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

In de wereld van werk bestaat een langgevestigde overtuiging dat mensen beslissen een baan te accepteren op basis van één enkel, vaststaand getal: een minimumloon dat zij niet zullen accepteren. Als een aanbod boven die lijn ligt, zeggen ze ja; als het eronder ligt, zeggen ze nee. Dit idee werkt goed voor traditionele banen waarbij een werknemer weken kan wachten op de juiste gelegenheid. Maar het stort in in de moderne "gig economy", waar mensen korte termijn taken per minuut accepteren of afwijzen. In deze snel bewegende markten gaat de beslissing van een werknemer zelden over één enkel getal. Het gaat over hun geschiedenis. Een werknemer die onlangs veel laagbetaalde diensten heeft geaccepteerd, kan een iets hoger aanbod afwijzen dat hij een maand geleden nog wel had geaccepteerd. Omgekeerd kan een werknemer die onlangs hoge betalingen heeft ontvangen, een standaard aanbod afwijzen dat gisteren nog acceptabel zou zijn geweest. Hun bereidheid om te werken hangt af van waar ze vandaan komen, niet alleen van waar ze nu zijn. Dit fenomeen, waarbij het verleden het heden vormgeeft op een manier die weerstand biedt tegen eenvoudige verandering, staat bekend als hysteresis. Het begrijpen hiervan is cruciaal voor de platforms die werkers met taken verbinden, want als zij werkers behandelen alsof ze over vaste prijskaartjes beschikken, zullen ze de betaling verkeerd inschatten, waardoor ze geld verspillen aan diensten die voor minder geaccepteerd zouden worden, of diensten verliezen door te weinig te bieden aan werkers die al geconditioneerd zijn om meer te verwachten.

Een team van onderzoekers heeft een nieuwe manier ontwikkeld om deze onzichtbare besluitvormingspatronen in kaart te brengen met behulp van een model dat oorspronkelijk werd ontwikkeld om magneten te bestuderen. In de natuurkunde reageert een magneet niet alleen op het huidige magnetische veld; hij herinnert zich hoe hij in het verleden gemagnetiseerd is. Om dit te beschrijven, gebruiken wetenschappers een raamwerk genaamd het Preisach-model, dat een materiaal voorstelt als een verzameling kleine schakelaars, elk met een eigen unieke "aan"- en "uit"-drempel. De onderzoekers realiseerden zich dat een beroepsgroep zich exact hetzelfde gedraagt. Elke werknemer is als een kleine schakelaar met twee drempels: een prijs die hoog genoeg is om een taak te accepteren, en een lagere prijs waarbij ze uiteindelijk zullen opgeven en de taak afwijzen. Tussen deze twee punten ligt een zone van onbeslistheid waar de keuze van de werknemer volledig afhangt van wat hij de vorige keer deed. Als ze de vorige keer geaccepteerd hebben, blijven ze in de "accepteer"-modus totdat de prijs onder hun lagere drempel zakt. Als ze de vorige keer geweigerd hebben, blijven ze in de "weiger"-modus totdat de prijs boven hun hogere drempel stijgt. Dit creëert een vertraging, of een geheugen, in de markt die standaard economische modellen volledig missen.

Om dit idee te testen, analyseerden de onderzoekers bijna 37.000 realtime transacties van een gig-platform in Polen. Ze probeerden niet de specifieke prijslimiet voor elke individuele werker te raden, wat met de beschikbare data onmogelijk zou zijn. In plaats daarvan bouwden ze een tweestapsysteem om de vorm van het geheugen van de markt te leren. Eerst gebruikten ze een computerprogramma om twee afzonderlijke "utiliteitsvlakken" te schatten. Het ene oppervlak voorspelde de gemiddelde tevredenheid van werkers die een taak hadden geaccepteerd, en het andere oppervlak voorspelde de gemiddelde tevredenheid van degenen die het hadden geweigerd. Door deze twee oppervlakken te vergelijken, kon het systeem de "kloof" tussen hen berekenen. Deze kloof vertegenwoordigt de grootte van de onbeslistheidszone—het prijsbereik waar de geschiedenis van een werker, in plaats van het huidige aanbod, de uitkomst bepaalt. De onderzoekers voedden deze kloof, samen met hoe de huidige prijs zich verhoudt tot deze geschatte drempels, aan een tweede computerprogramma dat ontworpen is om te voorspellen of een nieuwe taak geaccepteerd zou worden.

De resultaten onthulden een markt die veel complexer en responsiever is dan voorheen gedacht. De bevindingen van het model zijn consistent met de voorspelling dat prijsveranderingen werkers niet symmetrisch beïnvloeden: een daling van de lonen lijkt de acceptatiecijfers meer te drukken dan dat een equivalente stijging van de lonen de acceptatie helpt. Dit is het kenmerk van hysteresis: zodra werkers geconditioneerd zijn om lagere betalingen te verwachten, is er een veel grotere stijging nodig om hen terug te winnen dan dat het kostte om hen te verliezen. Omdat de prijsdata echter niet werd gegenereerd door een gerandomiseerd experiment, is dit patroon suggestief in plaats van definitief causaal, aangezien exploitanten de neiging hadden de prijzen specifiek te verhogen voor moeilijke diensten die al waren geweigerd. Verrassenderwijs genereerde het model een economisch paradoxaal resultaat: toegepast op de volledige dataset, zorgden de aanbevelingen van het model simultaan voor een verlaging van de totale arbeidskosten terwijl het aantal ingevulde taken toenam. De onderzoekers ontdekten dat bij ongeveer 74 procent van de transacties de huidige loon al zo hoog was dat de taak geaccepteerd zou worden, zelfs als de betaling aanzienlijk zou worden verlaagd. Voor deze taken betaalde het platform simpelweg te veel. Door het loon net genoeg te verlagen om boven de acceptatiedrempel te blijven, kon het platform op die specifieke banen een mediaan van 31 procent besparen zonder ook maar één werker te verliezen.

Voor de resterende 26 procent van de taken was de situatie precies het tegenovergestelde. De huidige lonen waren te laag om werkers aan te trekken, maar niet zo laag dat de taken onmogelijk te vervullen waren. Dit waren de banen die vastzaten in de "weiger"-modus van de hysteresislus. Voor deze specifieële taken adviseerde het model een bescheiden loonverhoging, met een mediaan van slechts 7 procent. Deze kleine impuls was genoeg om het aanbod boven hun hogere drempel te duwen, waardoor de beslissing omsloeg van weigering naar acceptatie, en taken terug te winnen die anders onvervuld zouden blijven. De studie toonde aan dat door het begrijpen van de twee-drempelstructuur van de besluitvorming van werkers, een platform deze twee groepen tegelijkertijd anders kan behandelen. Het kan kosten snijden waar een veiligheidsbuffer is en de betaling verhogen waar een barrière is, waarmee een reductie van 21,3 procent in totale lonen wordt bereikt terwijl het invulpercentage met bijna 10 procentpunten stijgt.

De onderzoekers ontdekten ook dat de markt niet één enkele, uniforme menigte is. Wanneer zij de data visualiseerden, kwamen er twee duidelijke groepen werkers naar voren. Eén groep, die voornamelijk retail- en horenadiensten uitvoerde, had lage en nauw geclusterde prijsdrempels. De andere groep, die gespecialiseerde taken afhandelde, had veel hogere drempels en een breder scala aan verwachtingen. Een model dat alle werkers als hetzelfde behandelt, zou deze groepen middelen en de specifieke behoeften van geen van beiden zien. De nieuwe aanpak, door de relatie tussen het huidige aanbod en de historische drempels van de werker in kaart te brengen, stelde het systeem in staat deze verschillen duidelijk te zien. Het toonde aan dat de sleutel tot het voorspellen van het gedrag van werkers niet het kennen van de absolute prijs van een taak is, maar weten waar die prijs zich bevindt ten opzichte van de persoonlijke geschiedenis van de werker.

Dit werk suggereert dat het oude idee van een enkele "reserveloon" onvoldoende is voor de gig economy. Werkers hebben niet alleen een minimumprijs; ze hebben een geheugen. Hun beslissingen worden gevormd door een pad van eerdere aanbiedingen, wat een zone van traagheid creëert waarin kleine veranderingen in betaling geen effect hebben. De studie laat zien dat door dit geheugen te erkennen en de kloof tussen de acceptatie- en weigeringsdrempels te modelleren, platforms slimmere en efficiëntere beslissingen kunnen nemen. Ze kunnen stoppen met het overbetalen van taken die al gemakkelijk te vullen zijn en stoppen met het onderbetalen van taken die net buiten bereik liggen. De bevindingen bieden een nieuwe manier om naar arbeidsmarkten te kijken, een manier die de complexiteit van menselijke besluitvorming respecteert en de kracht van geschiedenis bij het vormen van onze economische keuzes erkent.