众包竞赛中雇主绩效影响因素研究

　　摘要：基于任务中国上663个任务的样本数据，分析了众包竞赛中雇主特征、任务特征和任务竞争对雇主绩效的影响及解答者提交数量的中介作用，结果表明：（1）雇主特征维度中，雇主信用正向影响雇主绩效，而任务发布数量却负向影响雇主绩效；（2）任务特征维度中，完善任务描述及较高悬赏金额有助于提高雇主绩效；但是，任务持续时间负向影响雇主绩效；（3）任务竞争维度中，解答方案的提交数量除对雇主绩效有正向影响外，还在任务特征和雇主绩效关系之间起着中介作用；任务交流的负向反馈则会降低雇主绩效。
　　关键词：众包竞赛；任务特征；任务竞争；雇主特征；雇主绩效
　　DOI：10.13956/j.ss.1001-8409.
　　中图分类号： F273.1 文献标识码：A 文章编号：
　　Abstract： Based on the sample of 663 tasks of Taskcn.com， we analyze the factors impacting the performance of sponsor and the mediating effect of submitting number of tasks. The results show： （1） credits of sponsor promote the performance of sponsor； task launching experience decreases the performance of sponsor. （2） detailed task description and higher rewards are benefit to the sponsors’ performance； longer task duration reduces the sponsors’ performance. （3） the number of task submission is not only benefit to the sponsors’ performance directly， but also mediate the relationship between task characteristics and the performance of sponsor. And the negative task communication decreases the performance of sponsor.
　　Key words： crowdsourcing contest； task characteristics； task competition； sponsor characteristics； sponsor performance
　　随着互联网和信息技术的迅速普及，Web3.0赋予自由工作者和企业一个平等、自由的创新交流平台，并提供了个人和企业共同创造的机会。其中，众包就是企业以雇主的身份把原来由员工完成的任务外包给开放的网络大众[1]。企业以众包竞赛的模式替代原来的R&D外包，不仅降低了R&D成本，还提高了R&D的效率[2]。但是，企业在众包过程中因缺乏对众包实施的认识，而获得大量低质量或无效的解答方案，降低了企业实施众包的绩效，阻碍了企业实施众包的积极性。因此，明晰企业众包绩效影响因素及提高众包绩效成为企业最关注的问题之一。
　　目前，国内外学者主要从三个视角研究众包：一是，众包平台的创新协同机制[3]、过程质量和风险控制、防欺诈机制设计[4]；二是，解答者视角的参与动机[5]、学习[6]及解答者绩效研究[7]；三是，雇主视角下企业众包的实施方法[2]、动机[8]、吸收能力[9]以及众包绩效影响因素研究。其中，雇主绩效的影响因素主要从任务描述[7]、奖金[10]、时间成本[11]、任务持续时间和难易程度[10]等任务属性方面进行研究。
　　现有文献对雇主绩效的衡量方法分为三类：一是，解答者提交作品的数量，数量越多雇主获得的绩效越大[12]；但是，数量多并不保证每个提交方案是有效的，其中32%的解答者提交方案无效[10]。二是，众包项目是否完成[13]，其在一定程度上说明雇主获得了满意的解答方案，但是不反映雇主在付出悬赏成本下获得的绩效数量。三是，发布者获得的效用[11]，根据提交解答质量的效用和雇主的成本计算获得。而本文使用中标解答者的信用值客观衡量雇主获得的绩效 。
　　综上所述，现有雇主绩效研究鲜有探讨雇主特征如何影响雇主绩效以及有效的衡量雇主绩效。本文结合现有文献和任务中国的数据对雇主特征、任务特征和任务竞争与雇主绩效之间的关系进行研究，丰富了现有雇主众包绩效研究内容和结论。与现有文献不同：（1）探讨了雇主特征、任务特征和任务竞争对雇主绩效的影响；（2）发现了解答者提交数量在任务特征与雇主绩效之间起着中介作用。
　　1 研究理论与假设
　　1.1 雇主特征对雇主绩效的影响
　　雇主特征包括雇主信用、发布任务数量和参与的时间经验。其中，众包竞赛参与者的信用不仅促进参与者之间的知识共享、长期合作和价值共创，还培养了参与者忠诚度而促使解答者持续参与[14]。孟涛等发现，解答者对雇主的信任促进其参与意愿，且高参与意愿的解答者会多次提交任务，相应的中标次数也较多，即参与任务动机和提交方案质量均有提升[5]。因此，提出如下假设：
　　H1a 雇主信用对雇主绩效有正向影响。
　　委托代理是解释众包参与者行为的理论之一。在信息不对称的众包竞赛中，当雇主面对不同能力的解答者时，容易产生逆向选择的风险。如果解答者拥有多余信息，有可能存在道德风险。Gefen等认为，发过任务的雇主有一定的发布经验，其利用掌握的信息，会缩减任务描述和任务持续时间，增加解答者预期努力，但是这往往会降低任务的成功率[10]。此外，雇主信息的增加，减少了解答者的信息租金，战略性解答者的参与意愿就会降低，从而减少了雇主的绩效。因此，提出如下假设：
　　   H1b 雇主的任务发布数量对雇主绩效有负向影响。
　　H1c 雇主的时间经验对雇主绩效有负向影响。
　　1.2 任务特征对雇主绩效的影响
　　众包竞赛的任务特征包括：任务描述[15]、任务持续时间[10]和悬赏金额[11]。任务描述指雇主对解答者提交方案的具体要求，任务要求越具体，解答者越容易进行能力匹配。详细的任务描述有利于解答者快速识别符合自身能力的任务进行解答，减少了搜寻成本并提高了解答效率和质量。此外，Gefen等认为详细的任务描述不仅使解答者了解任务需求，还可以吸引更多解答者参与，进而提高了雇主发布任务的成功率和绩效[10]。因此，有如下假设：
　　H2a任务描述对雇主绩效有正向影响。
　　任务的持续时间不仅暗示了任务解答所需时间的长短、任务的紧急程度，还说明了解答者需付出努力的大小。因任务持续时间长，雇主会让解答者不断进行方案的修改，使解答者付出大于悬赏金额的努力，造成解答者退出持续时间长的任务[10]。此外，战略性解答者当发现有高质量解答已经提交，或者需要付出的努力与悬赏金额不符时，则会退出众包竞赛[7]。综上讨论，任务持续时间越长，解答者的参与和中标可能性越小，导致高质量解答者退出竞赛，致使雇主绩效下降。故提出如下假设：
　　H2b 任务持续时间对雇主绩效有负向影响。
　　较高的悬赏金额激励更多的解答者参与竞赛[12]。Terwiesch和Xu的研究发现，随着解答者数量的增加，解答方案呈现多样化，并可能会出现最优的解答[11]。此外，悬赏金额越多，解答者会付出更多的努力，因为他们一旦中标获得奖金额会弥补这些成本。因此，任务悬赏金额越高，解答方案的多样性越大，解答者也越努力，使得雇主获得的任务解答质量越高。故有如下假设：
　　H2c悬赏金额对雇主绩效有正向影响。
　　1.3 任务竞争状况对雇主绩效的影响
　　任务竞争状况包括：任务交流[16]和提交数量[13]。Tax等认为网络交流作为非正式沟通，具有积极或消极的作用[17]。Bayus发现解答者通过与其他人的交流可以消除认知固定效应，促进创新成功[18]。但是，任务中国网站上雇主和解答者之间的任务交流多为询问任务要求，或解答者抱怨雇主忘记上传附件、任务描述不清及选标不公等负面内容。任务交流越多说明任务描述越不清晰，而导致解答者无法判断付出的努力程度，甚至会按照简单任务描述进行解答，从而导致雇主绩效的降低。因此，提出如下假设：
　　H3a任务交流对雇主绩效有负向影响。
　　Javadi和Aghaie认为众包竞赛中，提交方案的数量是雇主获得较高绩效的表现[19]。Blohm也认为在大量的解答方案中，总会出现超出雇主期望值的解答方案出现[2]。此外，Saxton等在构建众包分类理论时也认为解答者数量有助于提高众包绩效[20]。因此，提出如下假设：
　　H3b 提交数量对雇主绩效有正向影响。
　　1.4 提交数量的中介作用
　　虽然已有研究表明，任务特征对解答者提交数量有显著影响，增加了雇主绩效。但是，鲜有探索解答者提交数量的中介机制。事实上，任务特征通过两条路径影响雇主绩效：一是任务特征的直接影响；二是提交数量的部分中介作用。基于上述分析，提出如下假设：
　　H4 提交任务数量在任务特征和雇主绩效关系之间起着部分中介作用。
　　综上所述，本文的研究模型如图1所示，雇主特征、任务特征和任务竞争对雇主绩效的影响，以及任务竞争维度的提交数量对任务特征与雇主绩效之间关系的中介作用。
　　2 研究方法
　　2.1 样本来源
　　本文选择第三方众包竞赛网站―任务中国的数据验证假设。在713条悬赏任务的原始样本中根据以下原则进行剔除：（1）任务发布时间2014年8月1日至任务结束时间2015年2月1日；（2）任务中标者的信用值 4（保证解答者至少中标两次，避免委托关系户解答或自发自解的欺诈情况）；（3）去除无法计算雇主参与时间经验的样本。经上述处理后， 获得663条有效样本对假设进行检验。
　　2.2 变量测量与描述
　　根据已有文献[10]、[12]和[19]的测量方法，并根据本文的研究内容进行必要的修正，本文变量的测量如表1所示，各变量的描述性统计如表2所示。
　　3 假设检验与结果分析
　　使用样本数据对模型进行OLS回归分析。多重共线性诊断结果显示，VIF值均在5以内，没有严重的共线性问题。假设检验结果如表3所示，本文的假设除H1c未获得支持外，其他假设均得到验证。
　　由表3可知，与基本模型1相比，模型5加入雇主特征、任务特征和任务竞争后，其对雇主绩效的解释力有所提高， 使得调整后R2值从0.11上升到0.21。
　　雇主特征对雇主绩效的影响
　　表3中模型5的结果显示，雇主的信用对绩效有显著的正向影响，信用越高，越能吸引高质量的解答者参与竞赛，提升了雇主绩效，H1a获得验证。发布者数量对绩效有显著的负向作用，雇主发布任务数量越多，其对发布任务越有经验，对任务的要求就越高，战略性解答者则不会参与此类任务，而降低了绩效，H1b得到验证。雇主的参与时间经验对绩效无显著影响，H1c未获得支持。这是因为，有些雇主虽然参与时间较早，但未发布任务，也未获得任务发布经验。
　　任务特征对雇主绩效的影响
　　模型2的结果说明，任务描述对绩效有显著正向影响，任务描述越清晰，解答者越能清晰了解任务需求，从而提高了解答质量，H2a获得支持。持续时间对绩效有负向影响，说明在较长的任务持续时间内，雇主会不断要求解答者进行方案的修改，使得解答者努力成本大于收益，而降低了解答者的参与意愿，进而降低了雇主绩效，H2b获得支持。悬赏金额对绩效有显著的正向作用，悬赏金额越多，越能吸引高质量的解答者参与众包竞赛，众多的高质量解答者必然促进雇主绩效的增加，H2c获得支持。
　　   任务竞争对雇主绩效的影响
　　在模型5中任务交流对绩效有负向影响。这是因为，任务交流一般是负向反馈，阻碍了高质量解答者参与的积极性，进而降低了雇主绩效，验证了H3a。提交数量越多，高质量解答出现的概率越大，故提交数量主绩效有正向影响，H3b得到验证。
　　任务竞争的中介作用
　　根据表3的中介效应检验步骤，并对各系数进行Sobel检验，令任务特征的变量系数为a，提交数量系数为b，得到表4的结果。
　　Sobel检验结果表明，提交数量对任务属性与雇主绩效之间确实存在显著的中介效应。与模型2相比，模型4中持续时间和悬赏金额系数的绝对值均减少，说明提交数量的部分中介作用显著，H4得到支持。
　　4 结论与启示
　　提高雇主绩效利于雇主和解答者持续参与众包创新竞赛。因此，本文探讨了雇主特征、任务特征和任务竞争三个方面对雇主绩效的影响，并分析了解答者提交数量的中介效应。根据本文结论获得以下研究启示：
　　（1）雇主特征方面：雇主要提高自身信用，以吸引更多解答者参与竞赛，增加解答方案的多样性和提高雇主绩效。雇主发布任务的时间对其绩效无显著影响，说明较早发布任务的雇主不会因先入市场而获得解答者青睐，解答者只根据雇主信用和发布任务数量决定是否参与该众包竞赛。这利于平台不断吸引新的雇主在平台上发布任务。
　　（2）任务特征方面：雇主发布任务时要详细描述任务的需求，以便于解答者进行能力-任务匹配，提高解答效率和质量。同时，雇主为获得高质量的解答方案有必要增加悬赏金额，增加解答数量获得多样性高质量的解答方案。
　　（3）任务竞争方面：雇主应积极引导与解答者之间的交流，让交流成为促进提升绩效的正向反馈。此外，雇主应通过细化任务描述、增加悬赏金额，适当缩减任务持续时间的方式，增加解答者提交方案的数量，促进雇主绩效的提高。
　　参考文献：
　　[1] Howe J. The rise of crowdsourcing[J]. Wired Magazine， 2006， 14（6）： 1-4.
　　[2] Blohm I， Leimeister J， Krcmar H. Crowdsourcing： How to Benefit from （Too） Many Great Ideas [J]. MIS Quarterly Executive， 2013， 12（4）： 199-211.
　　[3] 王姝， 陈劲， 梁靓. 网络众包模式的协同自组织创新效应分析[J]. 科研管理， 2014， 35（4）： 26-33.
　　[4] 郝琳娜， 侯文华， 张李浩等. 基于众包虚拟社区的诚信保障和信誉评价机制研究 [J]. 系统工程理论与实践， 2014， 34（11）： 2837-2848.
　　[5] 孟韬， 张媛， 董大海. 基于威客模式的众包参与行为影响因素研究[J]. 中国软科学， 2014， 12（11）： 112-123.
　　[6] Huang Y， Singh P， Srinivasan K. Crowdsourcing new product ideas under consumer learning [J]. Management Science， 2014， 60（9）： 2138-2159.
　　[7] Liu T， Yang J， Adamic L. Crowdsourcing with all-pay auctions： A field experiment on Taskcn [J]. Management Science， 2014， 60（8）： 2020-2037.
　　[8] Sun Y， Fang Y， Lim K. Understanding sustained participation in transactional virtual communities[J]. Decision Support Systems， 2012， 53（1）： 12-22.
　　[9] Afuah A， Tucci C. Crowdsourcing as a solution to distant search [J]. Academy of Management Review， 2012， 37（3）： 355-375.
　　[10] Gefen D， Gefen G， Carmel E. How project description length and expected duration affect bidding and project success in crowdsourcing software development[J]. Journal of Systems and Software， 2015， DOI： 10.1016/j.jss.2015.03.039.
　　[11] Terwiesch C， Xu Y. Innovation contests， open innovation， and multi-agent problem solving [J]. Management Science， 2008， 54（9）： 1529-1543.
　　[12] 王丽伟， 田剑， 刘德文. 基于网络社区的创新竞赛绩效影响因素研究[J]. 科研管理， 2014， 35（002）： 17-24.
　　[13] Mahr D， Rindfleisch A， Slotegraaf R. Enhancing crowdsourcing success： the role of creative and deliberate problem-solving styles[J]. Customer Needs and Solutions， 2015， 2： 1-13.   [14] Brabham D. Crowdsourcing the public participation process for planning projects[J]. Planning Theory， 2009， 8（3）： 242-262.
　　[15] Zheng H， Li D， Hou W. Task design， motivation， and participation in crowdsourcing contests [J]. International Journal of Electronic Commerce， 2011， 15（4）： 57-88.
　　[16] Geiger D， Schader M. Personalized task recommendation in crowdsourcing information systems-Current state of the art[J]. Decision Support Systems， 2014， 65： 3-16.
　　[17] Tax S， Brown S， Chandrashekaran M. Customer evaluations of service complaint experiences： implications for relationship marketing[J]. The Journal of Marketing， 1998， 62： 60-76.
　　[18] Bayus B. Crowdsourcing new product ideas over time： an analysis of the Dell IdeaStorm community [J]. Management Science， 2013， 59（1）： 226-244.
　　[19] Javadi K， Aghaie A. Crowdsourcing contests： understanding the effect of competitors’ participation history on their performance[J]. Behaviour & Information Technology， 2014， 33（12）： 1383-1395.
　　[20] Saxton G， Oh O， Kishore R. Rules of crowdsourcing： Models， issues， and systems of control[J]. Information Systems Management， 2013， 30（1）： 2-20.