Économétrie de la concurrence entre produits différenciés : théorie et méthodes empiriques*
Bibliographic record
Abstract
La concentration industrielle n’a cessé d’augmenter ces 20 dernières années. Cette concentration est présente autant chez les producteurs que chez les distributeurs. Il est donc devenu primordial de mesurer le pouvoir de marché des différents acteurs et d’analyser les interactions concurrentielles entre ces divers intermédiaires. Les méthodes d’économétrie structurelle permettent de mesurer empiriquement ce pouvoir de marché. Cet article propose donc une revue de la littérature sur les méthodologies structurelles permettant d’estimer les marges des acteurs du marché à partir de paramètres estimés de la demande et de tester différentes interactions stratégiques entre les membres de l’industrie. L’objectif est de faire le point sur les modèles utilisés pour estimer la demande, en l’occurrence les modèles de choix discrets tels que les logit multinomiaux, et de résumer les méthodes permettant d’obtenir les paramètres structurels des modèles de concurrence oligopolistique entre distributeurs et producteurs. Nous présenterons également les développements récents de la modélisation des interactions stratégiques et des relations verticales entre producteurs et distributeurs ainsi que les méthodes permettant de tester différentes hypothèses sur les relations horizontales et verticales.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.019 | 0.059 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".