기술 요약: 히스테리시스로서의 노동자 효용: 긱 경제 시장에서의 거래 수락에 관한 프라이제이(Preisach) 모델

1. 문제 제기

본 논문은 긱 노동 시장을 모델링하는 데 있어 근본적인 한계점을 다룬다. 전통적인 구직 모델은 노동자의 수락 여부를 정적 임계값 규칙(임금 > 유보 임금이면 수락)으로 취급한다. 이러한 접근 방식은 긱 플랫폼의 두 가지 구조적 실재를 포착하지 못한다:

1. 비정상성(Non-Stationarity): 유보 임금은 고정되어 있지 않으며, 최근의 경험, 경쟁 압력, 그리고 작업 시작까지의 시간적 거리 등에 따라 변화한다.
2. 인구 통계적 이질성(Population Heterogeneity): 총체적 반응은 '대표적 노동자'의 행동이 아니라, 다양한 임계값과 외부 선택지를 가진 인구 집단의 적분값이다.

이러한 이질성을 단순한 노이즈로 취급하는 것은 가격 민감도 추정치를 체계적으로 왜곡한다. 저자들은 거래 결과의 이진적 성격(수락/거절)이 관찰상의 장애물이 아니라, 히스테리시스(hysteresis)—현재의 출력이 현재의 입력뿐만 아니라 과거의 이력에도 의존하는 시스템—를 가리키는 이론적 제약임을 주장한다.

2. 이론적 프레임워크: 프라이제이(Preisach) 모델

저자들은 자기 이력 현상(magnetic hysteresis)을 모델링하기 위해 개발된 프라이제이 모델을 채택하여 노동자 효용을 모델링한다.

• 히스테론(Hysteron): 각 노동자는 $(\alpha, \beta)$ 쌍으로 정의되는 이진 스위칭 요소(히스테론)로 모델링된다 (단, $\alpha \ge \beta$).
  • $\alpha$ (수락 임계값): 노동자가 '온(on)' 상태로 전환(수락)되는 임금 수준.
  • $\beta$ (거절 임계값): 노동자가 '오프(off)' 상태로 전환(거절)되는 임금 수준.
  • 무차별 지대(Indifference Zone): $\beta$와 $\alpha$ 사이에서 노동자의 상태는 그들의 이력에 따라 결정된다. 만약 마지막에 수락했다면 수락 상태를 유지하고, 마지막에 거절했다면 거절 상태를 유지한다.
• 총체적 출력(Aggregate Output): 총 수락 확률은 현재 '온' 상태인 히스테론들의 밀도 함수 $\mu(\alpha, \beta)$에 대한 적분이다.
• 핵심 예측: 모델은 **방향성 비대칭성(directional asymmetry)**을 예측한다. 가격 하락은 가격 상승보다 수락률을 더 크게 떨어뜨리는데, 이는 거절된 노동자가 다시 수락 상태로 돌아오기 위해서는 더 높은 임계값($\alpha$)을 넘어야 하는 반면, 유지된 노동자들은 $\beta$ 이상을 유지하기만 하면 되기 때문이다.

3. 방법론: 2단계 추정 파이프라인

이진 데이터로부터 2차원 밀도 $\mu(\alpha, \beta)$를 직접 추정하는 것은 부적절한 문제(ill-posed)이다. 저자들은 **조건부 평균 효용 곡면(conditional mean utility surfaces)**을 밀도의 1차 모멘트의 대리물로 사용하는 간접 전략을 제안한다.

1단계: 이중 출력 신경망 (효용 추정기)

• 구조: 공유 인코더(256 $\to$ 128 뉴런, LeakyReLU)가 두 개의 독립적인 출력 헤드(64 $\to$ 1)로 연결된다.
• 출력:
  • $U_1(X)$: 수락된 거래에 대한 추정 효용.
  • $U_0(X)$: 거절된 거래에 대한 추정 효용.
• 손실 함수: 각 하위 집단에 대한 평균 제곱 오차(MSE)와 함께, 수락된 거래에 대해 $U_1 \ge U_0$라는 구조적 제약을 강제하는 마진 페널티($\lambda = 0.5$)를 결합한다. 이는 '수락 효용' 곡면이 '거절 효용' 곡면보다 높게 유지되도록 하여 프라이제이 로직과 일치하도록 보장한다.
• 학습: Adam 최적화를 사용하여 폴란드의 한 긱 플랫폼에서 발생한 36,891건의 거래 데이터로 학습되었다.

2단계: XGBoost 분류기

• 입력: 모델은 원시 효용 추정치를 직접 입력받지 않는다. 대신, 다음을 포함하는 특징 집합을 구성한다:
  1. 프라이제이 갭(Preisach Gap): $\hat{U}_1(X) - \hat{U}_0(X)$ (무차별 지대 너비의 대리물).
  2. 가격-임계값 인코딩(Price-to-Threshold Encodings): 추정된 곡면 대비 로그 가격 강도($lps$)에서 파생된 5가지 특징 (예:$r_0 = lps/|U_0|$, $d_1 = lps - U_1$).
• 목표: 이 특징들을 수락 확률 $P(\text{accept} | X)$에 매핑한다.

4. 데이터 및 실험 설정

• 데이터셋: 2024년 3월~5월 사이의 폴란드 긱 플랫폼(소매, 숙박, 물류, 의료 분야)의 거래 36,891건.
• 맥락: 데이터에는 무작위로 선택된 고객 계정에 대해 임금을 $\pm 10\text{--}20\%$ 변동시킨 통제된 가격 실험이 포함되어 있다. 그러나 저자들은 가격 설정이 부분적으로 내생적(운영자가 이전에 거절된 근무에 대해 가격을 올림)이었음을 언급하며, 완전한 무작위 설계 없이는 탄력성의 인과적 식별에 한계가 있음을 명시했다.
• 분할: 훈련/검증/테스트를 위해 80/10/10 층화 추출(stratified split)을 사용하였다.

5. 주요 결과

예측 성능

• 최고 성능: 이중 출력 NN과 전체 특징 집합을 사용한 2단계 파이프라인(V6)이 Jaccard 점수 0.827과 ROC AUC 0.799를 달est했다.
• 특징 중요도: 가장 유의미한 성능 향상(+11.0 pp AUC for XGBoost regressors, +1.4 pp for NN)은 원시 효용 추정치가 아니라, 가격-임계값 관계(제안 가격의 상대적 위치)를 명시적으로 인코딩했을 때 나타났다. 이는 노동자들이 절대적인 수치가 아닌 참조점(reference points)에 상대적으로 평가한다는 것을 확인시켜 준다.
• 갭 통계량(Gap Statistic): NN의 공유 인코더는 독립적인 회귀 모델(std $\approx$ 0.01)에 비해 일관된 갭 분포(std $\approx$ 0.8)를 생성하였으며, 이는 더 나은 분류 경계를 이끌어냈다.

히스테리시스 시그니처

• 모델은 예측된 방향성 비대칭성을 확인한다: 즉, 가격 하락은 가격 상승보다 수락률을 더 많이 감소시킨다.
• 국소 탄력성(현재 가격 근처)은 대칭적($\pm 4.5\%$)으로 보이지만, 큰 폭의 가격 변동이 발생할 때 비대칭성이 나타나며 전체 임계값 분포를 자극한다.

경제적 함의 (임금 권고)

목표 수락 확률을 0.80으로 최적화하기 위해 전체 데이터셋에 모델을 적용한 결과, 역설적인 결과가 도출되었다:

• 동시 최적화: 모델은 74.2%의 거래(현재 $P(\text{accept}) \gg 0.80$)에 대해서는 임금을 낮출 것을, 25.4%의 거래(현재 $P(\text{accept}) < 0.80$)에 대해서는 임금을 높일 것을 권고한다.
• 결과: 이 전략은 총 임금 비용을 21.3% 절감하는 동시에 기대 충족률(fill rate)을 9.7 퍼센트 포인트 증가시킨다.
• 메커니즘: 이는 "위치적 분해(positional decomposition)"이다. 대다수의 거래에서 현재 임금은 필요한 임계값보다 훨씬 높다. 임금을 삭감하면 수락 확률을 0.80 아래로 떨어뜨리지 않으면서도 '버퍼'를 확보할 수 있다. 소수의 거래에서는 약간의 임금 인상을 통해 손실된 거래를 회복할 수 있다. 명시적인 무차별 지대를 갖지 못한 모델은 이러한 위치를 정밀하게 식별하여 두 가지 움직임을 동시에 수행할 수 없다.

6. 의의 및 주장

본 논문은 세 가지 주요 기여를 주장한다:

1. 이론적 기여: 프라이제이 연산자가 긱 경제와 같은 분산된 노동 시장에서 역사 의존성과 이질성을 통합하여, 정적 유보 임금 모델을 넘어 노동자 효용을 모델링하는 엄밀하고 이론적으로 근거 있는 프레임워크임을 입증하였다.
2. 방법론적 기여: 전체 임계값 밀도 $\mu$를 복구하는 부적절한 문제를 피하면서, 조건부 평균 효용($U_1, U_0$)과 마진 제약 신경망을 사용하여 분류에 필요한 모멘트를 추정하는 실행 가능한 추정 전략을 도입하였다.
3. 실증적 기여: 가격을 추정된 임계값과 관련하여 인코딩하는 것이 예측 성능을 위한 핵심 특징임을 입증하였다. 이 발견은 노동자들이 절대적 척도가 아닌 참조점에 대한 이득이나 손실로서 제안을 평가한다는 것에 대한 실증적 증거를 제공한다(이는 전망 이론(Prospect Theory)과 일치한다).

저자들은 프라이제이 프레임워크가 단순히 데이터를 맞추는 것이 아니라, 대표적 행위자 모델에서는 보이지 않는 시장 세분화(소매 vs 전문직 근무) 및 무차별 지대와 같은 구조적 특징을 드러낸다고 결론짓는다. 무차별 지대가 만들어내는 "버퍼"를 정확히 모델링함으로써 비용을 절감하는 동시에 충족률을 높일 수 있다는 점은 이 모델의 직접적인 결과로 제시된다.