Notice bibliographique
Résumé
Cette thèse est organisée en trois chapitres où sont développées des méthodes d’analyse économique et économétrique des marchés de l’énergie. Le Chapitre 1 propose une étude des incitations à la manipulation de marché générées par des opportunités de revenir sur ses engagements. Un modèle théorique est développé pour analyser le comportement d’un monopole face à une frange compétitive en présence d’une demande incertaine, de contraintes de capacité, et de possibilités de trahir ses engagements. Les entreprises se concurrencent avec des fonctions d’offre étant donnés leurs engagements. Le monopole revient sur ses engagements lorsqu’il retire sa production engagée en observant la réalisation de l’incertitude. Il peut ainsi exacerber son pouvoir de marché, réduire l’incertitude autour de la demande, et accroitre sa probabilité de devenir un offreur pivot. À l’équilibre, les stratégies d’offre dépendent du volume de production engagée et du coût d’opportunité de la retirer stratégiquement. En particulier, le monopole peut trouver profitable d’offrir sa production à des prix plus élevés lorsqu’il sait qu’il pourra revenir sur ses engagements si la demande est élevée. Finalement, cette stratégie est présentée comme un comportement de manipulation par perte, et des applications aux marchés de l’électricité sont discutées. Dans le Chapitre 2, nous développons de nouveaux résultats pour les régressions fonctionnelles où le prédicteur Z(t) et la réponse Y (t) sont des fonctions d’espaces de Hilbert, indexés par le temps ou l’espace. Le modèle peut être compris comme une généralisation de la régression multivariée où le coefficient de régression est maintenant un opérateur inconnu Π. Nous proposons d’estimer l’opérateur Π par régularisation de Tikhonov, ce qui revient à appliquer une pénalité sur sa norme L2. Nous dérivons le taux de convergence de l’erreur quadratique moyenne, la distribution asymptotique de l’estimateur, et développons des tests sur Π. Comme les trajectoires ne sont généralement pas complètement observables, nous considérons une situation où les données deviennent de plus en plus fréquentes (asymptotique de remplissage). Nous traitons aussi le cas où Z est endogène et des variables instrumentales sont utilisées afin d’estimer Π. Une application à la consommation d’électricité complète l’article. Le Chapitre 3 propose une nouvelle approche pour l’analyse empirique des enchères à unités multiples, dans lesquelles les participants choisissent des fonctions d’offre ou de demande. Cette approche permet d’évaluer le pouvoir de marché des entreprises dans une cadre d’information privée, en évitant d’avoir à modéliser le mécanisme du marché. Elle repose sur des méthodes économétriques qui traitent les fonctions de mise comme des éléments aléatoires à valeurs fonctionnelles. Notamment, un estimateur fonctionnel à variable instrumentale est développé. La méthode est appliquée au marché de l’électricité de l’état de New York sur des données micro-économiques de mises et de coûts à l’échelle des entreprises pour 2013-2015. J’estime le pouvoir de marché unilatéral des entreprises et compare les comportements observés aux comportements maximisant les profits sous information privée. Je trouve un faisceau d’indices sérieux de comportement optimal, qui suggère que les entreprises sont au courant de leur pouvoir de marché et se comportent en conséquence.
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 | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,005 |
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 ».