Notice bibliographique
Résumé
Trois essais sur des technologies financières (Fintech) Cette thèse se compose de trois chapitres et étudie les avantages et coûts des technologies financières (FinTech) pour les consommateurs et les entreprises. Dans le premier chapitre, j’étudie si les plateformes de prêt peer-to-peer (P2P) se substituent aux banques ou les complémentent sur le marché du crédit à la consommation. Je développe un cadre conceptuel dont je dérive des prédictions empiriques qui distinguent ces deux hypothèses. En utilisant un changement réglementaire comme un choc exogène sur l'offre de crédit bancaire, je trouve que le prêt P2P est un substitut au prêt bancaire en termes de service aux emprunteurs bancaires infra-marginaux mais complète les prêts bancaires en ce qui concerne les petits prêts. Ces résultats indiquent que l'expansion du crédit résultant des prêts P2P profitent probablement essentiellement aux emprunteurs ayant déjà accès au crédit bancaire. Le second chapitre se concentre sur un coût potentiel des FinTech: leur intrusion dans la vie privée. En particulier, j'étudie la valeur que les individus attribuent à la protection de leur données personnelles grâce à une expérience de terrain dans laquelle une plateforme de prêt en ligne chinoise fait varier les conditions d’emprunt et les informations collectées auprès des demandeurs de crédit. Les demandeurs de prêt valorisent leurs données personnelles : une réduction de la collecte de données augmente considérablement la probabilité qu’ils complètent leur formulaire de demande de crédit. Je quantifie la valeur monétaire des données personnelles et l’effet sur le bien-être de diverses politiques de collecte d’information grâce à une modélisation structurelle des décisions de divulgation d’information, d’emprunt et de remboursement des individus. En utilisant des données détaillées sur chaque candidature, j'estime que l’identifiant de réseau social et le numéro de téléphone de l’employeur valent 230 RMB (33 USD, soit 70% du salaire quotidien moyen en Chine). Cela représente 8% de la valeur actuelle nette moyenne d'un prêt pour les candidatures acceptées. Exiger des réponses à ces questions réduit le bien-être des emprunteurs de 13% et coûte à la plateforme 0,50 USD de revenus par candidat. Dans le dernier chapitre, je me penche sur les avantages de la FinTech pour les entreprises. Ce chapitre est réalisé en collaboration avec Paul Beaumont (McGill University) et Eric Vansteenberghe (Banque de France, Paris School of Economics). Nous évaluons, pour les petites entreprises française, les avantages relatifs des emprunts auprès des plateformes de financement participatif et des banques traditionnelles. Pour ce faire, nous apparions l’ensemble des prêts aux PME au registre de crédit de la Banque de France pour obtenir un historique complet du crédit aux PME empruntant auprès des plateformes Fintech. Notre principale conclusion est qu'à la suite d'une demande de prêt Fintech réussie, les PME empruntent davantage auprès des banques traditionnelles. Ce résultat est robuste à l'inclusion d'un groupe témoin de PME empruntant auprès des banques. Fait important, l'augmentation du crédit bancaire est cantonnée aux prêts de longs termes, qui nécessitent des garanties. Cela suggère que les plateformes FinTech pourraient étendre l'accès au crédit pour les PME en assouplissant leurs contraintes de collatéral.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,036 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».