이력 현상으로서의 노동자 효용: 긱 노동 시장 내 거래 수락에 관한 Preisach 모델

노동자 효용 (Worker utility)은 관찰되지 않으며, 오직 그 결과만이 관찰됩니다. 각 긱 (gig) 거래는 수락 또는 거절이라는 단일 비트 (single bit)를 생성합니다. 본 연구에서는 이러한 구조가 잠재적인 노동자 선호도를 나타내는 자연스러운 표현으로서 Preisach 이력 현상 모델 (Preisach hysteresis model)을 직접적으로 가리킨다고 주장합니다. Preisach 연산자 (Preisach operator)는 이진 임계값 요소 (binary threshold elements) 집단에 대한 적분으로서 집계된 출력을 모델링하며, 이는 이질적인 노동자들이 각자 개인적인 수락 임금 (acceptance wage)을 보유할 때 나타나는 구조와 정확히 일치합니다. 우리는 이중 출력 신경망 (dual-output neural network; 공유 레이어 256->128, $U_1 \ge U_0$를 강제하는 마진 손실 (margin loss) 사용)을 통해 두 가지 잠재적 효용 곡면인 수락 효용 $U_1(X)$와 거절 효용 $U_0(X)$를 추정합니다. 분류 작업은 Preisach 간극(gap)인 $U_1(X) - U_0(X)$로 축소되며, 이는 clip-stabilised 가격 대 임계값 인코딩 (price-to-threshold encodings)과 함께 XGBoost 분류기에 전달됩니다. 36,891건의 긱 거래를 대상으로 한 실험에서, 이 파이프라인은 Jaccard = 0.827 및 ROC AUC = 0.799를 달성했습니다. 가격 대 임계값 인코딩은 가공되지 않은 효용 특징량 (raw utility features) 대비 AUC를 +11.0 pp 향상시켰습니다. 이 모델은 이력 현상이 예측하는 방향성 비대칭성 (directional asymmetry)을 확인시켜 줍니다: 즉, 가격 하락은 가격 상승이 완료율을 높이는 것보다 완료율을 더 많이 저하시킵니다. 전체 데이터셋에 적용했을 때, 모델의 권장 사항은 총 임금 비용을 21.3% 줄이는 동시에 기대 충원율 (fill rate)을 9.7 pp 증가시켰습니다. 거래의 74.2%에 대해 수락 확률 $P( ext{accept})$는 이미 0.80을 초과합니다; 임금을 낮추더라도 이를 임계값 이상으로 유지할 수 있으며 (삭감 후 평균 $P = 0.972$), 이를 통해 비용 절감 (중앙값 31%)을 실현합니다. 나머지 25.4%의 경우, 중앙값 7%의 임금 인상을 통해 수락률을 +43 pp 회복합니다. 명시적인 무차별 지대 (indifference zone)가 없는 모델은 이 두 가지 조치를 동시에 실행할 수 없습니다.