💰 quantitative finance

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

यह शोध पत्र गिग वर्कर ट्रांजेक्शन एक्सेप्टेंस के लिए एक प्रिसैक हिस्टेरेसिस मॉडल प्रस्तावित करता है जो लेटेंट यूटिलिटी सर्फेस और प्राइस-टू-थ्रेशोल्ड एनकोडिंग्स का लाभ उठाकर श्रमिक वरीयताओं की दिशात्मक विषमता का फायदा उठाता है, जिससे मजदूरी लागत में 21.3% की कमी और फिल रेट में 9.7% की वृद्धि होती है।

मूल लेखक: Piotr Frydrych

प्रकाशित 2026-06-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Piotr Frydrych

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि लोग किसी गिग प्लेटफॉर्म (जैसे Uber या TaskRabbit) पर नौकरी के प्रस्तावों को क्यों स्वीकार करते हैं या उन्हें क्यों अस्वीकार करते हैं। अर्थशास्त्री जिस पारंपरिक तरीके से इसे देखते हैं, वह एक साधारण लाइट स्विच की तरह है: वहां एक विशिष्ट "रिजर्वेशन वेज" (आरक्षण मजदूरी) होती है। यदि भुगतान उस संख्या से ऊपर है, तो वे "हाँ" कहते हैं। यदि यह उससे नीचे है, तो वे "ना" कहते हैं।

लेकिन यह शोध पत्र तर्क देता है कि मानव कार्यकर्ता साधारण लाइट स्विच नहीं हैं। वे मेमोरी वाले थर्मोस्टेट की तरह हैं।

मुख्य विचार: "थर्मोस्टेट" कार्यकर्ता

लेखक भौतिकी (physics) की एक अवधारणा का उपयोग करते हैं जिसे प्रिसैच मॉडल (Preisach Model) कहा जाता है, जिसका उपयोग आमतौर पर यह वर्णन करने के लिए किया जाता है कि चुंबक अपने इतिहास को कैसे याद रखते हैं। वे इसे गिग वर्कर्स पर लागू करते हैं।

सोचिए कि हर कार्यकर्ता के दिमाग में दो अलग-अलग तापमान सेटिंग्स हैं:

"टर्न ऑन" तापमान ( $\alpha$ ): काम शुरू करने के लिए भुगतान इतना अधिक होना चाहिए।
"टर्न ऑफ" तापमान ( $\beta$ ): काम छोड़ने के लिए भुगतान इस निचले स्तर से नीचे गिरना चाहिए।

यहाँ एक मोड़ है: "टर्न ऑफ" तापमान, "टर्न ऑन" तापमान से कम है। यह एक "बफर ज़ोन" या अनिश्चितता क्षेत्र (indifference zone) बनाता है।

यदि आप वर्तमान में काम कर रहे हैं, और भुगतान थोड़ा गिर जाता है (लेकिन "टर्न ऑफ" तापमान से ऊपर रहता है), तो आप काम करते रहते हैं। आप तुरंत काम नहीं छोड़ते।
यदि आप वर्तमान में काम नहीं कर रहे हैं, और भुगतान थोड़ा बढ़ता है (लेकिन "टर्न ऑन" तापमान से नीचे रहता है), तो भी आप शुरू नहीं करते हैं। आप प्रतीक्षा करते हैं।

इसे हिस्टेरेसिस (hysteresis) कहा जाता है। इसका अर्थ है कि आपका वर्तमान निर्णय न केवल वर्तमान कीमत पर निर्भर करता है, बल्कि आपके इतिहास पर भी निर्भर करता है। क्या आपने अभी-अभी काम छोड़ा है? या क्या आपको अभी-अभी काम पर रखा गया है? एक ही कीमत एक व्यक्ति के लिए "हाँ" और दूसरे के लिए "ना" हो सकती है, जो इस बात पर निर्भर करता है कि वे कहाँ से आए हैं।

समस्या: हम "तापमान" को नहीं देख सकते

समस्या यह है कि प्लेटफॉर्म इन आंतरिक तापमानों को नहीं देख सकता। वे केवल अंतिम परिणाम देखते हैं: स्वीकृत (Accepted) या अस्वीकृत (Rejected)। यह यह समझने जैसा है कि थर्मोस्टेट कैसे काम करता है, बिना यह देखे कि डायल क्या है, केवल यह देखकर कि हीटर चालू है या बंद।

समाधान: एक दो-चरणीय जासूसी कार्य

शोधकर्ताओं ने इन छिपे हुए तापमानों का अनुमान लगाने के लिए एक कंप्यूटर सिस्टम बनाया। उन्होंने इसे दो चरणों में किया:

चरण 1: "ट्विन" न्यूरल नेटवर्क
उन्होंने एक AI को हजारों पिछले जॉब्स को देखने और हर नए जॉब के लिए दो अदृश्य नंबरों का अनुमान लगाने के लिए प्रशिक्षित किया:

स्वीकृति की उपयोगिता ( $U_1$ ): यह जॉब उन लोगों के लिए कितनी अच्छी है जिन्होंने इसे स्वीकार किया?
अस्वीकृति की उपयोगिता ( $U_0$ ): यह जॉब उन लोगों के लिए कितनी बुरी है जिन्होंने इसे अस्वीकार कर दिया?

AI को इन दोनों नंबरों को एक साथ सीखने के लिए मजबूर किया जाता है। यह ऐसा है जैसे दो जासूस एक ही अपराध स्थल को विपरीत दिशाओं से देख रहे हों। इन दो नंबरों के बीच के अंतर ( $U_1 - U_0$ ) को "गैप" (Gap) कहा जाता है। यह गैप उस "अनिश्चितता क्षेत्र" या बफर के आकार का प्रतिनिधित्व करता है। एक चौड़ा गैप मतलब कार्यकर्ता बहुत चूजी (picky) हैं और उनके पास पिछली कीमतों की मजबूत याददाश्त है। एक संकीर्ण गैप मतलब वे अधिक लचीले हैं।

चरण 2: "प्राइस-टू-थ्रेशोल्ड" चेक
AI केवल कच्चे वेतन को नहीं देखता है। यह उन छिपे हुए थ्रेशोल्ड्स के सापेक्ष (relative) वेतन को देखता है। यह पूछता है: "क्या यह कीमत आराम से 'हाँ' ज़ोन के अंदर है, या यह 'ना' ज़ोन के बहुत करीब है?"

उन्होंने इस जानकारी को दूसरे AI (एक XGBoost क्लासिफायर) में डाला ताकि यह भविष्यवाणी की जा सके कि नौकरी स्वीकार की जाएगी या नहीं।

उन्हें क्या पता चला

कार्यकर्ता सापेक्ष रूप से निर्णय लेते हैं, पूर्ण रूप से नहीं: मॉडल तब बेहतर काम करता है जब यह कीमत की तुलना कार्यकर्ता के छिपे हुए थ्रेशोल्ड्स से करता है, बजाय इसके कि केवल डॉलर की राशि को देखे। यह पुष्टि करता है कि कार्यकर्ता इस आधार पर सोचते हैं कि "क्या यह उस चीज़ से बेहतर है या बदतर जिसकी मुझे आदत है?" न कि "क्या यह $20 है?"
"हिस्टेरेसिस" का हस्ताक्षर: मॉडल ने पुष्टि की कि कीमतों में कटौती से स्वीकृति दर उतनी ही गिरती है जितना कि कीमतों में वृद्धि से बढ़ती है। यदि आप कीमत कम करते हैं, तो आप उन श्रमिकों को खो देते हैं जो तब तक "स्विच ऑफ" रहते हैं जब तक कि कीमत काफी ऊपर न चली जाए। उन्हें वापस जीतना उतना ही कठिन है जितना कि उन्हें खोना।
दो प्रकार के कार्यकर्ता: डेटा ने दो स्पष्ट समूहों का खुलासा किया:
- रिटेल/सामान्य कार्यकर्ता: कम वेतन, बहुत अनुमानित, छोटे अनिश्चितता क्षेत्र।
- विशेषज्ञ (Specialist) कार्यकर्ता: उच्च वेतन, बहुत चूजी, बड़े अनिश्चितता क्षेत्र।
  मॉडल ने बिना बताए ही इस विभाजन को स्वचालित रूप से पहचान लिया।

आश्चर्यजनक व्यावसायिक परिणाम

सबसे दिलचस्प हिस्सा यह है कि जब आप इस मॉडल का उपयोग कीमतें निर्धारित करने के लिए करते हैं तो क्या होता है। शोधकर्ताओं ने यह देखने के लिए एक सिमुलेशन चलाया कि क्या होगा यदि प्लेटफॉर्म 36,891 नौकरियों के लिए मजदूरी को समायोजित करने के लिए अपने मॉडल का उपयोग करता है।

परिणाम विपरीत तर्क वाला था:

74% नौकरियों के लिए: कार्यकर्ता पहले से ही बहुत अधिक संभावना के साथ नौकरी स्वीकार करने वाले थे (संभावना > 80%)। मॉडल ने कहा, "आप इस निश्चितता के लिए बहुत अधिक भुगतान कर रहे हैं।" इसने औसत रूप से 31% मजदूरी काटने की सिफारिश की। क्योंकि कार्यकर्ता निश्चित रूप से स्वीकार करने वाले थे, प्लेटफॉर्म बिना नौकरी खोए पैसे बचा सकता था।
25% नौकरियों के लिए: कार्यकर्ता नौकरी लेने की संभावना कम रखते थे। मॉडल ने कहा, "आप उनके थ्रेशोल्ड के सापेक्ष कम भुगतान कर रहे हैं।" इसने "हाँ" पाने के लिए औसत रूप से 7% मजदूरी बढ़ाने की सिफारिश की।

कुल प्रभाव: जहाँ मजदूरी बहुत अधिक थी वहाँ कटौती करके और जहाँ बहुत कम थी वहाँ बढ़ाकर, प्लेटफॉर्म कुल मजदूरी पर 21.3% की बचत कर सकता था जबकि भरी जाने वाली नौकरियों की संख्या में 9.7% की वृद्धि हो सकती थी।

यह क्यों मायने रखता है

यह शोध पत्र तर्क देता है कि मानक मॉडल विफल हो जाते हैं क्योंकि वे सभी श्रमिकों के साथ ऐसा व्यवहार करते हैं जैसे उनका एक ही, स्थिर "रिजर्वेशन वेज" हो। लेकिन वास्तव में, श्रमिकों के पास इतिहास-निर्भर थ्रेशोल्ड होते हैं। उनके पास एक "बफर ज़ोन" होता है जहाँ वे अपने वर्तमान स्टेटस (काम कर रहे हैं या नहीं) पर टिके रहते हैं जब तक कि कीमत नाटकीय रूप से न बदल जाए।

इस "थर्मोस्टेट" व्यवहार को पहचानकर, प्लेटफॉर्म अनुमान लगाना बंद कर सकते हैं और सटीकता के साथ कीमतें तय कर सकते हैं—वहाँ लागत कम करके जहाँ श्रमिक वफादार हैं और वहाँ कीमतें बढ़ाकर जहाँ वे हिचकिचा रहे हैं, और यह समझते हुए कि वर्तमान जितना ही अतीत भी महत्वपूर्ण है।

तकनीकी सारांश: हिस्टेरेसिस के रूप में श्रमिक उपयोगिता: गिग श्रम बाजारों में लेनदेन स्वीकृति का एक प्रेइसैक मॉडल (Preisach Model)

1. समस्या विवरण और सैद्धांतिक प्रेरणा
यह शोध पत्र मानक जॉब-सर्च मॉडलों की सीमाओं को संबोधित करता है, जो कार्यकर्ता की स्वीकृति को एक एकल 'रिजर्वेशन वेज' (reservation wage) पर आधारित एक स्थिर थ्रेशोल्ड नियम के रूप में देखते हैं। लेखक तर्क देते हैं कि यह ढांचा गिग श्रम बाजारों में दो कारणों से विफल होता है: पहला, रिजर्वेशन वेज गैर-स्थिर (non-stationary) होते हैं, जो अनुभव और प्रतिस्पर्धी दबाव के साथ बदलते रहते हैं; दूसरा, और अधिक मौलिक रूप से, एक कार्यकर्ता समूह की समग्र प्रतिक्रिया एक प्रतिनिधि एजेंट (representative agent) की प्रतिक्रिया नहीं है, बल्कि विषम थ्रशेहोल्ड्स का एक समाकलन (integral) है।

इस विषमता और इसके परिणामस्वरूप होने वाले पथ-निर्भरता (path-dependence) को मॉडल करने के लिए, लेखक प्रेइसैक हिस्टेरेसिस मॉडल (Preisach hysteresis model) का प्रस्ताव करते हैं, जिसे मूल रूप से चुंबकीय सामग्रियों के लिए विकसित किया गया था। इस ढांचे में, प्रत्येक कार्यकर्ता को एक जोड़ी थ्रेशोल्ड $(\alpha, \beta)$ द्वारा परिभाषित एक बाइनरी स्विचिंग तत्व (hysteron) के रूप में मॉडल किया जाता है, जहाँ $\alpha \geq \beta$ है। एक कार्यकर्ता तब लेनदेन स्वीकार करता है जब उपयोगिता $\alpha$ से अधिक हो जाती है और तब अस्वीकार करता है जब वह $\beta$ से नीचे गिर जाती है। इन थ्रेशोल्ड्स के बीच एक "अनिश्चितता क्षेत्र" (indifference zone) होता है जहाँ निर्णय इतिहास (यथास्थिति पूर्वाग्रह/status quo bias) पर निर्भर करता है। यह संरचना स्वाभाविक रूप से हिस्टेरेसिस उत्पन्न करती है: कीमतों में गिरावट स्वीकृति दरों को उतनी ही तेजी से नहीं बढ़ाती जितनी तेजी से कीमतों में वृद्धि उन्हें बढ़ाती है, क्योंकि वे कार्यकर्ता जिनका स्वीकृति थ्रेशोल्ड $\alpha$ गिरावट के कारण पार हो गया था, तब तक "स्विच ऑफ" रहते हैं जब तक कि मजदूरी वापस $\alpha$ से ऊपर न बढ़ जाए।

2. कार्यप्रणाली
बाइनरी लेनदेन डेटा से थ्रेशोल्ड घनत्व $\mu(\alpha, \beta)$ का सीधा अनुमान लगाना एक कठिन (ill-posed) समस्या है। इसके बजाय, लेखक एक दो-चरणीय अनुमान पाइपलाइन का उपयोग करते हैं जो सशर्त माध्य उपयोगिताओं (conditional mean utilities) के माध्यम से थ्रेशोल्ड वितरण के प्रथम क्षणों (first moments) को पुनः प्राप्त करता है।

चरण 1: डुअल-आउटपुट न्यूरल नेटवर्क (उपयोगिता अनुमान)
लेखक लेनदेन डेटा से दो गुप्त उपयोगिता सतहों (latent utility surfaces) का अनुमान लगाते हैं:
- $U_1(X)$ : स्वीकृति उपयोगिता (स्वीकृत लेनदेन की सशर्त माध्य उपयोगिता)।
- $U_0(X)$ : अस्वीकृति उपयोगिता (अस्वीकृत लेनदेन की सशर्त माध्य उपयोगिता)।
इनका अनुमान एक साझा एनकोडर (256 → 128 न्यूरॉन्स, LeakyReLU सक्रियण) और दो स्वतंत्र आउटपुट हेड्स के साथ एक डुअल-आउटपुट न्यूरल नेटवर्क का उपयोग करके संयुक्त रूप से लगाया जाता है। लॉस फंक्शन प्रत्येक उप-जनसंख्या के लिए मीन स्क्वेर्ड एरर (MSE) और एक मार्जिन पेनल्टी ( $\lambda = 0.5$ ) को जोड़ता है जो संरचनात्मक बाधा $U_1 \geq U_0$ को लागू करता है। यह सुनिश्चित करता है कि "प्रेइसैक गैप" ( $U_1 - U_0$ ) जनसंख्या की शुद्ध स्वीकृति प्रवृत्ति के गैर-पैरामीट्रिक प्रॉक्सी के रूप में कार्य करे।
चरण 2: XGBoost वर्गीकरण
लेनदेन स्वीकृति का वर्गीकरण एक XGBoost ग्रेडिएंट बूस्टेड ट्री क्लासिफायर द्वारा किया जाता है। इनपुट फीचर्स में शामिल हैं:
- प्रेइसैक गैप ( $\hat{U}_1 - \hat{U}_0$ )।
- एक लॉग-प्राइस-स्ट्रेंथ प्रॉक्सी ($lps $) से प्राप्त पांच "क्लिप-स्टेबलाइज्ड" प्राइस-टू-थ्रेशोल्ड फीचर्स। ये फीचर्स वर्तमान प्रस्ताव को अनुमानित उपयोगिता सतहों के सापेक्ष स्थिति के संदर्भ में एनकोड करते हैं (जैसे, रिजेक्शन सेंट्रॉइड के सापेक्ष मूल्य$ r_0 $, और एक्सेप्टेंस सेंट्रॉइड से हस्ताक्षरित दूरी$ d_1$)।
यह एनकोडिंग स्पष्ट रूप से कैप्चर करती है कि वर्तमान प्रस्ताव अनिश्चितता क्षेत्र (indifference zone) के भीतर कहाँ स्थित है, बजाय इसके कि केवल कच्चे उपयोगिता अनुमानों पर निर्भर रहा जाए।

3. डेटा और प्रयोगात्मक सेटअप
यह अध्ययन पोलैंड के एक गिग प्लेटफॉर्म के 36,891 लेनदेन रिकॉर्ड का उपयोग करता है जो रिटेल, हॉस्पिटैलिटी, लॉजिस्टिक्स और हेल्थकेयर को कवर करता है। डेटा मार्च-मई 2024 की अवधि का है जहाँ प्रस्तावित मजदूरी को श्रेणी बेसलाइनों के सापेक्ष $\pm10–20\%$ तक बदला गया था। हालांकि यह एक प्री-रजिस्टर्ड रैंडमाइज्ड कंट्रोल्ड ट्रायल नहीं है, डेटासेट कीमतों और बाजार की स्थितियों में अवलोकनीय भिन्नता (observational variation) प्रदान करता है। समग्र स्वीकृति दर 84.4% थी।

4. मुख्य परिणाम

भविष्यवाणी प्रदर्शन (Predictive Performance): एक होल्ड-आउट टेस्ट सेट ( $n=7,378$ ) पर, दो-चरणीय पाइपलाइन ने 0.827 का जैकार्ड इंडेक्स (Jaccard index) और 0.799 का ROC AUC प्राप्त किया।
फीचर महत्व (Feature Importance): अनुमानित थ्रेशोल्ड के सापेक्ष मूल्य का एनकोडिंग (विशेष रूप से अनुपात फीचर्स $r_0, r_1$ ) प्रदर्शन में सबसे बड़ा एकल लाभ प्रदान करता है (XGBoost रिग्रेसर सतहों के लिए +11.0 pp AUC; डुअल-आउटपुट NN सतहों के लिए +1.4 pp)। यह पुष्टि करता है कि कार्यकर्ता प्रस्तावों का मूल्यांकन थ्रेशोल्ड के सापेक्ष करते हैं, न कि पूर्ण मानों (absolute terms) में।
हिस्टेरेसिस सिग्नेचर: मॉडल दिशात्मक विषमता (directional asymmetry) की पुष्टि करता है: कीमतों में गिरावट पूर्ति दरों (completion rates) को उतनी ही तेजी से कम करती है जितनी तेजी से कीमतों में वृद्धि उन्हें बढ़ाती है। हालांकि, लेखक नोट करते हैं कि इस विषमता की कारण संबंधी पहचान (causal identification) के लिए एक रैंडमाइज्ड प्राइस एक्सपेरिमेंट की आवश्यकता है, क्योंकि अवलोकनीय डेटा एंडोजेनस प्राइस-सेटिंग (ऑपरेटर्स कठिन शिफ्टों पर कीमतें बढ़ाते हैं) से प्रभावित है।
आर्थिक विरोधाभास और पोजीशनल डिकंपोजिशन: पूरे डेटासेट पर मॉडल के वेतन सुझावों को लागू करने से कुल वेतन बिल में 21.3% की कमी आई और अपेक्षित फिल रेट (fill rate) में 9.7 प्रतिशत अंक की वृद्धि हुई। यह परिणाम एक पोजीशनल डिकंपोजिशन द्वारा संचालित है:
- 74.2% लेनदेन: इनमें पहले से ही $P(\text{accept}) > 0.80$ था। मॉडल ने वेतन कटौती की सिफारिश की (मध्यम बचत 31%), जिससे स्वीकृति की संभावना उच्च रखते हुए (औसत पोस्ट-कट $P = 0.972$ ) लागत बफर मुक्त हुए।
- 25.4% लेनदेन: इनमें $P(\text{accept}) < 0.80$ था। मॉडल ने मामूली वेतन वृद्धि की सिफारिश की (मध्यम 7%), जिससे उन लेनदेन को बचाया जा सका जो अन्यथा अपूर्ण रह जाते।
- बिना स्पष्ट अनिश्चितता क्षेत्र (indifference zone) वाले मॉडल के लिए दोनों गतिविधियों को एक साथ निष्पादित करने के लिए प्रत्येक लेनदेन की प्रारंभिक स्थिति को सटीक रूप से पहचानना संभव नहीं है।

5. महत्व और योगदान
लेखक तीन प्राथमिक योगदानों का दावा करते हैं:

सैद्धांतिक: यह विखंडित श्रम बाजारों में कार्यकर्ता उपयोगिता के लिए एक सैद्धांतिक रूप से सुदृढ़ मॉडल के रूप में प्रेइसैक ऑपरेटर को स्थापित करता है, जो संरचनात्मक अनिश्चितता बैंड के माध्यम से संदर्भ-निर्भरता (reference-dependence) और यथास्थिति पूर्वाग्रह को औपचारिक रूप देता है।
कार्यप्रणाली संबंधी: यह एक सुलभ अनुमान रणनीति विकसित करता है जो थ्रेशोल्ड घनत्व के प्रत्यक्ष रिकवरी की कठिन समस्या से बचता है, इसके बजाय सशर्त माध्य उपयोगिताओं ( $U_1, U_0$ ) को प्राथमिक एस्टिमेंड्स (estimands) के रूप में उपयोग करता है, जिसे संरचनात्मक मार्जिन बाधाओं वाले डुअल-आउटपुट न्यूरल नेटवर्क के माध्यम से लागू किया गया है।
अनुभवजन्य (Empirical): यह प्रदर्शित करता है कि मूल्य-से-थ्रेशोल्ड संबंध को स्पष्ट रूप से एनकोड करने से सबसे बड़ा भविष्य कहनेवाला लाभ मिलता है, जो इस बात का प्रमाण है कि कार्यकर्ता थ्रेशोल्ड के सापेक्ष कीमतों पर प्रतिक्रिया करते हैं। प्रयोगात्मक प्रेइसैक प्ले (empirical Preisach plane) बाजार विभाजन (जैसे रिटेल बनाम विशेषज्ञ क्लस्टर) और स्वीकृति निर्णयों की ज्यामिति को प्रकट करता है जो प्रतिनिधि-एजेंट मॉडल में अदृश्य होती है।

लेखक निष्कर्ष निकालते हैं कि प्रेइसैक मॉडल केवल डेटा को फिट नहीं करता है, बल्कि उसे व्यवस्थित करता है, जिससे अनिश्चितता बैंड और बाजार खंड एक अंतर्निहित विशेषता के रूप में उभरते हैं। वे इस बात पर जोर देते हैं कि जबकि क्रॉस-सेक्शनल एस्टिमेटर थ्रेशोल्ड वितरण की पहचान करता है, गतिशील हिस्टेरेसिस के लिए आगे के प्रयोगात्मक सत्यापन की आवश्यकता है।