Кратко о происходящих изменениях (Индия, платформенные такси/доставка)
- Трудовые отношения: массовая переклассификация работников в независимых подрядчиков, усиление алгоритмического управления (динамическое ценообразование, задания, рейтинги), снижение формальной занятости и коллективных переговоров.
- Организация занятости: гибкие, но непредсказуемые расписания; смешанные режимы (подработка + основная работа); высокая текучесть и смешение формальной/неформальной занятости.
- Социальная защита: доступ к государственным схемам ограничен из‑за статуса «контрактор», систематических отчислений в EPF/ESI обычно нет; платформы иногда предлагают добровольные пакеты (страхование, скидки), но покрытие и стабильность низкие.
Предложение исследования: цель — оценить экономическую нестабильность и автономию работников платформ в Индии
1) Ключевые показатели (метрики)
- Доход и его нестабильность:
- средний доход работника: ${\mu }_i=\frac{1}{T}{\sum }_{t=1}^T{y}_{it}$ - стандартное отклонение дохода: ${\sigma }_i=\sqrt{\frac{1}{T}{\sum }_{t=1}^T(y_{it}-{\mu }_i{)}^2}$ - коэффициент вариации: $C{V}_i=\frac{{\sigma }_i}{{\mu }_i}$ - доля недель с «провалом» дохода: $\mathrm{Pr}(y_{it}<\tau )$ для порога $\tau$ - Value at Risk (нижний квантиль): $Va{R}_{\alpha }$ (например $\alpha =0.05$)
- Временная нестабильность занятости:
- доля дней/недель без заказов или с нулевым доходом
- длительность и частота безработных/низкооплачиваемых периодов (спеллы)
- Финансовая устойчивость:
- доступ к сбережениям/кредитам, доля дохода, покрываемая регулярными расходами
- Автономия и контроль:
- шкала автономии (контроль над временем, выбор заказов, возможность отказа) — собрать несколько Likert‑вопросов и агрегировать (PCA / первый компонент) в индекс $Autonom{y}_i$ - индекс алгоритмического контроля: метрики (санкции, отключения, прозрачность алгоритма, рейтинг) агрегированные в индекс
- Социальная защита: наличие EPF/ESI/гарантированных выплат, получение платформенных бенефитов
2) Источники данных
- Платформенные логи (если доступны): ежедневные/поминутные записи о поездках/заказах, вознаграждениях, комиссиях, бонусах, отменах, геолокации.
- Панельные опросы работников (рекомендуемый период): минимум $\text{T=12}$ месяцев с частотой опроса раз в неделю или две недели; размер выборки: минимум $\text{N=1000}$ работников, стратифицированный по городам/типам платформ/полу/типу транспорта.
- Качественные интервью / этнография: $\sim$$\text{30-60}$ глубинных интервью по нескольким городам.
- Административные данные о регистрации соцзащиты и местной регуляции.
- Домашние бюджеты / дневники расходов для подвыборки (консумационное сглаживание).
- Экзогенные данные: погода, топливо, локальные спросовые шоки, дата-временные метки ввода платформы в город.
3) Дизайн выборки
- Стратификация: крупные города (мегаполисы), средние города, пригородные и сельские регионы; разные платформы (такси vs доставка); пол и возраст.
- Отдельные когорты: «полная занятость на платформе» vs «подработка».
- Панельный отбор с наращиванием когорт для замещения отбора/падений.
4) Методы анализа (количественные)
- Описательная статистика: распределение доходов, $\mu ,\sigma ,CV$, доля с низкой социальной защитой.
- Разложение дисперсии (within vs between):
- вычислить долю внутриличных колебаний: $\frac{{\text{Var}}_{within}}{{\text{Var}}_{total}}$.
- Панельные модели с фиксированными эффектами:
- модель: $y_{it}={\alpha }_i+\beta X_{it}+\gamma Z_t+{\epsilon }_{it}$, где $y_{it}$ — доход/часы/вероятность провала.
- Различия в различиях (DiD) для оценки влияния платформ или регуляции:
- $y_{it}={\alpha }_i+\delta Pos{t}_t+\theta Treate{d}_i+\beta (Treate{d}_i\times Pos{t}_t)+\dots$ - Инструментальные переменные: использовать экзогенную временную/пространственную вариацию (дата запуска платформы, географическая доступность, погодные шоки) как инструмент для участия в платформе.
- Квантильная регрессия для оценки влияния на низшие перцентили дохода.
- Селективность и выживаемость: модели длительности для времени в платформе; модель переходов между источниками дохода.
- Оценка причинной связи социальных пакетов: полевые эксперименты (RCT) — гарантированный минимум дохода, субсидии на страхование — измерить изменение труда и стабильности.
5) Методы анализа (качественные + смешанные)
- Тематический анализ интервью по восприятию автономии, стратегий по сглаживанию дохода, отношений с платформой.
- Сочетание логов платформ и опросов: валидация самосообщаемых доходов.
- PCA/FA для построения индексов автономии/контроля/уязвимости:
- $Autonom{y}_i={\lambda }_1{z}_{1i}+{\lambda }_2{z}_{2i}+\dots$ (первый PC).
6) Примеры конкретных тестов/метрик риска
- Частота «нищенских» недель: $\frac{1}{T}{\sum }_{t}1(y_{it}<\tau )$.
- Процент дохода, покрываемый непредвиденными расходами (подушка безопасности).
- Доля внутридневных отмен и их влияние на доход: регресс $y_{it}={\alpha }_i+\beta CancelRat{e}_{it}+\dots$.
- Декомпозиция изменений в доходе до/после вмешательства (регуляция/Covid): event study.
7) Практические рекомендации по сбору/этике
- Частота сбора: дневные/еженедельные логи предпочтительнее для волатильности; панель минимум $\text{12}$ месяцев для сезонности.
- Обеспечить согласие, анонимизацию, безопасность GPS/финданных.
- Партнёрство с НКО/профсоюзами для улучшения попадания в уязвимые группы.
Краткое резюме методологии
- Комбинировать платформенные логи + панельные опросы + качественные интервью.
- Измерять нестабильность через $CV$, VaR, частоту провалов и долю внутриличных колебаний.
- Оценивать автономию через индекс, составленный из опросных шкал (PCA), и связывать его с объективными логами (возможность отклонять заказы, отключения и т.д.).
- Для причинной оценки использовать DiD с моментами регуляции/входа платформ и RCT для пилотных социальных гарантий.
Если нужно, могу дать шаблон анкеты (ключевые вопросы), перечень переменных для панели и пример регрессионной спецификации.