Sintesi Tecnica: L'Utilità del Lavoratore come Isteresi: Un Modello di Preisach per l'Accettazione delle Transazioni nei Mercati del Lavoro Gig

1. Definizione del Problema

Il documento affronta un limite fondamentale nella modellizzazione dei mercati del lavoro gig: il modello canonico di ricerca del lavoro tratta l'accettazione del lavoratore come una regola di soglia statica (accetta se il salario è > salario di riserva). Questo approccio non riesce a catturare due realtà strutturali delle piattaforme gig:

1. Non-stazionarietà: I salari di riserva non sono fissi; variano in base all'esperienza recente, alla pressione competitiva e alla distanza temporale dall'inizio del compito.
2. Eterogeneità della Popolazione: Le risposte aggregate non sono il comportamento di un "lavoratore rappresentativo", ma l'integrale di una popolazione con diverse soglie e opzioni esterne.

Trattare questa eterogeneità come semplice rumore distorce sistematicamente le stime della sensibilità al prezzo. Gli autori sostengono che la natura binaria degli esiti delle transazioni (accettato/rifiutato) non sia un ostacolo osservativo, ma un vincolo teorico che punta verso l'isteresi — un sistema in cui l'output corrente dipende dalla storia dell'input, non solo dall'input corrente.

2. Quadro Teorico: Il Modello di Preisach

Gli autori adottano il modello di Preisach, originariamente sviluppato per l'isteresi magnetica, per modellare l'utilità del lavoratore.

• L'Isterone: Ogni lavoratore è modellato come un elemento di commutazione binaria (isterone) definito da una coppia di soglie $(\alpha, \beta)$ dove $\alpha \ge \beta$.
  • $\alpha$ (Soglia di Accettazione): Il livello salariale al quale un lavoratore passa allo stato on (accetta).
  • $\beta$ (Soglia di Rifiuto): Il livello salariale al quale un lavoratore passa allo stato off (rifiuta).
  • Zona di Indifferenza: Tra $\beta$ e $\alpha$, lo stato del lavoratore dipende dalla sua storia. Se l'ultima operazione è stata un'accettazione, rimane nello stato di accettazione; se l'ultima è stata un rifiuto, rimane nello stato di rifiuto.
• Output Aggregato: La probabilità totale di accettazione è l'integrale della funzione di densità $\mu(\alpha, \beta)$ sulla popolazione di isteroni attualmente "on".
• Previsione Chiave: Il modello prevede una asimmetria direzionale. Una diminuzione del prezzo deprime l'accettazione più di quanto un equivalente aumento del prezzo la ripristini, poiché i lavoratori che sono passati allo stato "off" da un calo devono superare una soglia più alta ($\alpha$) per tornare "on", mentre coloro che sono rimasti "on" devono solo restare sopra $\beta$.

3. Metodologia: Pipeline di Stima a Due Stadi

La stima diretta della densità bidimensionale $\mu(\alpha, \beta)$ da dati binari è un problema mal posto. Gli autori propongono una strategia indiretta utilizzando le superfici di utilità media condizionata come proxy per i primi momenti della densità.

Stadio 1: Rete Neurale a Doppio Output (Stimatore di Utilità)

• Architettura: Un encoder condiviso (256 $\to$ 128 neuroni, LeakyReLU) alimenta due teste di output indipendenti (64 $\to$ 1).
• Output:
  • $U_1(X)$: Utilità stimata per le transazioni accettate.
  • $U_0(X)$: Utilità stimata per le transazioni rifiutate.
• Funzione di Perdita: Combina l'Errore Quadratico Medio (MSE) per ogni sottopopolazione con una penalità di margine ($\lambda = 0.5$) che impone il vincolo strutturale $U_1 \ge U_0$ per le transazioni accettate. Ciò assicura che la superficie dell' "utilità di accettazione" rimanga al di sopra della superficie dell' "utilità di rifiuto", in linea con la logica di Preisach.
• Addestramento: Addestrato su 36.891 transazioni di una piattaforma gig polacca utilizzando l'ottimizzazione Adam.

Stadio 2: Classificatore XGBoost

• Input: Il modello non alimenta direttamente le stime di utilità grezze. Invece, costruisce un set di caratteristiche che include:
  1. Il Gap di Preisach: $\hat{U}_1(X) - \hat{U}_0(X)$ (proxy per la larghezza della zona di indifferenza).
  2. Codifiche Prezzo-Soglia: Cinque caratteristiche derivate dal log-forza-prezzo ($lps$) rispetto alle superfici stimate (es. $r_0 = lps/|U_0|$, $d_1 = lps - U_1$).
• Obiettivo: Mappare queste caratteristiche sulla probabilità di accettazione $P(\text{accetta} | X)$.

4. Dati e Setup Sperimentale

• Dataset: 36.891 transazioni da una piattaforma gig polacca (retail, ospitalità, logistica, sanità) coprendo marzo–maggio 2024.
• Contesto: I dati includono un esperimento controllato sui prezzi in cui i salari sono variati del $\pm 10\text{--}20\%$ per account cliente selezionati casualmente. Tuttavia, gli autori notano che la determinazione del prezzo era parzialmente endogena (gli operatori aumentavano i prezzi su turni precedentemente rifiutati), limitando l'identificazione causale dell'elasticità senza un design completamente randomizzato.
• Split: Split 80/10/10 stratificato per addestramento/validazione/test.

5. Risultati Chiave

Performance Predittiva

• Miglior Performance: La pipeline a due stadi utilizzando la doppia rete neurale e il set completo di feature (V6) ha raggiunto un punteggio Jaccard di 0.827 e un ROC AUC di 0.799.
• Importanza delle Feature: Il miglioramento prestazionale più significativo (+11.0 pp AUC per i regressori XGBoost, +1.4 pp per la NN) è derivato dall'esplicita codifica della relazione prezzo-soglia (posizione relativa dell'offerta) piuttosto che dall'uso delle stime di utilità grezze. Ciò conferma che i lavoratori valutano le offerte rispetto a punti di riferimento, non in termini assoluti.
• Statistica del Gap: L'encoder condiviso nella NN ha prodotto una distribuzione del gap coerente (std $\approx$ 0.8) rispetto ai regressori indipendenti (std $\approx$ 0.01), portando a confini di classificazione migliori.

Firma dell'Isteresi

• Il modello conferma la asimmetria direzionale prevista: le diminuzioni di prezzo deprimono i tassi di completamento più di quanto equivalenti aumenti di prezzo li ripristinino.
• L'elasticità locale (vicino al prezzo attuale) appare simmetrica ($\pm 4.5\%$), ma l'asimmetria emerge in presenza di escursioni di prezzo maggiori, coinvolgendo l'intera distribuzione delle soglie.

Implicazioni Economiche (Raccomandazioni Salariali)

Applicando il modello all'intero dataset per ottimizzare una probabilità di accettazione target di 0.80, si ottiene un risultato paradossale:

• Ottimizzazione Simultanea: Il modello raccomanda di ridurre i salari per il 74,2% delle transazioni (dove $P(\text{accetta}) \gg 0.80$) e di aumentare i salari per il 25,4% (dove $P(\text{accetta}) < 0.80$).
• Risultato: Questa strategia riduce il costo salariale totale del 21,3% aumentando contemporaneamente il tasso di completamento atteso del 9,7 punti percentuali.
• Meccanismo: Si tratta di una "decomposizione posizionale". Per la maggioranza delle transazioni, il salario attuale è molto al di sopra della soglia necessaria; tagliare i salari rilascia un "buffer" senza far scendere $P(\text{accetta})$ sotto il target di 0.80. Per la minoranza, un modesto aumento recupera le transazioni perse. Un modello senza una zona di indifferenza esplicita non può identificare queste posizioni con la precisione necessaria per eseguire entrambi i movimenti simultaneamente.

6. Significato e Rivendicazioni

Il documento rivendica tre contributi primari:

1. Teorico: Stabilisce l'operatore di Preisach come un modello rigoroso e teoricamente fondato per l'utilità del lavoratore nei mercati del lavoro disaggregati, andando oltre il modello statico del salario di riserva per includere la dipendenza dalla storia e l'eterogeneità.
2. Metodologico: Introduce una strategia di stima trattabile che evita il problema mal posto del recupero della densità completa $\mu$. Invece, utilizza le utilità medie condizionate ($U_1, U_0$) e una rete neurale con vincoli di margine per stimare i momenti necessari per la classificazione.
3. Empirico: Dimostra che codificare il prezzo rispetto alle soglie stimate è la caratteristica critica per la performance predittiva. Questa scoperta fornisce una prova empirica del fatto che i lavoratori valutano le offerte come guadagni o perdite rispetto a punti di riferimento (in linea con la Teoria del Prospetto), piuttosto che su una scala assoluta.

Gli autori concludono che il framework di Preisach non si limita a adattarsi ai dati, ma li organizza, rivelando caratteristiche strutturali come la segmentazione del mercato (es. turni retail vs specialistici) e la zona di indifferenza che sono invisibili ai modelli ad agente rappresentativo. La capacità del modello di tagliare i costi e aumentare contemporaneamente i tassi di completamento è presentata come una conseguenza diretta del corretto modellamento del "buffer" creato dalla zona di indifferenza.