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

Nel mondo del lavoro, esiste una convinzione radicata secondo cui le persone decidano di accettare un lavoro basandosi su un unico numero fisso: un salario minimo che non accetteranno. Se un'offerta è sopra quella soglia, dicono di sì; se è sotto, dicono di no. Questa idea funziona bene per i lavori tradizionali, dove un lavoratore potrebbe aspettare settimane per l'opportunità giusta. Ma questo approccio crolla nel moderno "gig economy", dove le persone accettano o rifiutano compiti a breve termine al minuto. In questi mercati rapidi, la decisione di un lavoratore riguarda raramente un singolo numero. Riguarda la sua storia. Un lavoratore che ha recentemente accettato molti turni sottopagati potrebbe rifiutare un'offerta leggermente più alta che avrebbe accettato un mese fa. Al contrario, un lavoratore che ha ricevuto offerte elevate di recente potrebbe rifiutare un'offerta standard che sarebbe stata accettabile ieri. La sua disponibilità a lavorare dipende da dove è stato, non solo da dove si trova. Questo fenomeno, in cui il passato plasma il presente in un modo che resiste al semplice cambiamento, è noto come isteresi. Comprendere questo è crucialo per le piattaforme che collegano i lavoratori ai compiti, perché se trattano i lavoratori come se avessero etichette di prezzo fisse, sbaglieranno a calcolare quanto pagare, sprecando denaro in turni che sarebbero stati accettati per meno, o perdendo incarichi offrendo troppo poco a lavoratori che sono già stati condizionati ad aspettarsi di più.

Un team di ricercatori ha sviluppato un nuovo modo per mappare questi invisibili schemi decisionali utilizzando un modello originariamente progettato per studiare i magneti. In fisica, un magnete non risponde solo al campo magnetico corrente; ricorda come è stato magnetizzato in passato. Per descrivere questo, gli scienziati utilizzano un framework chiamato modello di Preisach, che immagina un materiale come una collezione di minuscoli interruttori, ciascuno con la propria soglia unica di "on" e "off". I ricercatori si sono resi conto che una forza lavoro si comporta esattamente allo stesso modo. Ogni lavoratore è come un piccolo interruttore con due soglie: un prezzo abbastanza alto da fargli accettare un compito, e un prezzo più basso al quale smetterà finalmente di accettare e rifiuterà. Tra questi due punti si trova una zona di indecisione in cui la scelta del lavoratore dipende interamente da ciò che ha fatto l'ultima volta. Se l'ultima volta ha accettato, rimane in modalità "accetta" finché il prezzo non scende sotto la sua soglia inferiore. Se l'ultima volta ha rifiutato, rimane in modalità "rifiuta" finché il prezzo non sale sopra la sua soglia superiore. Questo crea un ritardo, o una memoria, nel mercato che i modelli economici standard ignorano completamente.

Per testare questa idea, i ricercatori hanno analizzato quasi 37.000 transazioni reali da una piattaforma di gig in Polonia. Non hanno cercato di indovinare il limite di prezzo specifico per ogni singolo lavoratore, il che sarebbe stato impossibile con i dati a disposizione. Invece, hanno costruito un sistema a due fasi per apprendere la forma della memoria del mercato. Per prima cosa, hanno utilizzato un programma per computer per stimare due diverse "superfici di utilità". Una superficie prevedeva la soddisfazione media dei lavoratori che avevano accettato un compito, e l'altra prevedeva la soddisfazione media di quelli che lo avevano rifiutato. Confrontando queste due superfici, il sistema poteva calcolare il "gap" tra di esse. Questo gap rappresenta la dimensione della zona di indifferenza — l'intervallo di prezzi in cui la storia del lavoratore, piuttosto che l'offerta corrente, decide l'esito. I ricercatori hanno poi inserito questo gap, insieme a come il prezzo attuale si rapportava a queste soglie stimate, in un secondo programma per computer progettato per prevedere se un nuovo compito sarebbe stato accettato.

I risultati hanno rivelato un mercato molto più complesso e reattivo di quanto precedentemente pensato. I risultati del modello sono coerenti con la previsione che i cambiamenti di prezzo non influenzano i lavoratori in modo simmetrico: un calo dei salari sembra deprimere i tassi di accettazione più di quanto un aumento equivalente dei salari aiuti. Questa è la firma dell'isteresi: una volta che i lavoratori sono stati condizionati ad aspettarsi paghe più basse, serve un aumento molto maggiore per riconquistarli rispetto a quanto sia servito per perderli in primo luogo. Tuttavia, poiché i dati sul prezzo non sono stati generati da un esperimento randomizzato, questo schema è suggestivo piuttosto che definitivamente causale, dato che gli operatori tendevano ad aumentare i prezzi proprio sui turni difficili che erano già stati rifiutati. Più sorprendentemente, il modello ha generato un risultato economicamente paradossale: applicato all'intero dataset, le raccomandazioni del modello riducono simultaneamente il costo totale del lavoro e aumentano il numero di compiti completati. I ricercatori hanno scoperto che per circa il 74 percento delle transazioni, il salario attuale era già così alto che il compito sarebbe stato accettato anche se la paga fosse stata tagliata significativamente. Per questi compiti, la piattaforma stava semplicemente pagando troppo. Abbassando il salario quanto basta per rimanere sopra la soglia di accettazione, la piattaforma poteva risparmiare una mediana del 31 percento su quei lavori specifici senza perdere un singolo lavoratore.

Per il restante 26 percento dei compiti, la situazione era l'opposto. I salari attuali erano troppo bassi per attrarre lavoratori, ma non così bassi da rendere i compiti impossibili da completare. Questi erano i lavori bloccati nella modalità "rifiuto" del ciclo di isteresi. Per questi compiti specifici, il modello raccomandava un modesto aumento salariale, con un aumento mediano di appena il 7 percento. Questo piccolo incremento era sufficiente a spingere l'offerta sopra la soglia superiore, invertendo la decisione da rifiuto ad accettazione e recuperando compiti che altrimenti sarebbero rimasti incompiuti. Lo studio ha dimostrato che, comprendendo la struttura a due soglie delle decisioni dei lavoratori, una piattaforma può trattare questi due gruppi diversamente nello stesso momento. Può tagliare i costi dove esiste un margine di sicurezza e aumentare la paga dove esiste una barriera, ottenendo una riduzione del 21,3 percento dei salari totali e aumentando il tasso di completamento di quasi 10 punti percentuali.

I ricercatori hanno anche scoperto che il mercato non è una singola folla uniforme. Quando hanno visualizzato i dati, sono emersi due gruppi distinti di lavoratori. Un gruppo, che svolgeva principalmente turni nel settore retail e dell'ospitalità, aveva soglie di prezzo basse e strettamente raggruppate. L'altro gruppo, che gestiva compiti specializzati, aveva soglie molto più alte e un intervallo di aspettative più ampio. Un modello che tratta tutti i lavoratori come se fossero uguali farebbe la media di questi gruppi e non riuscirebbe a vedere le esigenze specifiche di nessuno dei due. Il nuovo approccio, mappando la relazione tra l'offerta corrente e le soglie storiche del lavoratore, ha permesso al sistema di vedere chiaramente queste differenze. Ha mostrato che la chiave per prevedere il comportamento dei lavoratori non è conoscere il prezzo assoluto di un compito, ma sapere dove quel prezzo si colloca rispetto alla storia personale del lavoratore.

Questo lavoro suggerisce che la vecchia idea di un singolo "salario di riserva" è insufficiente per la gig economy. I lavoratori non hanno solo un prezzo minimo; hanno una memoria. Le loro decisioni sono modellate da un percorso di offerte passate, creando una zona di inerzia in cui piccoli cambiamenti nella paga non hanno effetto. Lo studio dimostra che, riconoscendo questa memoria e modellando il divario tra le soglie di accettazione e rifiuto, le piattaforme possono prendere decisioni più intelligenti ed efficienti. Possono smettere di pagare troppo per compiti che sono già facili da completare e smettere di pagare troppo poco per compiti che sono appena fuori portata. Le scoperte offrono un nuovo modo di pensare ai mercati del lavoro, uno che rispetta la complessità del processo decisionale umano e il potere della storia nel plasmare le nostre scelte economiche.