Essais en économie : innovation, dynamique d'entreprises et cycles financiers
Bibliographic record
Abstract
Cette thèse est constituée de trois chapitres indépendants. Le premier chapitre décrit comment l’évolution des marchés d’exportation d’une entreprise influe sur ses décisions d’innovation. Le deuxième chapitre analyse la façon dont les (petites) entreprises françaises réagissent à la réglementation fiscale régissant les trois régimes fiscaux auxquels elles peuvent prétendre. Le troisième chapitre détaille comment intégrer des informations sur les déséquilibres financiers dans différents modèles d'écart de production éclaire la position dans le cycle de 8 économies avancées.Le premier chapitre analyse dans quelle mesure l’évolution des marchés d’exportation d’une entreprise influe sur ses brevets. Les entreprises manufacturières françaises brevettent davantage lorsqu’elles sont soumises à un choc de demande étrangère, c’est-à-dire lorsque leurs marchés d’exportation croissent plus fortement de manière exogène. La hausse du nombre de brevets est perceptible deux à cinq ans après un tel choc de demande, mettant en évidence le temps nécessaire pour innover. Cet effet est entièrement imputable aux entreprises initialement les plus productives. Outre ses effets sur l’innovation, un choc de demande étrangère a un effet positif et immédiat sur les ventes et l’emploi des entreprises, et ceci quel que soit leur niveau de productivité. Cette réaction asymétrique de l'innovation à de même chocs de demande découle naturellement d'un modèle d'innovation et de concurrence endogènes avec hétérogénéité des entreprises.Le deuxième chapitre analyse la façon dont les entrepreneurs individuels français réagissent à un saut dans leur imposition, et en identifie les ressorts. Les indépendants français peuvent choisir entre trois régimes fiscaux, qui diffèrent chacun en termes d'incitations fiscales et de simplicité administrative. Dans les deux régimes les plus simples, beaucoup d'indépendants déclarent un chiffre d'affaires juste en dessous du seuil au-delà duquel les individus ne peuvent plus bénéficier de ces régimes. Les entrepreneurs réagissent aux incitations fiscales: la masse d'individus en excès juste en dessous du seuil est plus importante pour ceux qui ont un taux marginal d'imposition plus élevé. Plusieurs schémas de comportements suggèrent que ce regroupement d'individus observé tout près du seuil provient au moins pour partie de déclarations inexactes. Enfin, un modèle structurel de choix de régime confirme le rôle de la fraude et de la simplicité fiscale.Le troisième chapitre évalue comment prendre en compte les cycles financiers dans l’estimation de l’écart de production à l’aide de deux modèles à composantes inobservables -- un filtre Hodrick-Prescott élargi et un modèle semi-structurel -- et un modèle semi-structurel à vecteur autorégressif dans lequel seuls les chocs d’offre sont identifiés. Le crédit aux entreprises et les prix immobiliers permettent de capter l’influence de la sphère financière sur le cycle de l’économie qui ne se verrait pas sur inflation, utilisation des capacités de production ou chômage, les indicateurs usuels du cycle. La qualité de l’estimation de l’écart de production est évaluée à travers sa performance à prévoir les récessions. Les modèles avec variables financières produisent généralement des estimations de l’écart de production plus performantes au détriment d’une volatilité accrue en temps réel. Alors que le filtre HP élargi est très stable en temps réel, sa performance de prédiction est plus faible que celle des deux modèles semi-structurels. Le modèle à vecteur autorégressif avec variables financières présente les meilleures performances de prévision ex-post et des performances similaires au modèle semi-structurel à composantes inobservables en temps réel. Dans l’ensemble, les cycles financiers apparaissent importants au Japon, en Espagne, au Royaume Uni et, dans une moindre mesure, aux États-Unis et en France, alors qu’ils sont relativement contenus au Canada, en Allemagne et en Italie.
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 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.002 |
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; both teacher heads agree on what is shown here.
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".