技術要約：ヒステリシスとしての労働者効用：ギグ・ワーク市場における取引受諾のプレイザッハ・モデル

1. 問題提起

本論文は、ギグ労働市場のモデリングにおける根本的な限界を扱っている。標準的なジョブ・サーチ（求職）モデルは、労働者の受諾を静的な閾値ルール（賃金が予約賃金を上回れば受諾する）として扱う。このアプローチは、ギグ・プラットフォームにおける以下の2つの構造的現実を捉えきれていない。

1. 非定常性： 予約賃金は固定されておらず、直近の経験、競争圧力、およびタスク開始までの時間的距離に基づいて変化する。
2. 集団の異質性： 集計された反応は、「代表的な労働者」の行動ではなく、多様な閾値と外部オプションを持つ集団の積分である。

この異質性を単なるノイズとして扱うことは、価格感応度の推定を系統的に歪める。著者らは、取引の結果が二値的（受諾または拒否）であることは、観測上の障害ではなく、ヒステリシス（履歴現象）――すなわち、現在の出力が現時点の入力だけでなく入力の履歴にも依存するシステム――を示唆する理論的制約であると主張している。

2. 理論的枠組み：プレイザッハ・モデル

著者らは、磁気ヒステリシスのために開発されたプレイザッハ・モデルを採用し、労働者効用をモデル化している。

• ヒステロン（Hysteron）： 各労働者は、$(\alpha, \beta)$ という一対の閾値（ただし $\alpha \ge \beta$）によって定義されるバイナリ・スイッチング要素（ヒステロン）としてモデル化される。
  • $\alpha$（受諾閾値）： 労働者が「オン」（受諾）に切り替わる賃金水準。
  • $\beta$（拒否閾値）： 労働者が「オフ」（拒否）に切り替わる賃金水準。
  • 無関心帯（Indifference Zone）： $\beta$ と $\alpha$ の間では、労働者の状態は履歴に依存する。最後に受諾した場合は「受諾状態」を維持し、最後に拒否した場合は「拒否状態」を維持する。
• 集計出力： 総受諾確率は、現在「オン」の状態にあるヒステロンの密度関数 $\mu(\alpha, \beta)$ の積分である。
• 主要な予測： モデルは方向的非対称性を予測する。価格の下落は、価格の上昇よりも受諾率をより大きく抑制する。なぜなら、下落によって「オフ」に切り替わった労働者が再び「オン」になるには、より高い閾値（$\alpha$）を越えなければならない一方で、継続して「オン」の状態にある者は $\beta$ を維持していればよいからである。

3. メソドロジー：2段階推定パイプライン

2次元密度 $\mu(\alpha, \beta)$ をバイナリ・データから直接推定することは、不良設定問題（ill-posed problem）となる。著者らは、条件付き平均効用曲面を密度の第1モーメントのプロキシ（代理指標）として用いる間接的な戦略を提案している。

ステージ 1：デュアル出力ニューラルネットワーク（効用推定器）

• アーキテクチャ： 共有エンコーダー（256 $\to$ 128 ニューロン、LeakyReLU）が、2つの独立した出力ヘッド（64 $\to$ 1）にデータを送る。
• 出力：
  • $U_1(X)$：受諾された取引の推定効用。
  • $U_0(X)$：拒否された取引の推定効用。
• 損失関数： 各サブポピュレーションに対する平均二乗誤差（MSE）と、受諾された取引に対して $U_1 \ge U_0$ という構造的制約を強制するマージン・ペナルティ（$\lambda = 0.5$）を組み合わせる。これにより、「受諾効用」の曲面が「拒否効用」の曲面よりも高い状態に保たれることを保証し、プレイザッハの論理と整合させる。
• 学習： ポーランドのギグ・プラットフォームにおける36,891件の取引を用いて、Adam最適化により学習を行う。

ステージ 2：XGBoost 分類器

• 入力： モデルは生の効用推定値を直接入力するのではない。代わりに、以下の特徴量を含む特徴セットを構築する。
  1. プレイザッハ・ギャップ： $\hat{U}_1(X) - \hat{U}_0(X)$ （無関心帯の幅のプロキシ）。
  2. 閾値に対する価格のエンコーディング： 推定された曲面に対する対数価格強度（$lps$）から導出された5つの特徴量（例：$r_0 = lps/|U_0|$, $d_1 = lps - U_1$）。
• 目的： これらの特徴量を受諾確率 $P(\text{accept} | X)$ にマッピングすること。

4. データと実験設定

• データセット： ポーランドのギグ・プラットフォーム（小売、ホスピタリティ、物流、ヘルスケア）からの36,891件の取引（2024年3月～5月）。
• コンテキスト： データには、ランダムに選択されたクライアント・アカウントに対して賃金を $\pm 10\text{--}20\%$ 変動させた制御された価格実験が含まれている。しかし、著者らは価格設定が部分的に内生的な（以前に拒否されたシフトに対してオペレーターが価格を引き上げた等）ため、完全なランダム化設計なしでは弾力性の因果的識別が制限される可能性があると指摘している。
• 分割： 学習・検証・テスト用に80/10/10の層化分割を実施。

5. 主要な結果

予測性能

• 最高性能： デュアル出力NNとフル特徴量セット（V6）を用いた2段階パイプラインは、Jaccardスコア 0.827 および ROC AUC 0.799 を達成した。
• 特徴量の重要性： 最大の性能向上（XGBoost回帰器で+11.0 pp、NNで+1.4 pp）は、生の効用推定値ではなく、価格と閾値の関係（提示価格の相対的位置）を明示的にエンコードしたことによる。これは、労働者が絶対的な値ではなく、参照点に対する相対的な値として提示を評価していることを裏付けている。
• ギャップ統計量： NNの共有エンコーダーは、独立した回帰器（標準偏差 $\approx 0.01$）と比較して、一貫したギャップ分布（標準偏差 $\approx 0.8$）を生成し、より優れた分類境界をもたらした。

ヒステリシスのシグネチャ

• モデルは予測された方向的非対称性を裏付けている。すなわち、価格の下落は、同等の価格の上昇よりも完了率をより大きく抑制する。
• 局所的な弾力性（現在の価格付近）は対称的（$\pm 4.5\%$）に見えるが、大きな価格変動においては非対称性が現れ、完全な閾値分布が関与する。

経済的含意（賃金推奨）

目標受諾確率を0.80として全データセットにモデルを適用すると、逆説的な結果が得られる：

• 同時最適化： モデルは、賃金の引き下げ（現在の $P(\text{accept}) \gg 0.80$ の取引の74.2%に対して）と、賃金の引き上げ（$P(\text{accept}) < 0.80$ の取引の25.4%に対して）を同時に推奨している。
• 結果： この戦略により、総賃金コストを21.3%削減しつつ、期待フィルレート（充足率）を9.7パーセントポイント向上させることができる。
• メカニズム： これは「位置的分解（positional decomposition）」である。大多数の取引において、現在の賃金は必要な閾値を大きく上回っており、賃金を下げることで、受諾確率を目標値以下に落とすことなく「バッファ」を解放できる。少数の取引に対しては、わずかな増額によって失われた取引を回復できる。無関心帯を明示的にモデル化していないモデルでは、これらを同時に実行できるほど正確に位置を特定することはできない。

6. 意義と主張

本論文は、主に以下の3つの貢献を主張している。

1. 理論的貢献： プレイザッハ・オペレータが、静的な予約賃金モデルを超え、履歴依存性と異質性を組み込んだ、分散型労働市場における労働者効力の厳密かつ理論的根拠のあるモデルであることを確立した。
2. 方法論的貢献： 完全な閾値密度 $\mu$ を復元するという不良設定問題を回避する、扱いやすい推定戦略を導入した。代わりに、条件付き平均効用（$U_1, U_0$）とマージン制約付きニューラルネットワークを用いて、分類に必要なモーメントを推定している。
3. 実証的貢献： 価格を推定された閾値に対してエンコードすることが、予測性能における決定的な特徴であることを示した。この知見は、労働者が絶対的なスケールではなく、プロスペクト理論と一致するように、提示を利得または損失として参照点に対して評価しているという実証的証拠を提供している。

著者らは、プレイザッハの枠組みは単にデータに適合するだけでなく、データを整理し、代表的エージェント・モデルでは不可視である市場セグメンテーション（小売 vs 専門職シフト）や無関心帯のような構造的特徴を明らかにすると結論づけている。無関心帯によって生じる「バッファ」を正しくモデル化できることが、コスト削減とフィルレート向上を同時に実現できる直接的な理由であると提示されている。