设置 LDA 模型的参数，以建立每个主题的单词分布。每个主题下列出的单词根据出现的后验概率按降序排序。表5总结了LDA模型在正面评论下的结果，表6总结了负面评论下的结果。

根据每个主题的词分布，我们可以将主题特征概括为三个积极因素和四个消极因素。

4.4 . 快递员工作满意度影响因素回归分析

以ILC每条评论的正面/负面情绪为因变量，提取的主题因子为自变量。表 7显示了二元 Logistic 回归分析的结果。根据 Hosmer 检验（P=0.233>0.05），模型拟合度较高。因此，本文的Logistic回归模型能够较为真实地反映影响因素与快递员工作满意度之间的关系。

从表7可以看出，7个因素的显着性（Sig.）均<0.05，表明这些因素对快递员的工作满意度有显着影响。优势比（OR 值）反映了自变量和因变量的相关程度。结合因变量的赋值可以看出，如果 OR=1，表示影响因素与快递员工作满意度不相关；如果OR>1，表示影响因素与快递员工作满意度呈负相关；如果OR<1，表示影响因素与快递员工作满意度呈正相关。

5 . 结果与讨论

5.1 . 积极影响因素

正面评价的LDA主题模型提取了影响快递员工作满意度的三个因素：预期收入、自我实现和便利功能。

结合回归结果见表7可见，预期收入是对快递员参与度产生正向影响的最显着因素，以1%的显着性水平效应提高了快递员的工作满意度。一般来说，快递员更关心的是影响薪资的订单数量、订单价格等问题。通过自己的努力赚钱并补贴家庭开支，对于他们参与IL分销服务，至关重要。他们希望获得更多订单，为客户提供IL服务，并期望赚取更多收入。因此，这一因素是快递员从事并继续零工工作的基础和要求。

自我实现在5%的水平上显着，该因素能够对快递员的参与意愿和工作满意度产生正向影响。自我实现的需求可以用马斯洛的需求层次理论来解释（Jerome，2013）。即快递员在提供IL快递服务的同时，不仅可以获得收入，还可以解决客户的燃眉之急。这个过程让快递员有一种帮助别人的成就感。“希望”、“努力”、“感恩”、“机会”在这个话题中频繁出现，说明零工工作让快递员发挥了自己的价值，体验到了完整的希望和充实。

便利功能也显着，达到5%，其影响为正。结合LDA模型中该主题因子的几个常用词可以看出，快递员认为这种ILP使用起来简单且无成本，并且愿意向其他想要参与部分的人推荐它——时间就业并赚钱。这一发现与技术接受和使用统一理论 (utaut) 模型的促进条件 (FC) 维度一致，该模型衡量绩效员工认为组织的技术和设备具有支持性的程度。（艾哈迈德，2015）。对于快递员来说，这类ILP不需要额外的技术技能，这降低了他们赚取收入的门槛。因此，便利功能鼓励他们参与这项零工工作。

5.2 . 负面影响因素

负面评论的LDA主题模型提取了影响快递员工作满意度的四个因素：互动、考核机制、入职培训和软件质量。

其中，与合作者的互动占 1%，其影响为负，表明该因素损害了快递员继续参与IL的意愿和工作满意度。以外卖为例，快递员收到IL订单后必须第一时间赶到商家取餐，然后将其发送到顾客的地址以完成订单。这个过程中的互动包括与商家、顾客的沟通，体现在快递员能否按时、顺利地取货，以及客户在完成订单后是否会称赞服务质量。此外，互动还包括快递员与平台客服人员之间的互动。客服人员的处理速度和效率会影响快递员在配送过程中遇到问题并需要申诉时的参与意愿。这一因素的负面影响表明ILP企业需要重视快递员与组织其他成员之间的沟通与合作。客服人员的处理速度和效率会影响快递员在配送过程中遇到问题并需要申诉时的参与意愿。这一因素的负面影响表明ILP企业需要重视快递员与组织其他成员之间的沟通与合作。客服人员的处理速度和效率会影响快递员在配送过程中遇到问题并需要申诉时的参与意愿。这一因素的负面影响表明ILP企业需要重视快递员与组织其他成员之间的沟通与合作。

ILP企业的考核机制也是影响快递员工作满意度的重要因素。该因素显着性为1%，主要表现为快递员对ILP企业奖惩制度的不满。例如，快递员不希望自己辛苦赚来的工资，因为ILP不合理的考核机制，比如无理的负面客户反馈，而减少。雇员和雇主之间经常存在心理契约，即快递员在做出一定努力的同时，期望获得相应的奖励。只有这样，快递员才有动力完成平台的IL订单配送。从企业长远发展的角度来看，

入职培训在5%的水平上显着，影响为负，表明目前快递员对ILP企业的入职流程和岗前培训不满意。“注册”、“装备”、“押金”、“培训”是这个话题中的常用词。原因在于，部分ILP企业强制快递员购买平台设备或缴纳押金后才能接单，降低了零工参与IL配送的初始积极性。此外，属于灵活就业的零工工人遭受工伤的风险更大。他们往往因与ILP企业之间不存在正式的劳动合同关系而无法参加保险和申请工伤认定。

软件质量显着达5%，对快递员的工作满意度产生负面影响。主要体现在快递员对使用IL软件平台的地图导航、路线规划、订单匹配、系统卡顿、版本闪退等方面的不满。这一结果与DeLone和McLean提出的信息系统成功模型一致，该模型认为软件系统质量通常包括系统响应时间、易用性、灵活性、及时性和信息服务的准确性（Wang＆Liao，2008 ）。软件系统的质量会影响快递员的持续接单行为。ILP企业应在充分了解快递员使用需求的基础上，有针对性地合理改进软件质量。

6 . 结论和未来的工作

6.1 总结

以国内7个热门ILP为例，建立了两种基于快递员评论文本情感分析的LDA主题模型。得出影响快递员工作满意度的7个因素，并利用二元Logistic回归模型分析各因素对快递员积极/消极工作情绪的显着性（图6 ））。

• 积极因素中，预期收入对快递员持续参与行为的正向影响最为显着，这也是鼓励快递员参与IL配送的最根本原因。自我实现和便利功能也对ILC的工作满意度产生积极影响，这表明快递员可能会通过在工作时帮助他人来体验自我心理满足。软件操作的简便性也鼓励他们选择零工工作。可见，上述三个积极因素是影响ILC员工工作满意度的根本性、始动性因素。
• 负面因素中，与他人的互动以及ILP的考核机制是给快递员带来不满的最显着因素。顾客、商家之间的互动，而平台的客户服务也让快递员不满意，导致他们无法继续参与配送过程。不合理的考核机制也给快递员带来了不满，降低了他们继续从事IL快递服务的意愿。他们的满意度也因入职培训和软件系统质量而受到损害。快递员希望他们的递送过程更加安全。不愉快的平台软件体验也影响着快递员。可见，以上四个负面因素给ILC的参与体验带来了更多的不满。如果这些因素能够得到合理改善，就能为快递员提供强有力而持久的激励。

6.2 建议

当前社会背景下，需求的复杂性使得影响动机的因素更加复杂。精准提升零工员工满意度，有利于ILP企业吸引和留住更多潜在零工员工，使其在市场中更具竞争优势。基于这些实证结果，本文提出以下管理和政策建议：

• 首先，从快递员参与零工就业的角度来看。在加入ILP之前，工作预期收入是对快递员参与意愿产生积极影响的最显着因素。通过零工赚取收入也是他们的首要需求。然而，冗长的入职前登记、验证流程、强制购买设备和支付押金也提高了零工工人的准入门槛。同时，鉴于近期涉及快递员的交通事故数量有所增加，缺乏安全培训可能会降低他们的参与积极性。因此，ILP企业除了用收入来吸引和留住零工外，还应完善入职培训，满足快递员的安全需求，Wilczyńska、Batorski 和 Torrent-Sellens，2020）。
• 其次，快递员加入ILP后，ILP企业应该为零工制定长期可持续的战略。例如，注重快递员、商家、顾客之间的联系和沟通渠道，提高互动质量，促进三者互惠互利。制定相应的考核机制，提高平台客服人员的问题处理能力，为快递员提供可行的申诉渠道。定期对快递员反映的软件系统问题进行针对性改进并及时反馈。
• 最后，从政府治理的角度来看。一方面，政府应充分认识零工工人与ILP企业之间的新型雇佣关系。同时，要了解零工工人的各种诉求和长期稳定的行为。政府需要完善相关政策，建立适合零工劳动者的职业技能培训体系，探索适合其长远发展的职业蓝图。只有这样，才能提高快递员等零工的就业满意度和职业发展。是有保证的。另一方面，政府应对ILP企业的社会责任行为进行监督。例如，制定保障零工工人权益的保护政策；取消户籍限制；通过这些措施，帮助灵活就业人员参加基本养老保险，为政府和ILP企业的零工人员提供更多的人文关怀。

6.3 局限性

本研究存在以下局限性，未来可以从多个角度进行扩展。

从获取的数据来源来看，快递员的言论往往真实反映了他们的心声。不过，并不是所有快递员在使用该软件后都会通过应用商店来表达自己对零工作品的看法。未来的研究可以考虑结合访谈等方法来扩大数据集，增加数据的全面性。

本文从ILP企业的角度出发，选取了7个平台对快递员的评论进行分析。还值得研究的是具体分析不同ILP企业下快递员评价的差异以及差异的原因，是否与ILP企业采取的一些措施有关，可以帮助特定ILP企业改善快递管理。

此外，本文使用计量经济学回归方法进一步排序并解释机器学习提取的主题因素。然而，该方法的准确性和可解释性仍需要通过单独的研究来考虑。各种主题因素相互作用之间的逻辑关系也将是进一步研究的有趣想法。