技术摘要：作为滞后效应的工人效用：零工劳动力市场中的 Preisach 模型

1. 问题陈述

本文针对建模零工劳动力市场的一个根本性局限提出了见解：经典的搜寻理论模型将工人接受任务视为一种静态阈值规则（即：如果工资 > 保留工资，则接受）。这种方法无法捕捉零工平台中的两个结构性现实：

1. 非平稳性（Non-Stationarity）： 保留工资并非固定不变；它们会根据近期经验、竞争压力以及距离任务开始的时间跨度而发生偏移。
2. 群体异质性（Population Heterogeneity）： 总体的响应行为并非由一个“代表性工人”的行为构成，而是由具有多样化阈值和外部选择的群体积分而成的结果。

将这种异质性仅仅视为噪声会系统性地扭曲对价格敏感度的估计。作者认为，交易结果的二元性质（接受/拒绝）并非观测障碍，而是一个指向**滞后效应（Hysteresis）**的理论约束——即一个当前输出取决于输入历史的系统，而非仅仅取决于当前输入。

2. 理论框架：Preisach 模型

作者采用了最初用于模拟磁滞现象的 Preisach 模型 来对工人效用进行建模。

• 滞后单元（Hysteron）： 每个工人被建模为一个由一对阈值 $(\alpha, \beta)$ 定义的二元切换元件，其中 $\alpha \ge \beta$。
  • $\alpha$（接受阈值）： 工人转向“开启”状态（接受）时的工资水平。
  • $\beta$（拒绝阈值）： 工人转向“关闭”状态（拒绝）时的工资水平。
  • 不确定区间（Indifference Zone）： 在 $\beta$ 和 $\alpha$ 之间，工人的状态取决于其历史记录。如果他们上次是接受，则保持在接受状态；如果上次是拒绝，则保持在拒绝状态。
• 总体输出： 总接受概率是当前处于“开启”状态的滞后单元的密度函数 $\mu(\alpha, \beta)$ 的积分。
• 核心预测： 该模型预测了方向性不对称（Directional Asymmetry）。价格下降导致的接受率下降，比同等幅度的价格上升带来的恢复更为剧烈，因为那些被价格下跌迫使切换到“关闭”状态的工人，必须跨越更高的阈值 ($\alpha$) 才能重新切换回“开启”状态；而那些维持在“开启”状态的人，只需保持在 $\beta$ 之上即可。

3. 方法论：两阶段估计流水线

直接从二元数据中估计二维密度 $\mu(\alpha, \beta)$ 是一个病态问题。作者提出了一种间接策略，利用条件平均效用曲面作为该密度一阶矩的代理。

第一阶段：双输出神经网络（效用估计器）

• 架构： 一个共享编码器（256 $\to$ 128 个神经元，使用 LeakyReLU）馈入两个独立的输出头（64 $\to$ 1）。
• 输出：
  • $U_1(X)$：已接受交易的估计效用。
  • $U_0(X)$：已拒绝交易的估计效用。
• 损失函数： 结合了每个子群体的均方误差（MSE）和一个边际惩罚项 ($\lambda = 0.5$)，该项强制执行结构性约束 $U_1 \ge U_0$（针对已接受的交易）。这确保了“接受效用”曲面始终位于“拒绝效用”曲面之上，符合 Preisach 的逻辑。
• 训练： 使用 Adam 优化算法，基于来自波兰某零工平台的 36,891 笔交易进行训练。

第二阶段：XGBoost 分类器

• 输入： 模型并不直接输入原始效用估计值。相反，它构建了一个包含以下内容的特征集：
  1. Preisach 间隙（Preisach Gap）： $\hat{U}_1(X) - \hat{U}_0(X)$（作为不确定区间宽度的代理）。
  2. 价格-阈值编码（Price-to-Threshold Encodings）： 从对数价格强度（$lps$）相对于估计曲面的位置衍生出的五个特征（例如，$r_0 = lps/|U_0|$，$d_1 = lps - U_1$）。
• 目标： 将这些特征映射为接受概率 $P(\text{accept} | X)$。

4. 数据与实验设置

• 数据集： 来自波兰某零工平台（涵盖零售、餐饮、物流、医疗保健）的 36,891 笔交易，时间跨度为 2024 年 3 月至 5 月。
• 背景： 数据包含一项受控的价格实验，其中工资在随机选择的客户账户中进行了 $\pm 10\text{--}20\%$ 的变化。然而，作者指出价格设定具有部分内生性（运营商会对先前被拒绝的任务提高价格），这限制了在缺乏完全随机设计的情况下进行因果弹性识别的能力。
• 划分： 采用 80/10/10 的分层划分进行训练、验证和测试。

5. 关键结果

预测性能

• 最佳表现： 使用双输出神经网络和全特征集的两阶段流水线（V6）实现了 0.827 的 Jaccard 分数和 0.799 的 ROC AUC。
• 特征重要性： 最显著的性能提升（XGBoost 回归器提升 +11.0 pp AUC，NN 提升 +1.4 pp AUC）来自于显式编码价格与阈值的关系（即报价相对于阈值的相对位置），而非使用原始效用估计值。这证实了工人是相对于参考点而非绝对值来评估报价的。
• 间隙统计量（Gap Statistic）： 神经网络中的共享编码器产生了连贯的间隙分布（标准差 $\approx$ 0.8），优于独立回归器（标准差 $\approx$ 0.01），从而产生了更好的分类边界。

滞后特征（Hysteresis Signature）

• 模型证实了预测的方向性不对称：价格下降导致完成率下降的程度，大于同等幅度的价格上升带来的提升程度。
• 局部弹性（在当前价格附近）表现为对称（$\pm 4.5\%$），但当价格大幅波动时，不对称性便会显现，从而触发完整的阈值分布。

经济含义（工资建议）

应用该模型优化目标接受概率为 0.80 的全量数据集，得出了一个看似矛盾的结果：

• 同步优化： 模型建议在 74.2% 的交易中降低工资（其中当前 $P(\text{accept}) \gg 0.80$），并在 25.4% 的交易中提高工资（其中当前 $P(\text{accept}) < 0.80$）。
• 结果： 这一策略在将预期完成率提高 9.7 个百分点的同时，减少了 21.3% 的总工资支出。
• 机制： 这是一种“位置分解”（Positional Decomposition）。对于大多数交易，当前的工资远高于必要的阈值；削减工资可以在不使 $P(\text{accept})$ 低于目标值的情况下释放“缓冲空间”。对于少数交易，小幅度的加薪可以挽回流失的订单。如果不具备显式的“不确定区间”模型，就无法精确识别这些位置，从而无法同时执行这两项操作。

6. 意义与主张

本文声称其主要贡献在于：

1. 理论层面： 它确立了 Preisach 算子作为零工劳动力市场中工人效用的严谨且具有理论依据的模型，超越了静态的保留工资模型，将其扩展到包含历史依赖性和异质性的维度。
2. 方法论层面： 它引入了一种可行的估计策略，避免了恢复完整阈值密度 $\mu$ 这一病态问题。相反，它利用条件平均效用（$U_1, U_0$）和带边际约束的神经网络来估计用于分类的必要矩。
3. 实证层面： 它证明了将价格相对于估计阈值进行编码是实现预测性能的关键特征。这一发现提供了经验证据，表明工人是将报价视为相对于参考点的收益或损失（符合前景理论），而非基于绝对规模进行评估。

作者总结道，Preisach 框架不仅仅是在拟合数据，它还在组织数据，揭示了如市场细分（零售 vs 专业化班次）和不确定区间等代表性个体模型无法观察到的结构性特征。该模型能够同时降低成本并提高完成率，这被视为正确建模“不确定区间”所创造的“缓冲空间”的直接结果。