Bibliographic record
Abstract
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.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.010 |
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 teacher head, 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".