Résumé technique : L'utilité du travailleur comme hystérésis : Un modèle de Preisach de l'acceptation des transactions dans les marchés du travail à la demande (Gig Economy)

1. Énoncé du problème

L'article traite d'une limitation fondamentale dans la modélisation des marchés du travail à la demande : le modèle canonique de recherche d'emploi traite l'acceptation par le travailleur comme une règle de seuil statique (accepter si le salaire est supérieur au salaire de réserve). Cette approche ne parvient pas à capturer deux réalités structurelles des plateformes de travail :

1. La non-stationnarité : Les salaires de réserve ne sont pas fixes ; ils évoluent en fonction de l'expérience récente, de la pression concurrentielle et de la distance temporelle par rapport au début de la tâche.
2. L'hétérogénéité de la population : Les réponses agrégées ne sont pas le comportement d'un « travailleur représentatif », mais l'intégrale d'une population dotée de divers seuils et options de rechange.

Traiter cette hétérogénéité comme un simple bruit fausse systématiquement les estimations de la sensibilité des prix. Les auteurs soutiennent que la nature binaire des résultats de transaction (accepté/rejeté) n'est pas un obstacle observationnel mais une contrainte théorique pointant vers l'hystérésis — un système où la production actuelle dépend de l'historique des entrées, et non seulement de l'entrée actuelle.

2. Cadre théorique : Le modèle de Preisach

Les auteurs adoptent le modèle de Preisach, développé à l'origine pour l'hystérésis magnétique, pour modéliser l'utilité du travailleur.

• L'hystéron : Chaque travailleur est modélisé comme un élément de commutation binaire (hystéron) défini par une paire de seuils $(\alpha, \beta)$ où $\alpha \ge \beta$.
  • $\alpha$ (Seuil d'acceptation) : Le niveau de salaire auquel un travailleur bascule sur « on » (accepte).
  • $\beta$ (Seuil de rejet) : Le niveau de salaire auquel un travailleur bascule sur « off » (rejette).
  • Zone d'indifférence : Entre $\beta$ et $\alpha$, l'état du travailleur dépend de son historique. Si le dernier état était « accepté », il reste dans l'état « accepté » ; s'il a été « rejeté » la dernière fois, il reste dans l'état « rejeté ».
• Production agrégée : La probabilité totale d'acceptation est l'intégrale de la fonction de densité $\mu(\alpha, \beta)$ sur la population des hystérons actuellement en mode « on ».
• Prédiction clé : Le modèle prédit une asymétrie directionnelle. Une baisse de prix déprime l'acceptation plus qu'une hausse de prix équivalente ne la restaure, car les travailleurs désactivés par une baisse doivent franchir un seuil plus élevé ($\alpha$) pour se réactiver, tandis que ceux qui sont restés actifs n'ont qu'à rester au-dessus de $\beta$.

3. Méthodologie : Pipeline d'estimation en deux étapes

L'estimation directe de la densité bidimensionnelle $\mu(\alpha, \beta)$ à partir de données binaires est un problème mal posé. Les auteurs proposent une stratégie indirecte utilisant les surfaces d'utilité moyenne conditionnelle comme proxies pour les premiers moments de la densité.

Étape 1 : Réseau de neurones à double sortie (Estimateur d'utilité)

• Architecture : Un encodeur partagé (256 $\to$ 128 neurones, LeakyReLU) alimente deux têtes de sortie indépendantes (64 $\to$ 1).
• Sorties :
  • $U_1(X)$ : Utilité estimée pour les transactions acceptées.
  • $U_0(X)$ : Utilité estimée pour les transactions rejetées.
• Fonction de perte : Combine l'erreur quadratique moyenne (MSE) pour chaque sous-population avec une pénalité de marge ($\lambda = 0,5$) imposant la contrainte structurelle $U_1 \ge U_0$ pour les transactions acceptées. Cela garantit que la surface d'« utilité d'acceptation » reste au-dessus de la surface d'« utilité de rejet », conformément à la logique de Preisach.
• Entraînement : Entraîné sur 36 891 transactions provenant d'une plateforme de travail polonaise via l'optimisation Adam.

Étape 2 : Classificateur XGBoost

• Entrées : Le modèle ne nourrit pas directement les estimations d'utilité brute. À la place, il construit un ensemble de caractéristiques incluant :
  1. L'écart de Preisach : $\hat{U}_1(X) - \hat{U}_0(X)$ (proxy pour la largeur de la zone d'indifférence).
  2. Encodages Prix-Seuil : Cinq caractéristiques dérivées du logarithme de la force du prix ($lps$) par rapport aux surfaces estimées (ex: $r_0 = lps/|U_0|$, $d_1 = lps - U_1$).
• Objectif : Mapper ces caractéristiques vers la probabilité d'acceptation $P(\text{accept} | X)$.

4. Données et configuration expérimentale

• Jeu de données : 36 891 transactions d'une plateforme de travail polonaise (commerce de détail, hôtellerie, logistique, santé) couvrant la période de mars à mai 2024.
• Contexte : Les données incluent une expérience de prix contrôlée où les salaires ont varié de $\pm 10\text{--}20\%$ pour des comptes clients sélectionnés aléatoirement. Cependant, les auteurs notent que la fixation des prix était partiellement endogène (les opérateurs augmentaient les prix sur les shifts précédemment rejetés), ce qui limite l'identification causale de l'élasticité sans un design entièrement randomisé.
• Division (Split) : Division stratifiée 80/10/10 pour l'entraînement, la validation et le test.

5. Résultats clés

Performance prédictive

• Meilleure performance : Le pipeline en deux étapes utilisant le réseau de neurones à double sortie et l'ensemble complet de caractéristiques (V6) a atteint un score de Jaccard de 0,827 et un AUC ROC de 0,799.
• Importance des caractéristiques : Le gain de performance le plus significatif (+11,0 pp AUC pour les régresseurs XGBoost, +1,4 pp pour le NN) provient de l'encodage explicite de la relation prix-seuil (position relative de l'offre) plutôt que des estimations d'utilité brutes. Cela confirme que les travailleurs évaluent les offres par rapport à des points de référence, et non de manière absolue.
• Statistique de l'écart (Gap Statistic) : L'encodeur partagé du réseau de neurones a produit une distribution d'écart cohérente (écart-type $\approx$ 0,8) par rapport aux régresseurs indépendants (écart-type $\approx$ 0,01), menant à de meilleures frontières de classification.

Signature de l'hystérésis

• Le modèle confirme l'asymétrie directionnelle prédite : les baisses de prix dépriment les taux d'achèvement plus que les hausses équivalentes ne les augmentent.
• L'élasticité locale (proche du prix actuel) semble symétrique ($\pm 4,5\%$), mais l'asymétrie émerge lors d'excursions de prix plus importantes, engageant l'intégralité de la distribution des seuils.

Implications économiques (Recommandations salariales)

L'application du modèle à l'ensemble du jeu de données pour optimiser une probabilité d'acceptation cible de 0,80 produit un résultat paradoxal :

• Optimisation simultanée : Le modèle recommande de réduire les salaires pour 74,2 % des transactions (où $P(\text{accept}) \gg 0,80$) et d'augmenter les salaires pour 25,4 % (où $P(\text{accept}) < 0,80$).
• Résultat : Cette stratégie réduit la masse salariale totale de 21,3 % tout en augmentant le taux de complétion attendu de 9,7 points de pourcentage.
• Mécanisme : Il s'agit d'une « décomposition positionnelle ». Pour la majorité des transactions, le salaire actuel est bien au-dessus du seuil nécessaire ; réduire les salaires libère un « tampon » sans faire tomber $P(\text{accept})$ en dessous de la cible. Pour la minorité, une augmentation modeste permet de récupérer les transactions perdues. Un modèle sans zone d'indifférence explicite ne peut identifier ces positions avec assez de précision pour exécuter ces deux mouvements simultanément.

6. Signification et revendications

L'article affirme trois contributions principales :

1. Théorique : Il établit l'opérateur de Preisach comme un modèle rigoureux et fondé pour l'utilité du travailleur dans les marchés du travail désagrégés, dépassant le modèle statique du salaire de réserve pour intégrer la dépendance à l'historique et l'hétérogénéité.
2. Méthodologique : Il introduit une stratégie d'estimation traçable qui évite le problème mal posé de la récupération de la pleine densité des seuils $\mu$. Au lieu de cela, il utilise les utilités moyennes conditionnelles ($U_1, U_0$) et un réseau de neurones contraint par une marge pour estimer les moments nécessaires à la classification.
3. Empirique : Il démontre qu'encoder le prix par rapport aux seuils estimés est la caractéristique critique pour la performance prédictive. Cette découverte fournit une preuve empirique que les travailleurs évaluent les offres comme des gains ou des pertes par rapport à des points de référence (en accord avec la théorie des perspectives), plutôt que sur une échelle absolue.

Les auteurs concluent que le cadre de Preisach ne se contente pas de s'ajuster aux données, mais qu'il les organise, révélant des caractéristiques structurelles telles que la segmentation du marché (commerce de détail vs missions spécialisées) et la zone d'indifférence qui sont invisibles pour les modèles à agent représentatif. La capacité du modèle à réduire simultanément les coûts et augmenter les taux de complétion est présentée comme une conséquence directe de la modélisation correcte du « tampon » créé par la zone d'indifférence.