工廠的紀律 vs 平台的演算法：控制機制的演化

系列：工業革命與數據革命 #02/05 | 閱讀時間：35分鐘 | Python (NumPy, Pandas, Matplotlib)

作者：Wina @ Code & Cogito

當泰勒拿起碼錶

1899年，費城貝瑟麥鋼鐵廠。

弗雷德里克·泰勒（Frederick Winslow Taylor）拿著碼錶，站在工人施密特（Schmidt）旁邊。

施密特的工作：把12.5公斤的鐵塊從地上搬到貨車上。一天搬運47噸。

泰勒問他：「如果我能讓你一天賺$1.85而不是$1.15，你願意嗎？」

施密特當然願意。

於是泰勒開始計時：
– 彎腰：0.8秒
– 抓起鐵塊：1.2秒
– 走到貨車：6.4秒
– 放下鐵塊：0.6秒
– 走回起點：5.8秒
– 休息：？秒

泰勒計算出：施密特每小時應該工作26分鐘，休息34分鐘。

結果？

施密特一天搬運量從47噸增加到59噸。增加25%。工資也從$1.15增加到$1.85。

泰勒稱之為「科學管理」（Scientific Management）。

批評者稱之為「把人當機器」。

2015年，舊金山。

Uber的演算法正在分析司機Travis的數據：
– 平均接單時間：2.3分鐘
– 完成率：92%
– 取消率：8%
– 乘客評分：4.6/5.0
– 高峰時段上線率：45%

演算法判定：Travis的效率低於平均值。

系統發送訊息：

「您的接單率低於同區域平均值。提高接單率可以獲得更多訂單！」

Travis不知道：
– 「平均值」是多少？
– 這個訊息發給多少人？
– 拒絕會有什麼後果？

Uber稱之為「優化體驗」（Experience Optimization）。

批評者稱之為「演算法剝削」（Algorithmic Exploitation）。

泰勒和Uber，相隔116年，做的是同一件事：

用數學模型控制勞動過程。

但有一個關鍵差異：

泰勒的控制是「看得見」的——工頭拿著碼錶，你知道被監視。
Uber的控制是「不可見」的——演算法在背後運作，你不知道規則。

在這篇文章裡，我會用Python模擬工廠管理系統和平台演算法，對比兩種控制機制，分析零工經濟的數學本質，並探討一個根本問題：當演算法取代工頭，勞動者更自由了，還是更不自由了？

準備好見證控制的演化了嗎？

泰勒主義：科學管理的誕生

在泰勒之前，工廠是這樣運作的：

傳統模式下，工頭憑「經驗」安排工作，工人憑「手藝」完成任務。效率看運氣，標準不存在。

泰勒說：這太不科學了。

科學管理的四大原則

原則1：時間與動作研究

把每個工作分解成最小單位，計時每個動作。

例子：鏟煤工作
– 彎腰：0.5秒
– 鏟起煤：1.8秒
– 轉身：0.7秒
– 倒入爐子：1.2秒
– 重複

發現： 工人用的鏟子太大或太小，效率都不好。最佳鏟子重量：約21磅。

結果： 提供標準工具，效率提升300%。

原則2：標準化流程

每個任務都有「最佳方法」（one best way）。禁止工人自己摸索，禁止偏離標準流程，嚴格按照「科學」方法執行。

原則3：選擇與培訓工人

不是「誰都能做」，而是「選最適合的人」——體力測試、技能測試、服從性測試。

泰勒的名言：

「在我們計劃下，工人不需要思考。」

原則4：管理與工人分離

管理層負責「思考」（規劃、優化），工人負責「執行」（按指令行動）。

模擬泰勒主義工廠

泰勒主義工廠的核心邏輯可以用一個簡潔的模型來捕捉：標準化作業時間、工人效率分布、以及不可避免的監督成本。

class TayloristFactory:
    """模擬1900年代的泰勒主義工廠"""
    def __init__(self, n_workers=50, work_hours=10):
        self.n_workers = n_workers
        self.work_hours = work_hours
        self.standard_times = {'task_A': 3.2, 'task_B': 5.1, 'task_C': 4.7, 'rest': 10.0}
        self.worker_efficiency = np.random.normal(1.0, 0.15, n_workers)
        self.supervisor_ratio = 0.1  # 10個工人配1個工頭

    def simulate_day(self):
        total_minutes = self.work_hours * 60
        tasks_completed, worker_fatigue = [], []
        for w in range(self.n_workers):
            efficiency = self.worker_efficiency[w]
            minutes_worked, tasks, fatigue = 0, 0, 0
            while minutes_worked < total_minutes:
                for task_name, standard_time in self.standard_times.items():
                    if task_name == 'rest':
                        minutes_worked += standard_time
                        fatigue -= 5
                    else:
                        minutes_worked += standard_time / efficiency
                        tasks += 1
                        fatigue += 2
                    if minutes_worked >= total_minutes: break
            tasks_completed.append(tasks)
            worker_fatigue.append(max(0, fatigue))
        return np.array(tasks_completed), np.array(worker_fatigue)

完整程式碼已上傳 GitHub（含免費版基礎分析）：查看完整程式碼 →

模擬結果揭示了泰勒主義的內在張力：

左上：標準化流程下工人產出仍呈常態分布，變異係數約15%。右上：產出與疲勞呈正相關——高效工人付出更大身體代價。左下：完全按泰勒設計的標準化工作日程。右下：監督成本佔總成本的顯著比例。

泰勒主義的核心邏輯浮現在數據中：標準化流程確實減少了工人自主性，碼錶計時讓每個動作都被精確量化，管理與執行的分離意味著工人不再需要思考——但這一切需要大量工頭來維持，監督成本佔了總支出的可觀比例。

泰勒主義的成就：

生產力大幅提升。在某些工廠，效率提高了200-400%。

泰勒主義的代價：

工人變成了「人肉機器」。

116年後：平台演算法做同樣的事

2015年，Uber的資料科學家正在建立司機管理系統。

目標：不需要工頭，用演算法自動優化。

Uber演算法的四大機制

機制1：動態定價（Surge Pricing）

需求大於供給時，價格自動上漲。目的是吸引更多司機上線、減少乘客需求、平衡供需。

但司機不知道： Surge何時結束、倍數如何計算、為什麼自己這區Surge而隔壁區不Surge。

機制2：接單率監控

系統追蹤每個司機的接單率（Acceptance Rate）、取消率（Cancellation Rate）、和評分（Rating）。接單率太低？系統減少派單。

但司機不知道： 「太低」的標準是多少、拒絕一次扣多少分、如何恢復接單率。

機制3：評分系統

乘客給司機打分（1-5星）。低於4.6？可能被停權。

但司機不知道： 哪個乘客給了差評、為什麼給差評、如何申訴。

機制4：遊戲化激勵

「再接3單就完成今日目標！」「再跑1小時就能賺$50獎金！」

心理學技巧，讓司機多跑。

模擬結果

我們建構了一個 UberAlgorithm 模型，模擬50名司機在10小時內的收入分配、動態定價效果、以及評分篩選機制。

左上：司機收入呈右偏分布，平均值高於中位數——少數高效司機拉高平均。右上：評分低於4.6的司機收入驟降至零，評分系統形成硬性門檻。左下：接單率低於80%的司機同樣被演算法懲罰。右下：動態定價在尖峰時段（8-9am, 5-7pm）將車資推高1.5-2.5倍。

Uber演算法的核心邏輯同樣清晰：動態定價讓需求高的時段價格飆升，評分加上接單率決定了派單優先級，遊戲化機制透過心理操控讓司機延長工時——而這一切的監督成本幾乎為零，演算法自動完成了工頭的所有工作。

收入基尼係數超過0.4，表示「高度不平等」。演算法不只是管理工具，它本身就是不平等的製造機。

Uber模式的成就：

零監督成本。不需要工頭，演算法自動優化。

Uber模式的代價：

司機成為「演算法的奴隸」。

泰勒vs Uber：兩種控制機制的對比

讓我們用數據對比兩個系統。

我們從五個維度量化兩種控制機制——監督成本佔比、工人自主性、實際控制度、收入波動性、資訊不對稱——並將結果視覺化：

五維度對比：Uber的監督成本僅為泰勒主義的1/10，但實際控制度更高（9 vs 8），資訊不對稱大幅增加（80 vs 30），收入波動性加倍（45% vs 20%）。

對比分析揭示了一個核心矛盾：Uber的監督成本只有泰勒主義的十分之一，但實際控制度反而更高。資訊不對稱從30分暴增到80分。收入波動性從20%翻倍到45%。司機「感覺」更自由（可選工作時間），但「實際」更被控制（演算法監視一切）。

驚人的相似性：

關鍵差異：

泰勒主義：控制是「可見」的
– 你知道工頭在看你
– 你知道碼錶在計時
– 你知道標準是什麼

Uber：控制是「不可見」的
– 你不知道演算法如何評分
– 你不知道為什麼被減少派單
– 你不知道標準在哪裡

哪個更糟？

有人說：至少泰勒主義是「誠實的剝削」——你知道自己被剝削。

Uber是「隱形的剝削」——你以為自己是「創業者」，其實你是「演算法的零件」。

零工經濟的數學：彈性 vs 穩定

Uber說：我們給司機「彈性」（flexibility）。

批評者說：這是「不穩定」（precarity）的委婉說法。

讓我們用數學分析。

收入波動模型

我們建構了一個零工經濟收入模型，模擬100名工人在365天內的收入軌跡。傳統雇傭假設固定日薪$100；零工經濟則疊加了四重波動因素——需求波動（週末高、平日低）、個人效率波動（疲勞、生病）、平台演算法波動（評分、接單率）、和競爭波動（其他司機數量）。

class GigEconomyModel:
    """模擬零工經濟vs傳統雇傭的收入差異"""
    def simulate_gig_economy(self):
        base_daily = 100
        earnings = np.zeros((self.n_workers, self.n_days))
        for w in range(self.n_workers):
            for d in range(self.n_days):
                day_of_week = d % 7
                demand = np.random.uniform(1.2, 1.5) if day_of_week in [5,6] \
                         else np.random.uniform(0.8, 1.1)
                efficiency = np.clip(np.random.normal(1.0, 0.15), 0.5, 1.5)
                algorithm = np.clip(np.random.normal(1.0, 0.2), 0.6, 1.4)
                competition = np.random.uniform(0.85, 1.15)
                earnings[w, d] = max(0, base_daily * demand *
                                     efficiency * algorithm * competition)
        return earnings

模擬結果：

左上：單個工人年度收入變化——藍線（傳統雇傭）平穩如鏡，紅線（零工經濟）劇烈震盪。右上：收入分布對比，零工經濟的長尾向低收入端延伸。左下：風險-回報散點圖——零工經濟承受更高風險卻獲得相似回報。右下：變異係數對比，零工經濟的收入波動是傳統雇傭的數倍。

數據說出了殘酷的真相：零工經濟的收入波動是傳統雇傭的2-3倍，但平均收入相近。這意味著工人用穩定性換取了所謂的彈性。更令人不安的是，零工經濟中有相當比例的天數收入不到$50——這些是司機開著車等待派單、燒著油錢卻幾乎沒有收入的日子。

數據說話：

零工經濟的收入波動是傳統雇傭的2-3倍，但平均收入相近。

這意味著：你用穩定性換取彈性。

但問題是：彈性真的屬於你嗎？

誰掌握了規則？

泰勒主義時代，規則是「可見」的：工頭告訴你標準，工會可以談判，罷工可以抗議。

Uber時代，規則是「不可見」的：演算法是黑箱，沒有工會，罷工？平台換一批司機。

演算法的秘密

我們模擬了司機面對的「黑箱」——平台告訴司機的，只有「評分：重要」、「接單率：重要」、「取消率：影響派單」這樣模糊的描述。至於高峰時段上線率和完成率的影響？平台只回答「？」。

但實際演算法的權重是精確的：評分佔0.35、接單率佔0.25、取消率扣0.20、高峰時段上線率佔0.15、完成率佔0.05。司機永遠無法優化自己的策略，因為他們不知道完整的參數列表、各參數的權重、演算法何時更新，也沒有任何申訴管道。

這就是權力的本質：

不是誰能控制你，而是你不知道自己如何被控制。

結論：從工頭到演算法，控制的本質不變

泰勒和Uber，相隔116年，但邏輯相同：

1. 把複雜的勞動過程分解成可量化的指標
– 泰勒：時間、動作
– Uber：評分、接單率、GPS

2. 用數學模型優化這些指標
– 泰勒：碼錶+工業工程
– Uber：機器學習+行為經濟學

3. 減少工人的自主性
– 泰勒：標準化流程
– Uber：演算法決策

4. 降低監督成本
– 泰勒：減少工頭數量
– Uber：零監督成本

5. 最大化產出
– 泰勒：生產力提升200%
– Uber：司機工時最大化

最大的差異：

泰勒主義是「誠實的剝削」——你知道自己被剝削。
Uber是「隱形的剝削」——你以為自己是老闆。

最後的問題：

哪個更糟？演算法治理比人類治理更公平嗎？我們能建立「透明的演算法」嗎？

歷史告訴我們：

工業革命後，工人花了100年爭取權利（8小時工作制、工會、勞保）。

數位革命後，零工工作者要花多久？

泰勒主義創造了勞工運動。
Uber會創造什麼？

答案，就在我們手中。

後記：從碼錶到演算法，我們學到了什麼

寫完這篇文章，我一直想著泰勒站在施密特旁邊的那個畫面。

那是1899年，費城的空氣裡飄著鋼鐵廠的煙塵。泰勒手裡的碼錶滴答作響，記錄著每一個彎腰、每一次搬運。施密特大概能感受到那道目光——工頭就站在那裡，你知道他在看你，你知道規則是什麼，你甚至可以和他爭論。控制是赤裸裸的，但至少是誠實的。

116年後，一個Uber司機坐在車裡，手機螢幕上跳出一行字：「您的接單率低於同區域平均值。」沒有人站在他旁邊，沒有碼錶的聲音，甚至沒有人告訴他「平均值」到底是多少。他面對的是一個看不見的系統，一套他永遠無法完全理解的規則。這種控制更精密、成本更低、也更令人不安——因為你甚至不知道自己正在被控制。

如果你是平台工作者，最重要的事情或許不是多跑幾單，而是開始記錄自己的數據。計算你的真實時薪——扣除油錢、等待時間、車輛折舊之後的數字，往往和螢幕上顯示的差距驚人。那些「再跑3單就完成目標」的推播不是善意的提醒，而是經過精密計算的行為操控。加入工作者組織（collective bargaining）不是對抗平台，而是讓你在一場資訊極度不對稱的博弈中，多一點談判的籌碼。

如果你是工程師，記住你設計的每一行程式碼背後都是真實的人。演算法倫理（algorithmic ethics）不是學術口號——當你設計一個評分系統的門檻值時，你實際上決定了誰能養家、誰會失業。推動演算法透明（explainable AI）不只是技術挑戰，更是道德責任。

如果你是政策制定者，歷史提供了清晰的框架。泰勒主義之後，花了整整一個世紀才建立起工時限制、最低工資、工傷保險這些勞動保護。歐盟的《演算法問責法》是一個起點，但數位時代的勞動權利仍然遠遠落後於控制技術的演進速度。

歷史不會重複，但會押韻。

100年前，泰勒用碼錶控制工人。今天，平台用演算法控制工作者。控制的形式變了，本質沒變。但這次，我們有數據、有程式碼、有歷史的鏡鑑。我們有機會做得更好。

前提是：我們要看清演算法背後的權力結構。

深度探索：完整分析包

這篇文章分享了泰勒主義工廠與Uber演算法的結構性對比——從控制機制模擬到收入穩定性分析，從資訊不對稱量化到演算法黑箱解構。完整分析包更進一步：

• 完整泰勒主義工廠模擬模型：TayloristFactory 類別含疲勞曲線與成本結構分析，可調整工人數、工時、監督比例觀察系統行為變化
• Uber 演算法模擬引擎：UberAlgorithm 類別含動態定價、評分篩選、收入分配，Lorenz 曲線與 Gini 係數量化不平等
• 六維度雷達圖對比：監控密度、自主性、資訊對稱性、收入穩定性、申訴管道、退出成本的完整量化分析
• 演算法黑箱決策樹視覺化：透明 vs 不透明權力結構的圖解，揭示司機面對的資訊落差
• 約 420 行教學等級完整程式碼，14 張進階圖表（PNG 300dpi）

取得 Article 02 深度分析包 →