Efficacité et efficience statique et dynamique dans la régulation des télécommunications
Bibliographic record
Abstract
Cet article se propose de faire un réexamen des facteurs d’inefficacité de la régulation des télécommunications en mettant en avant le rôle de l’opportunisme qui lui est associé et les coûts de transaction qu’elle génère pour les firmes. En effet, bien que la présence d’organes de régulation dans cet environnement soit justifiée par le souci pour les pouvoirs publics de corriger les défaillances de tels marchés, l’évolution rapide de la technologie des télécommunications rend inadaptés les éléments caractéristiques de la régulation dans ce secteur (les objectifs, les outils et le processus décisionnel). Sujette à l’opportunisme et génératrice des coûts de transaction, la régulation des télécommunications, si elle permet d’assurer l’efficience statique au sens où la concurrence qu’elle favorise peut aider à réduire le pouvoir de marché des firmes, et donc à l’accroissement du surplus des consommateurs, elle est cependant loin d’intégrer les aspects inhérents à la dynamique propre du secteur des télécommunications, ceux qui conduiraient à l’efficience dynamique. D’où la nécessité de concevoir un système de régulation optimal intégrant les modèles dynamiques qui puissent concilier efficience statique et efficience dynamique.
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 | 0.007 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".