Emil Palikot will defend his PhD Thesis in economics on « Essays in Industrial Organization » Friday 5 June 2020 at 10:00 AM
Zoom meeting
Supervisor: Professor Marc Ivaldi
If you want to join the meeting, please contact Marc Ivaldi.
Memberships are:
- Professor, Paul Heidhues, Heinrich-Heine-Universität Düsseldorf
- Professor, Nathan Miller, Georgetown University
- Professor, Bruno Jullien, Toulouse School of Economics
- Professor, Mathias Reynaert, Toulouse School of Economics
Abstract (in French):
Cette thèse est composée de trois chapitres. Le premier chapitre (rédigé en collaboration avec Matias Pietola), fournit un modèle théorique de règlements ‘pay-for-delay’ avec plusieurs firmes. Le deuxième chapitre (en collaboration avec Xavier Lambin) étudie l’impact de la réputation digitale sur la discrimination ethnique. Le troisième chapitre (rédigé en collaboration avec Rossi Abi Rafeh) développe et estime un modèle de dynamique industrielle.
Le premier chapitre est motivé par les cas récents de politique de concurrence dans le domaine pharmaceutique et analyse les relations entre les règlements ‘pay-for-delay’, les contrats de licence et les litiges. Notre analyse met en lumière les externalités de ces contrats: les règlements pay-for-delay réduisent la concurrence, ce qui encourage l’entrée dans le marché; les contrats de licence et le litige rendent l’entrée moins rentable. Avec plusieurs entrants en cours, le titulaire du brevet exploite ces externalités en proposant des accords de licence à certains entrants ou en poursuivant des contentieux afin de diminuer le coût des contrats dilatoires offerts aux autres. Le nombre des entrants tardifs augmente en fonction de la solidité du brevet. Les entrants sans règlements ‘pay-for-delay’ poursuivent des contentieux des brevets de solidité intermédiaire ; sinon, ils reçoivent des accords de licence. Le deuxième chapitre montre que les systèmes de réputation peuvent atténuer la discrimination ethnique en permettant les vendeurs appartenant à des minorités ethniques de construire une bonne réputation rapidement, ce qui entraîne les acheteurs d’actualiser leurs convictions. En utilisant une base de données collectée sur une plateforme de covoiturage, nous trouvons qu’ en absence d’avis, les conducteurs membres des minorités ethniques gagnent 12\% moins de revenue par rapport aux conducteurs non membres des minorités. Cette disparité diminue progressivement en fonction du nombre d’avis et disparaît presque complètement pour les conducteurs expérimentés. Pour comprendre le mécanisme derrière ce processus, nous concevons un modèle de ‘career concerns’ des vendeurs discriminés en présence d’un système de réputation. Les estimations du modèle montrent que les conducteurs appartenant à des minorités ethniques, qui viennent d’entrer dans la plateforme, font face à des convictions trop pessimistes quant à la qualité de leur service. Pour changer ces convictions, ils exercent de grands efforts et proposent des bas prix de lancement, pour renforcer rapidement leur réputation. Des simulations contrefactuelles révèlent que le coût des croyances antérieures erronées est élevé et que le système de réputation bénificie strictement aux conducteurs des minorités ethniques.
Le dernier chapitre étudie l’entrée sur un marché avec un système de réputation et les décisions de formation de prix des vendeurs. Nous proposons un modèle d’oligopole dynamique avec une hétérogénéité des coûts marginaux et
des coûts d’opportunité, et avec la réputation individuelle comme une variable d’état. Nous montrons que les nouveaux vendeurs sont généralement moins susceptibles de rejoindre la plateforme par rapport aux anciens, et les vendeurs avec une faible chance de rejoindre dans les périodes suivantes mettent des prix moyens plus élevés. Le mécanisme derrière ces résultats est la sélection selon les coûts marginaux. Notre modèle s’appuie sur une base de données de vendeurs sur une grande plateforme d’un marché de covoiturage. Nous constatons une corrélation négative des utilisateurs expérimentés de la plateforme, mesurée par le nombre d’avis et les prix déterminés par les conducteurs. Cependant, après avoir pris en compte les caractéristiques non observées des conducteurs, dont lesquelles on interprète comme coûts marginaux, nous trouvons une relation positive. Par ailleurs, en étudiant les décisions d’une nouvelle entrée sur la plateforme, nous démontrons la sélection des non-observables. Finalement, nous découvrons la distribution des coûts d’opportunité, en calibrant notre modèle dynamique.
