Technische Samenvatting: Werknemersnutsen als Hysteresis: Een Preisach-model van Transactieacceptatie in Gig-arbeidsmarkten

1. Probleemstelling

Het artikel adresseert een fundamentele beperking in het modelleren van gig-arbeidsmarkten: het canonieke job-search model behandelt werknemersacceptatie als een statische drempelregel (accepteer als loon > reserveloon). Deze benadering slaagt er niet in de twee structurele realiteiten van gig-platforms te vangen:

1. Niet-stationariteit: Reservelonen zijn niet vast; ze verschuiven op basis van recente ervaring, competitieve druk en de temporele afstand tot het begin van de taak.
2. Populatieheterogeniteit: Geaggregeerde responsen zijn niet het gedrag van een "representatieve werknemer", maar het integraal van een populatie met diverse drempels en externe opties.

Het behandelen van deze heterogeniteit als louter ruis vertekent systematisch de schattingen van de prijsgevoeligheid. De auteurs stellen dat de binaire aard van transactie-uitkomsten (geaccepteerd/geweigerd) geen observationele hindernis is, maar een theoretische beperking die wijst op hysteresis—een systeem waarbij de huidige output afhankelijk is van de geschiedenis van de input, en niet enkel van de huidige input.

2. Theoretisch Kader: Het Preisach-model

De auteurs hanteren het Preisach-model, oorspronkelijk ontwikkend voor magnetische hysteresis, om het nut van de werknemer te modelleren.

• De Hysteron: Elke werknemer wordt gemodelleerd als een binair schakelelement (hysteron), gedefinieerd door een paar drempels $(\alpha, \beta)$ waarbij $\alpha \ge \beta$.
  • $\alpha$ (Acceptatiedrempel): Het loonniveau waarbij een werknemer overschakelt naar aan (accepteert).
  • $\beta$ (Afwijzingsdrempel): Het loonniveau waarbij een werknemer overschakelt naar uit (weigert).
  • Indifferentiezone: Tussen $\beta$ en $\alpha$ hangt de staat van de werknemer af van hun geschiedenis. Als ze laatst geaccepteerd hebben, blijven ze in de acceptatiestaat; als ze laatst geweigerd hebben, blijven ze in de weigeringsstaat.
• Geaggregeerde Output: De totale acceptatiekans is het integraal van de dichtheidsfunctie $\mu(\alpha, \beta)$ over de populatie van momenteel "aan" staande hysterons.
• Belangrijkste Voorspelling: Het model voorspelt directionele asymmetrie. Een prijsverlaging drukt de acceptatie sterker omlaag dan een equivalente prijsverhoging deze herstelt, omdat werknemers die door een daling zijn uitgeschakeld, een hogere drempel ($\alpha$) moeten passeren om weer aan te gaan, terwijl zij die aan bleven slechts boven $\beta$ hoeven te blijven.

3. Methodologie: Tweestaps Schattingstraject

Het direct schatten van de tweedimensionale dichtheid $\mu(\alpha, \beta)$ vanuit binaire data is slecht gedefinieerd. De auteurs stellen een indirecte strategie voor met behulp van conditionele gemiddelde nutsoppervlakken als proxies voor de eerste momenten van de dichtheid.

Fase 1: Dual-Output Neuraal Netwerk (Nutsschatter)

• Architectuur: Een gedeelde encoder (256 $\to$ 128 neuronen, LeakyReLU) voert naar twee onafhankelijke output-heads (64 $\to$ 1).
• Outputs:
  • $U_1(X)$: Geschat nut voor geaccepteerde transacties.
  • $U_0(X)$: Geschat nut voor geweigerde transacties.
• Verliesfunctie: Combineert de Mean Squared Error (MSE) voor elk subpopulatie met een marge-straf ($\lambda = 0.5$) die de structurele beperking $U_1 \ge U_0$ afdwingt voor geaccepteerde transacties. Dit zorgt ervoor dat het "acceptatie-nutsoppervlak" boven het "weigerings-nutsoppervlak" blijft, consistent met de Preisach-logica.
• Training: Getraind op 36.891 transacties van een Pools gig-platform met Adam-optimalisatie.

Fase 2: XGBoost Classificator

• Inputs: Het model voert niet direct de ruwe nutsschattingen in. In plaats daarvan construeert het een feature-set die onder meer bestaat uit:
  1. De Preisach Gap: $\hat{U}_1(X) - \hat{U}_0(X)$ (proxy voor de breedte van de indifferentiezone).
  2. Prijs-tot-Drempel Coderingen: Vijf features afgeleid van de log-prijssterkte ($lps$) relatief aan de geschatte oppervlakken (bijv. $r_0 = lps/|U_0|$, $d_1 = lps - U_1$).
• Doel: Het mappen van deze features naar de waarschijnlijkheid van acceptatie $P(\text{accept} | X)$.

4. Data en Experimentele Opzet

• Dataset: 36.891 transacties van een Pools gig-platform (retail, horeca, logistiek, zorg) gedurende maart–mei 2024.
• Context: De data bevat een gecontroleerd prijs-experiment waarbij lonen met $\pm 10\text{--}20\%$ varieerden voor willekeurig geselecteerde klantaccounts. De auteurs merken echter op dat de prijsbepaling gedeeltelijk endogeen was (operators verhoogden de prijzen op eerder geweigerde shifts), wat de causale identificatie van elasticiteit zonder een volledig gerandomiseerd ontwerp beperkt.
• Split: 80/10/10 gestratificeerde split voor training/validatie/test.

5. Belangrijkste Resultaten

Voorspellende Prestaties

• Beste Prestatie: Het tweestaps traject met de dual-output NN en de volledige feature-set (V6) behaalde een Jaccard-score van 0,827 en een ROC AUC van 0,799.
• Feature Belang: De meest significante prestatiewinst (+11,0 pp AUC voor XGBoost regressoren, +1,4 pp voor NN) kwam voort uit het expliciet coderen van de prijs-tot-drempel relatie (de relatieve positie van het aanbod) in plaats van het gebruik van ruwe nutsschattingen. Dit bevestigt dat werknemers aanbiedingen evalueren relatief aan referentiepunten, en niet op een absolute schaal.
• Gap Statistiek: De gedeelde encoder in de NN produceerde een coherente gap-distributie (std $\approx$ 0,8) vergeleken met onafhankelijke regressoren (std $\approx$ 0,01), wat leidde tot betere classificatiegrenzen.

Hysteresis Signatuur

• Het model bevestigt de voorspelde directionele asymmetrie: prijsverlagingen drukken de voltooiingspercentages sterker omlaag dan equivalente prijsverhogingen deze verhogen.
• Lokale elasticiteit (nabij de huidige prijs) lijkt symmetrisch ($\pm 4,5\%$), maar asymmetrie ontstaat bij grotere prijsafwijkingen, waarbij de volledige drempelverdeling wordt geraakt.

Economische Implicaties (Loonaanbevelingen)

Het toepassen van het model op de volledige dataset om te optimaliseren voor een doelstelling van een acceptatiekans van 0,80 levert een paradoxaal resultaat op:

• Simultane Optimalisatie: Het model adviseert om lonen te verlagen voor 74,2% van de transacties (waar $P(\text{accept}) \gg 0,80$) en lonen te verhogen voor 25,4% (waar $P(\text{accept}) < 0,80$).
• Resultaat: Deze strategie verlaagt de totale loonsom met 21,3% terwijl de verwachte fill rate met 9,7 procentpunt stijgt.
• Mechanisme: Dit is een "positionele decompositie". Voor de meerderheid van de transacties ligt het huidige loon ver boven het noodzakelijke drempelniveau; het verlagen van de lonen maakt een "buffer" vrij zonder dat $P(\text{accept})$ onder de doelstelling van 0,80 zakt. Voor de minderheid is een bescheiden verhoging nodig om verloren transacties te herstellen. Een model zonder expliciete indifferentiezone kan deze posities niet nauwkeurig genoeg identificeren om beide bewegingen simultaan uit te voeren.

6. Betekenis en Claims

Het artikel claimt drie primaire bijdragen:

1. Theoretisch: Het vestigt de Preisach-operator als een rigoureus, theoretisch gefundeerd model voor het nut van de werknemer in gedisaggregeerde arbeidsmarkten, waarbij het verder gaat dan het statische reserveloon-model door geschiedenisafhankelijkheid en heterogeniteit te incorporeren.
2. Methodologisch: Het introduceert een hanteerbare schattingsstrategie die het slecht gedefinieerde probleem van het terugwinnen van de volledige drempeldichtheid $\mu$ vermijdt. In plaats daarvan gebruikt het conditionele gemiddelde nutten ($U_1, U_0$) en een marge-beperkt neuraal netwerk om de noodzakelijke momenten voor classificatie te schatten.
3. Empirisch: Het demonstreert dat het coderen van de prijs relatief aan de geschatte drempels de cruciale feature is voor voorspellende prestaties. Deze bevinding levert empirisch bewijs dat werknemers aanbiedingen evalueren als winsten of verliezen ten opzichte van referentiepunten (consistent met Prospect Theory), in plaats van op een absolute schaal.

De auteurs concluderen dat het Preisach-raamwerk de data niet enkel beschrijft, maar organiseert, waarbij structurele kenmerken zoals marktsegmentatie (retail versus gespecialiseerde shifts) en de indifferentiezone worden onthuld die onzichtbaar zijn voor representatieve-agent modellen. Het vermogen van het model om simultaan kosten te verlagen en de fill rate te verhogen, wordt gepresenteerd als een direct gevolg van het correct modelleren van de "buffer" die door de indifferentiezone wordt gecreëerd.