Resumo Técnico: Utilidade do Trabalhador como Histerese: Um Modelo de Preisach para a Aceitação de Transações em Mercados de Trabalho Gig

1. Problema

O artigo aborda uma limitação fundamental na modelagem de mercados de trabalho gig: o modelo canônico de busca por emprego trata a aceitação do trabalhador como uma regra de limiar estática (aceitar se o salário > salário de reserva). Esta abordagem falha em capturar duas realidades estruturais das plataformas gig:

1. Não Estacionariedade: Os salários de reserva não são fixos; eles mudam com base na experiência recente, pressão competitiva e distância temporal do início da tarefa.
2. Heterogeneidade da População: As respostas agregadas não são o comportamento de um "trabalhador representativo", mas o integral de uma população com diversos limiares e opções externas.

Tratar essa heterogeneidade como mero ruído distorce sistematicamente as estimativas de sensibilidade ao preço. Os autores argumentam que a natureza binária dos resultados das transações (aceito/rejeitado) não é um obstáculo observacional, mas uma restrição teórica que aponta para a histerese — um sistema onde a produção atual depende do histórico de entrada, não apenas da entrada atual.

2. Estrutura Teórica: O Modelo de Preisach

Os autores adotam o modelo de Preisach, originalmente desenvolvido para histerese magnética, para modelar a utilidade do trabalhador.

• O Histeron: Cada trabalhador é modelado como um elemento de comutação binária (histeron) definido por um par de limiares $(\alpha, \beta)$, onde $\alpha \ge \beta$.
  • $\alpha$ (Limiar de Aceitação): O nível salarial no qual o trabalhador muda para o estado on (aceita).
  • $\beta$ (Limiar de Rejeição): O nível salarial no qual o trabalhador muda para o estado off (rejeita).
  • Zona de Indiferença: Entre $\beta$ e $\alpha$, o estado do trabalhador depende de seu histórico. Se ele aceitou por último, permanece no estado de aceitação; se rejeitou por último, permanece no estado de rejeição.
• Saída Agregada: A probabilidade total de aceitação é o integral da função de densidade $\mu(\alpha, \beta)$ sobre a população de hysterons atualmente em estado "on".
• Previsão Principal: O modelo prevê assimetria direcional. Uma redução de preço deprime a aceitação mais do que um aumento equivalente a restaura, porque os trabalhadores que foram desligados por uma queda devem cruzar um limiar mais alto ($\alpha$) para ligar novamente, enquanto aqueles que permaneceram ligados só precisam ficar acima de $\beta$.

3. Metodologia: Pipeline de Estimativa em Dois Estágios

A estimativa direta da densidade bidimensional $\mu(\alpha, \beta)$ a partir de dados binários é um problema mal posto. Os autores propõem uma estratégia indireta usando superfícies de utilidade média condicional como proxies para os primeiros momentos da densidade.

Estágio 1: Rede Neural de Saída Dupla (Estimador de Utilidade)

• Arquitetura: Um codificador compartilhado (256 $\to$ 128 neurônios, LeakyReLU) alimenta duas cabeças de saída independentes (64 $\to$ 1).
• Saídas:
  • $U_1(X)$: Utilidade estimada para transações aceitas.
  • $U_0(X)$: Utilidade estimada para transações rejeitadas.
• Função de Perda: Combina o Erro Quadrático Médio (MSE) para cada subpopulação com uma penalidade de margem ($\lambda = 0,5$) que impõe a restrição estrutural $U_1 \ge U_0$ para transações aceitas. Isso garante que a superfície de "utilidade de aceitação" permaneça acima da superfície de "utilidade de rejeição", consistente com a lógica de Preisach.
• Treinamento: Treinado em 36.891 transações de uma plataforma gig polonesa usando otimização Adam.

Estágio 2: Classificador XGBoost

• Entradas: O modelo não alimenta diretamente as estimativas de utilidade bruta. Em vez disso, constrói um conjunto de características que inclui:
  1. O Gap de Preisach: $\hat{U}_1(X) - \hat{U}_0(X)$ (proxy para a largura da zona de indiferença).
  2. Codificações Preço-Limiar: Cinco características derivadas do log-força-do-preço ($lps$) relativo às superfícies estimadas (ex: $r_0 = lps/|U_0|$, $d_1 = lps - U_1$).
• Objetivo: Mapear essas características para a probabilidade de aceitação $P(\text{aceitar} | X)$.

4. Dados e Configuração Experimental

• Conjunto de Dados: 36.891 transações de uma plataforma gig polonesa (varejo, hospitalidade, logística, saúde) cobrindo março–maio de 2024.
• Contexto: Os dados incluem um experimento controlado de preço onde os salários variaram $\pm 10\text{--}20\%$ para contas de clientes selecionadas aleatoriamente. No entanto, os autores observam que a definição de preços foi parcialmente endógena (operadores aumentaram preços em turnos previamente rejeitados), limitando a identificação causal da elasticidade sem um design totalmente randomizado.
• Divisão: Divisão estratificada de 80/10/10 para treinamento/validação/teste.

5. Principais Resultados

Desempenho Preditivo

• Melhor Desempenho: O pipeline de dois estágios usando a rede neural de saída dupla e o conjunto completo de características (V6) alcançou um escore Jaccard de 0,827 e ROC AUC de 0,799.
• Importância das Características: O ganho de desempenho mais significativo (+11,0 pp AUC para regressores XGBoost, +1,4 pp para NN) veio da codificação explícita da relação preço-limiar (posição relativa da oferta) em vez de usar apenas as estimativas de utilidade bruta. Isso confirma que os trabalhadores avaliam as ofertas em relação a pontos de referência, não em termos absolutos.
• Estatística de Gap: O codificador compartilhado na NN produziu uma distribuição de gap coerente (std $\approx$ 0,8) comparado a regressores independentes (std $\approx$ 0,01), levando a fronteiras de classificação melhores.

Assinatura de Histerese

• O modelo confirma a assimetria direcional prevista: reduções de preço deprimem as taxas de conclusão mais do que aumentos equivalentes as elevam.
• A elasticidade local (próximo ao preço atual) parece simétrica ($\pm 4,5\%$), mas a assimetria emerge em excursões de preço maiores, engajando toda a distribuição de limiares.

Implicações Econômicas (Recomendações Salariais)

Aplicando o modelo ao conjunto de dados completo para otimizar para uma probabilidade de aceitação alvo de 0,80, obtém-se um resultado paradoxal:

• Otimização Simultânea: O modelo recomenda reduzir salários para 74,2% das transações (onde $P(\text{aceitar}) \gg 0,80$) e aumentar salários para 25,4% (onde $P(\text{aceitar}) < 0,80$).
• Resultado: Esta estratégia reduz a conta salarial total em 21,3% enquanto aumenta a taxa de preenchimento esperada em 9,7 pontos percentuais.
• Mecanismo: Trata-se de uma "decomposição posicional". Para a maioria das transações, o salário atual está muito acima do limiar necessário; cortar salários libera um "buffer" sem derrubar $P(\text{aceitar})$ abaixo de 0,80. Para a minoria, um aumento modesto recupera transações perdidas. Um modelo sem uma zona de indiferença explícita não consegue identificar essas posições com precisão suficiente para executar ambos os movimentos simultaneamente.

6. Significância e Alegações

O artigo alega três contribuições primárias:

1. Teórica: Estabelece o operador de Preisach como um modelo rigoroso e fundamentado teoricamente para a utilidade do trabalhador em mercados de trabalho desagregados, indo além do modelo de salário de reserva estático para incorporar dependência histórica e heterogeneidade.
2. Metodológica: Introduz uma estratégia de estimativa tratável que evita o problema mal posto de recuperar a densidade completa de limiares $\mu$. Em vez disso, utiliza utilidades médias condicionais ($U_1, U_0$) e uma rede neural com margem restrita para estimar os momentos necessários para a classificação.
3. Empírica: Demonstra que codificar o preço em relação aos limiares estimados é a característica crítica para o desempenho preditivo. Esta descoberta fornece evidência empírica de que os trabalhadores avaliam as ofertas como ganhos ou perdas em relação a pontos de referência (consistente com a Teoria da Perspectiva), e não em uma escala absoluta.

Os autores concluem que a estrutura de Preisach não apenas se ajusta aos dados, mas os organiza, revelando características estruturais como segmentação de mercado (turnos de varejo vs. especialistas) e a zona de indiferença que são invisíveis para modelos de agente representativo. A capacidade do modelo de cortar custos e aumentar simultaneamente as taxas de preenchimento é apresentada como uma consequência direta de modelar corretamente o "buffer" criado pela zona de indiferença.