Digital Platforms and Antitrust
Notice bibliographique
Résumé
Abstract At the heart of economic activity, digital platforms connect multi-sided markets of producers and consumers of various goods and services. Their market power and privileged ecosystem position raise concerns that they may engage in anti-competitive practices that reduce innovation and consumer welfare. This chapter deals with the role of market competition and regulation in addressing these concerns. Traditional (ex post) antitrust intervention will be less effective in markets driven by network effects unless it is combined with a proper (ex ante) regulatory framework. Antitrust tools should focus on value creation and its distribution before focusing on competition. The scope of regulatory intervention should satisfy three criteria: (1) value creation from operation of the platforms does not decrease due to the policy intervention; (2) allocative efficiency is based on distributing the value created in a fair way among market participants; (3) dynamic efficiency and competition ensure that incentives for market misconduct and anti-competitive strategies such as artificial entry barriers are eliminated. Market interventions that target a firm’s market power should ideally retain value creation while also encouraging small firm entry and innovation. Data has a central role in online markets. Value creation is reinforced through a recursive data capture and data deployment feedback loop enabled by machine learning technologies. A regulatory intervention that facilitates data sharing mechanisms, such that data will not only confer value to market leaders but also to their competitors to the benefit of consumers, is crucial for creating more competitive and innovative digital markets.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».