Коротко: предложу рабочие гипотезы, набор индикаторов, данные и план анализа для выявления предрасположенности работников платформ (Uber, Deliveroo) к стихийной профсоюзной мобилизации.
Гипотезы (операционально):
- H1 (экономическая напряжённость): высокая волатильность и падение дохода повышают готовность к мобилизации.
- H2 (прямое наказание и несправедливость): рост доли деактиваций/санкций и внезапных правил ↑ мобилизацию.
- H3 (социальная связность): высокая плотность и централизация коммуникационных сетей (чатов, соцсетей) облегчает спонтанные коллективные действия.
- H4 (опыт успеха/интерес): наличие локальных побед или прецедентов повышает вероятность новых мобилизаций.
- H5 (информационная прозрачность): отсутствие прозрачности алгоритмов/метрик усиливает восприятие несправедливости и мобилизацию.
- H6 (временные шоки): резкие внешние шоки (пандемия, цены на топливо) увеличивают вероятность всплесков мобилизации.
Ключевые переменные и источники данных:
- Поведенческие: число/статус заданий, часы, средний доход на час/заезд, отмены, отклонения.
- Алгоритмические: изменения правил/тарифов, частота перерасчётов, деактивации.
- Социальные/коммуникационные: активность в рабочих чатах/форумах, топики, лидеры, количество уникальных участников.
- Протестные события: объявления, пикеты, забастовки, число участников.
- Контекстные: локальные цены на топливо, законодательные изменения, пандемия.
Источники: платформенные логи (если доступны), скрейпинг форумов/Telegram/FB, опросы/панели работников, новостные ленты, административные данные.
Индикаторы (как измерять):
- Доходная волатильность: стандартное отклонение дохода за период:
${\sigma }_{inc}=\sqrt{\frac{1}{T}{\sum }_{t=1}^T(in{c}_t-\overline{inc}{)}^2}$.
- Относительное падение дохода: ${\Delta }_{inc}=\frac{in{c}_t-in{c}_{t-1}}{in{c}_{t-1}}$.
- Доля деактиваций/санкций: $d=\frac{\#deactivated}{N}$.
- Частота ислользования отмены/отказа: $r_{rej}=\frac{\#rejections}{\#assignments}$.
- Индекс неопределённости алгоритма (по опросу/анкетам): средняя оценка непонятности шкалы 1–5.
- Плотность коммуникационной сети: если сеть с $n$ узлами и $m$ рёбрами, плотность $D=\frac{2m}{n(n-1)}$.
- Централизация/ролевая концентрация (например, степенная центральность): доля сообщений, приходящихся на топ-k участников.
- Кластеризация (локальная связность): средний кластерный коэффициент $C$.
- Индекс претензий (grievance rate): доля работников, сообщивших о жалобе в опросе.
- Исторический успех: бинарная переменная наличия успешной локальной акции в прошлом году.
Композитный индекс предрасположенности (пример):
- Нормализовать переменные в Z-оценки и взвесить:
$\mathrm{MPI}={\sum }_i{w}_{i}Z(x_i)$,
где $x_i$ — индикаторы (например, $x=\{{\sigma }_{inc},d,r_{rej},D,C^{-1},grievance\}$) и $\sum w_i=1$. Высокий MPI → высокая предрасположенность.
План анализа (шаги):
1. Сбор и предобработка:
- временные ряды по регионам/городам; агрегация по неделям/дням;
- очистка сетевых данных, дедупликация участников.
2. Описательная статистика:
- тренды доходов, деактиваций, активности чатов; визуализация всплесков.
3. Сетевой анализ:
- вычислить плотность, центральность, кластеризацию; выявить лидеров/инфлюенсеров;
- тест на наличие "малых миров" и сильно связанных компонент.
4. Ковариационно-каузальный анализ:
- логистическая регрессия на вероятность вспышки мобилизации $Y$ (0/1):
$\mathrm{Pr}(Y=1|X)=\frac{1}{1+\exp (-X\beta )}$.
- Cox-функция риска для времени до акции:
$h(t|X)=h_0(t)\exp (X\beta )$.
- оценить вклад каждого индикатора, контроль по времени и региону.
5. Анализ влияния шоков и изменений правил:
- разностные в разностях (DiD) при введении тарифных/правиловых шоков.
- change-point detection для выявления точек перелома.
6. Временные и причинно-следственные связи:
- Granger-проверки: коммуникационная активность → последующие акции?
- VAR-модели для взаимосвязей индикаторов.
7. Моделирование распространения мобилизации:
- пороговые/сетевые модели диффузии (Granovetter-подобные): вероятность участия зависит от доли знакомых, уже вовлечённых.
8. Валидация и robustness:
- перекрёстная валидация, placebo-тесты, учёт замещающих факторов (погода, праздники).
9. Интерпретация и визуализация:
- карты горячих точек, графы лидеров, вклад переменных в MPI.
Методы тестирования гипотез:
- Проверять позитивные коэффициенты β в логистической/Cox-модели для H1–H6.
- Тесты значимости, доверительные интервалы, эффект размеров (odds ratios).
- Сравнение ROC/AUC для прогностических моделей (MPI vs. отдельные индикаторы).
Практические сигналы раннего оповещения (простые триггеры):
- за неделю: ${\Delta }_{inc}<-10\%$ и одновременно $d$ увеличился на >50% относительно медианы → высокий риск;
- быстрый рост активности в рабочих чатах (>х2 за 3 дня) + высокая централизация сообщений на нескольких лидерах;
- повышенная частота отказов/отмен и рост жалоб в опросах.
Коротко о верификации: комбинируйте цифровые следы (логи, чаты) и опросы — одних логов часто недостаточно для мотивации; сетевые признаки + экономические шоки дают наилучший прогноз.
Если хотите, могу предложить конкретную спецификацию регрессии и пример весов для MPI по вашим данным.