Essais en microéconomie appliquée
Notice bibliographique
Résumé
La thèse comporte trois essais en microéconomie appliquée. En utilisant des modèles\nd’apprentissage (learning) et d’externalité de réseau, elle étudie le comportement des\nagents économiques dans différentes situations. Le premier essai de la thèse se penche\nsur la question de l’utilisation des ressources naturelles en situation d’incertitude et\nd’apprentissage (learning). Plusieurs auteurs ont abordé le sujet, mais ici, nous étudions\nun modèle d’apprentissage dans lequel les agents qui consomment la ressource ne formulent\npas les mêmes croyances a priori. Le deuxième essai aborde le problème générique\nauquel fait face, par exemple, un fonds de recherche désirant choisir les meilleurs parmi\nplusieurs chercheurs de différentes générations et de différentes expériences. Le troisième\nessai étudie un modèle particulier d’organisation d’entreprise dénommé le marketing multiniveau\n(multi-level marketing).\nLe premier chapitre est intitulé "Renewable Resource Consumption in a Learning Environment\nwith Heterogeneous beliefs". Nous y avons utilisé un modèle d’apprentissage\navec croyances hétérogènes pour étudier l’exploitation d’une ressource naturelle en situation\nd’incertitude. Il faut distinguer ici deux types d’apprentissage : le adaptive learning\net le learning proprement dit. Ces deux termes ont été empruntés à Koulovatianos et al\n(2009). Nous avons montré que, en comparaison avec le adaptive learning, le learning a un\nimpact négatif sur la consommation totale par tous les exploitants de la ressource. Mais\nindividuellement certains exploitants peuvent consommer plus la ressource en learning\nqu’en adaptive learning. En effet, en learning, les consommateurs font face à deux types\nd’incitations à ne pas consommer la ressource (et donc à investir) : l’incitation propre qui\na toujours un effet négatif sur la consommation de la ressource et l’incitation hétérogène\ndont l’effet peut être positif ou négatif. L’effet global du learning sur la consommation\nindividuelle dépend donc du signe et de l’ampleur de l’incitation hétérogène. Par ailleurs,\nen utilisant les variations absolues et relatives de la consommation suite à un changement\ndes croyances, il ressort que les exploitants ont tendance à converger vers une décision\ncommune.\nLe second chapitre est intitulé "A Perpetual Search for Talent across Overlapping\nGenerations". Avec un modèle dynamique à générations imbriquées, nous avons étudié\niv\ncomment un Fonds de recherche devra procéder pour sélectionner les meilleurs chercheurs\nà financer. Les chercheurs n’ont pas la même "ancienneté" dans l’activité de recherche.\nPour une décision optimale, le Fonds de recherche doit se baser à la fois sur l’ancienneté et\nles travaux passés des chercheurs ayant soumis une demande de subvention de recherche.\nIl doit être plus favorable aux jeunes chercheurs quant aux exigences à satisfaire pour être\nfinancé. Ce travail est également une contribution à l’analyse des Bandit Problems. Ici, au\nlieu de tenter de calculer un indice, nous proposons de classer et d’éliminer progressivement\nles chercheurs en les comparant deux à deux.\nLe troisième chapitre est intitulé "Paradox about the Multi-Level Marketing (MLM)".\nDepuis quelques décennies, on rencontre de plus en plus une forme particulière d’entreprises\ndans lesquelles le produit est commercialisé par le biais de distributeurs. Chaque distributeur\npeut vendre le produit et/ou recruter d’autres distributeurs pour l’entreprise.\nIl réalise des profits sur ses propres ventes et reçoit aussi des commissions sur la vente\ndes distributeurs qu’il aura recrutés. Il s’agit du marketing multi-niveau (multi-level marketing,\nMLM). La structure de ces types d’entreprise est souvent qualifiée par certaines\ncritiques de système pyramidal, d’escroquerie et donc insoutenable. Mais les promoteurs\ndes marketing multi-niveau rejettent ces allégations en avançant que le but des MLMs est\nde vendre et non de recruter. Les gains et les règles de jeu sont tels que les distributeurs\nont plus incitation à vendre le produit qu’à recruter. Toutefois, si cette argumentation\ndes promoteurs de MLMs est valide, un paradoxe apparaît. Pourquoi un distributeur qui\ndésire vraiment vendre le produit et réaliser un gain recruterait-il d’autres individus qui\nviendront opérer sur le même marché que lui? Comment comprendre le fait qu’un agent\npuisse recruter des personnes qui pourraient devenir ses concurrents, alors qu’il est déjà\nétabli que tout entrepreneur évite et même combat la concurrence. C’est à ce type de\nquestion que s’intéresse ce chapitre. Pour expliquer ce paradoxe, nous avons utilisé la\nstructure intrinsèque des organisations MLM. En réalité, pour être capable de bien vendre,\nle distributeur devra recruter. Les commissions perçues avec le recrutement donnent\nun pouvoir de vente en ce sens qu’elles permettent au recruteur d’être capable de proposer\nun prix compétitif pour le produit qu’il désire vendre. Par ailleurs, les MLMs ont une\nstructure semblable à celle des multi-sided markets au sens de Rochet et Tirole (2003,\n2006) et Weyl (2010). Le recrutement a un effet externe sur la vente et la vente a un effet\nexterne sur le recrutement, et tout cela est géré par le promoteur de l’organisation. Ainsi,\nsi le promoteur ne tient pas compte de ces externalités dans la fixation des différentes\ncommissions, les agents peuvent se tourner plus ou moins vers le recrutement.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,075 | 0,021 |
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 ».