An Empirical Model of Industry Dynamics with Common Uncertainty and\nLearning from the Actions of Competitors
Notice bibliographique
Résumé
This paper advances our collective knowledge about the role of learning\nin retail agglomeration. Uncertainty about new markets provides an\nopportunity for sequential learning, where one rm s past entry\ndecisions signal to others the potential pro tability of risky markets.\nThe setting is Canada s hamburger fast food industry from its early days\nin 1970 to 2005, for which simple analysis of my unique data reveals\nempirical patterns pointing towards retail agglomeration. The notion\nthat uninformed potential entrants have an incentive to learn, but not\ninformed incumbents, motivates an intuitive double-di¤erence\napproach that separately identi es learning by exploiting\ndi¤erences in the way potential entrants and incumbents react to\nspillovers. This identi cation strategy con rms that information\nexternalities are key drivers of agglomeration. Esti- mates from a\ndynamic oligopoly model of entry with information externalities provide\nfurther evidence of learning, as I show that common uncertainty matters.\nCounterfac- tual analysis reveals that an industry with uncertainty is\ninitially less competitive than an industry with certainty, but catches\nup over time. Furthermore, there are many instances in which chains\nenter markets they would have avoided had they not faced uncertainty.\nFinally, consistent with the interpretation of uncertainty as an entry\nbarrier, I nd that chains place signi cant premiums on certainty at\nproportions beyond 2% of their total value from being monopolists.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».