Worker Utility as Hysteresis: A Preisach Model of Transaction Acceptance in Gig Labour Markets

Dans le monde du travail, il existe une croyance de longue date selon laquelle les gens décident d'accepter un emploi en se basant sur un chiffre unique et fixe : un salaire minimum qu'ils n'accepteront pas. Si une offre est au-dessus de cette ligne, ils disent oui ; si elle est en dessous, ils disent non. Cette idée fonctionne bien pour les emplois traditionnels où un travailleur peut attendre des semaines la bonne opportunité. Mais elle s'effondre dans l'économie moderne des plateformes (« gig economy »), où les gens acceptent ou rejettent des tâches à court terme à la minute près. Dans ces marchés très réactifs, la décision d'un travailleur est rarement une question d'un chiffre unique. C'est une question d'histoire. Un travailleur qui a récemment accepté de nombreux services peu rémunérés peut rejeter une offre légèrement plus élevée qu'il aurait acceptée un mois auparavant. Inversement, un travailneur qui a reçu des rémunérations élevées récemment peut rejeter une offre standard qui aurait été acceptable hier. Sa volonté de travailler dépend de son passé, et non seulement de son présent. Ce phénomène, où le passé façonne le présent d'une manière qui résiste à un changement simple, est connu sous le nom d'hystérésis. Comprendre cela est crucial pour les plateformes qui connectent les travailleurs aux tâches, car si elles traitent les travailleurs comme s'ils avaient des étiquettes de prix fixes, elles jugeront mal ce qu'elles doivent payer, gaspillant de l'argent pour des services qui auraient été acceptés pour moins cher, ou perdant des missions en offrant trop peu à des travailleurs qui ont déjà été conditionnés à en attendre davantage.

Une équipe de chercheurs a développé une nouvelle façon de cartographier ces modèles de décision invisibles en utilisant un modèle conçu à l'origine pour étudier les aimants. En physique, un aimant ne répond pas seulement au champ magnétique actuel ; il se souvient de la manière dont il a été magnétisé par le passé. Pour décrire cela, les scientifiques utilisent un cadre appelé le modèle de Preisach, qui imagine un matériau comme une collection de petits interrupteurs, chacun possédant ses propres seuils d'activation (« on ») et de désactivation (« off »). Les chercheurs ont réalisé qu'une main-d'œuvre se comporte exactement de la même manière. Chaque travailleur est comme un petit interrupteur avec deux seuils : un prix assez élevé pour qu'il accepte une tâche, et un prix inférieur auquel il finira par abandonner et rejeter. Entre ces deux points se trouve une zone d'indécision où le choix du travailleur dépend entièrement de ce qu'il a fait la dernière fois. S'il a accepté la dernière fois, il reste en mode « acceptation » jusqu'à ce que le prix tombe en dessous de son seuil inférieur. S'il a rejeté la dernière fois, il reste en mode « rejet » jusqu'à ce que le prix dépasse son seuil supérieur. Cela crée un décalage, ou une mémoire, dans le marché que les modèles économiques standards manquent complètement.

Pour tester cette idée, les chercheurs ont analysé près de 37 000 transactions réelles provenant d'une plateforme de l'économie de plateforme en Pologne. Ils n'ont pas essayé de deviner la limite de prix spécifique pour chaque travailleur, ce qui serait impossible avec les données dont ils disposaient. Au lieu de cela, ils ont construit un système en deux étapes pour apprendre la forme de la mémoire du marché. D'abord, ils ont utilisé un programme informatique pour estimer deux « surfaces d'utilité » distinctes. Une surface prédisait la satisfaction moyenne des travailleurs ayant accepté une tâche, et l'autre prédisait la satisfaction moyenne de ceux qui l'avaient rejetée. En comparant ces deux surfaces, le système pouvait calculer l'« écart » entre elles. Cet écart représente la taille de la zone d'indifférence — la plage de prix où l'histoire du travailleur, plutôt que l'offre actuelle, décide du résultat. Les chercheurs ont ensuite injecté cet écart, ainsi que la façon dont le prix actuel se situait par rapport à ces seuils estimés, dans un second programme informatique conçu pour prédire si une nouvelle tâche serait acceptée.

Les résultats ont révélé un marché bien plus complexe et réactif que ce que l'on pensait auparavant. Les conclusions du modèle sont cohérentes avec la prédiction que les changements de prix n'affectent pas les travailleurs de manière symétrique : une baisse de salaires semble déprimer les taux d'acceptation plus qu'une hausse équivalente de salaires ne les aide. C'est la signature de l'hystérésis : une fois que les travailleurs ont été conditionnés à attendre des rémunérations plus faibles, il faut une augmentation beaucoup plus importante pour les regagner qu'il n'en a fallu pour les perdre. Cependant, comme les données de prix n'ont pas été générées par une expérience randomisée, ce schéma est suggestif plutôt que définitivement causal, car les opérateurs avaient tendance à augmenter les prix spécifiquement sur les tâches difficiles qui avaient déjà été rejetées. Plus surprenant encore, le modèle a généré un résultat économiquement paradoxal : appliqué à l'ensemble des données, le modèle recommande simultanément de réduire le coût total de la main-d'œuvre tout en augmentant le nombre de tâches remplies. Les chercheurs ont découvert que pour environ 74 % des transactions, le salaire actuel était déjà si élevé que la tâche serait acceptée même si la rémunération était nettement réduite. Pour ces tâches, la plateforme surpayait simplement. En abaissant le salaire juste assez pour rester au-dessus du seuil d'acceptation, la plateforme pouvait économiser une médiane de 31 % sur ces emplois spécifiques sans perdre un seul travailleur.

Pour les 26 % de tâches restants, la situation était inverse. Les salaires actuels étaient trop bas pour attirer les travailleurs, mais pas si bas que les tâches étaient impossibles à remplir. Il s'agissait des emplois coincés dans le mode « rejet » de la boucle d'hystérésis. Pour ces tâches spécifiques, le modèle recommandait une augmentation modeste du salaire, avec une hausse médiane de seulement 7 %. Ce petit bond était suffisant pour pousser l'offre au-dessus de leur seuil supérieur, faisant basculer la décision du rejet à l'acceptation et récupérant des tâches qui seraient autrement restées non pourvues. L'étude a montré qu'en comprenant la structure à deux seuils de la décision des travailleurs, une plateforme peut traiter ces deux groupes différemment en même temps. Elle peut réduire les coûts là où il y a une marge de sécurité et augmenter la paye là où il y a une barrière, réalisant ainsi une réduction de 21,3 % des salaires totaux tout en augmentant le taux de remplissage de près de 10 points de pourcentage.

Les chercheurs ont également découvert que le marché n'est pas une foule unique et uniforme. Lorsqu'ils ont visualisé les données, deux groupes distincts de travailleurs sont apparus. Un groupe, effectuant principalement des services de vente au détail et d'hôtellerie, présentait des seuils de prix bas et étroitement regroupés. L'autre groupe, gérant des tâches spécialisées, présentait des seuils beaucoup plus élevés et une gamme d'attentes plus large. Un modèle qui traite tous les travailleurs de la même manière les moyennerait et échouerait à voir les besoins spécifiques de chacun. Cette nouvelle approche, en cartographiant la relation entre l'offre actuelle et les seuils historiques des travailleurs, a permis au système de voir clairement ces différences. Elle a montré que la clé pour prédire le comportement des travailleurs n'est pas de connaître le prix absoliment d'une tâche, mais de savoir où ce prix se situe par rapport à l'histoire personnelle du travailleur.

Ce travail suggère que l'ancienne idée d'un seul « salaire de réserve » est insuffisante pour l'économie des plateformes. Les travailleurs n'ont pas seulement un prix minimum ; ils ont une mémoire. Leurs décisions sont façonnées par un parcours d'offres passées, créant une zone d'inertie où de petits changements de rémunération n'ont aucun effet. L'étude démontre qu'en reconnaissant cette mémoire et en modélisant l'écart entre les seuils d'acceptation et de rejet, les plateformes peuvent prendre des décisions plus intelligentes et plus efficaces. Elles peuvent cesser de trop payer pour des tâches qui sont déjà faciles à remplir et cesser de sous-payer pour des tâches qui sont juste hors de portée. Les conclusions offrent une nouvelle façon de penser les marchés du travail, une façon qui respecte la complexité de la prise de décision humaine et le pouvoir de l'histoire dans le façonnement de nos choix économiques.