Essais en microéconomie appliquée
Bibliographic record
Abstract
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.
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.010 | 0.009 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.075 | 0.021 |
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".