Essais empiriques sur les asymétries d'information sur les plateformes numériques

Empirical essays on information asymmetries on digital platforms

• Auteur / Autrice : Chiara Belletti
• Direction : Ulrich Laitenberger
• Type : Thèse de doctorat
• Discipline(s) : Sciences économiques
• Date : Soutenance le 24/05/2024
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Centre de recherche en économie et statistique (France) - CREST - Centre de Recherche en économie et Statistique
• Partenaire(s) de recherche : Etablissement opérateur d'inscription : Télécom Paris (Palaiseau, Essonne ; 1878-....)
• Jury : Président / Présidente : Marc Bourreau
• Jury : Examinateurs / Examinatrices : Marc Bourreau, Tobias Kretschmer, José De Sousa
• Jury : Rapporteurs / Rapporteuses : Tobias Kretschmer, José De Sousa

Mots clés

Mots clés contrôlés

Effets des innovations technologiques

Organisation du travail

Développement économique -- Effets des innovations technologiques

Asymétrie d'information

Mots clés libres

Plateformes Numériques

Asymétries d'Information

Systèmes de réputation

Travail en Ligne

Digital Platforms

Information Asymmetries

Reputation Systems

Online Labor

Résumé

Cette thèse étudie les problèmes liés à l’asymétrie d’information dans les marchés numériques. Elle vise à comprendre le comportement des agents économiques lorsque les outils de réputation standard, tels que les évaluations des consommateurs, peuvent être insuffisants. Le premier chapitre examine l’impact des préoccupations de "fin de jeu” sur l’efficacité des systèmes de réputation dans les marchés numériques. En utilisant des données d’Airbnb, le chapitre analyse les d´décisions d’effort des hôtes anticipant leur départ en raison de la non-conformité à une réglementation de location à court terme dans la ville de Los Angeles. Avec une approche de Différence-en-Différences et une Etude d’Evènement, nous comparons comment les notes liées à l’effort d’un hôte ont changé, par rapport aux notes sur l’emplacement de son logement, après l’annonce de la réglementation et pendant sa mise en œuvre. Les résultats révèlent une diminution statistiquement significative des notes liées à l’effort, soulignant les limites des systèmes de réputation pour aborder l’aléa moral dans un jeu fini. Les deuxième et troisième chapitres de cette thèse étudient le comportement des entreprises et des travailleurs sur une plateforme commerciale de travail à la tâche caractérisée par l’anonymat et des interactions limitées entre employeurs et employés. Le deuxième chapitre fournit des aperçus descriptifs sur la manière dont les plateformes de travail à la tâche sont utilisées pour externaliser des tâches liées à l’IA. L’étude commence par fournir du contexte sur la plateforme étudiée et dévoile une demande croissante pour des micro-tâches liées au travail de données. Le chapitre examine également comment les entreprises assurent la qualité d’exécution des tâches grâce à la sélection des travailleurs, à la fixation des salaires et à la surveillance.Un cadre de régression permet d’identifier les facteurs spécifiques qui distinguent la demande de travail de données des autres tâches. Le plus grand ciblage de la demande vers des groupes prédéfinis de contributeurs basés sur l’expérience ou la localisation géographique, ainsi qu’une probabilité de rejet plus élevée pour les t ˆaches d’annotation de données, soulignent l’importance de la qualité d’exécution pour les entreprises externalisant dans ce domaine. Le dernier chapitre explore un problème Principal-Agent, affectant la qualité d’exécution des tâches d’annotation de données sur les plateformes de micro-tâches.Ce problème ne peut pas être adéquatement traité avec une approche de forme réduite. Il découle de la surveillance peu fréquente de la qualité du travail par les entreprises, favorisant l’aléa moral chez les travailleurs. Un modèle structurel évalue l’ équilibre de l’offre et de la demande d’effort, révélant que les métriques reposant sur l’observation du rejet des tâches sous-estiment la qualité. L’ étude propose une correction plus précise basée sur le taux de surveillance propre à l’entreprise et simule des régimes d’incitations contrefactuels. Les exercices de simulation révèlent qu’une pénalité salariale pour les travailleurs ayant des tâches rejetées pourrait induire un effort plus élevé et nécessiter moins de surveillance.Une approche alternative, bien que plus coûteuse pour la plateforme, pour encourager l’effort, implique de fournir des subventions pour les efforts de surveillance des entreprises.

This thesis studies issues related to information asymmetry in digital markets. It aims at understanding the behavior of economic agents when standard reputation tools, such as ratings and reviews, may fall short.The first chapter investigates the impact of end-of-game concerns on the effectiveness of reputation systems as monitoring tools in digital markets. Using data from Airbnb, the chapter examines the effort decisions of hosts anticipating their exit due to non-compliance with a short-term rental regulation in the City of Los Angeles. With a Difference-in-Differences and Event Study approach, we compare how listing's effort-related ratings changed, compared to ratings on location, after the regulation announcement and during its implementation. The findings reveal a statistically significant decrease in effort-related ratings during the hosts' final periods, highlighting the limitations of reputation systems in addressing moral hazard within a finite game.The second and third chapters of this thesis study firm and worker behavior on a commercial crowd-working platform characterized by anonymity and limited employer-employee interactions.The second chapter provides descriptive insights into how crowd-working platforms are used for outsourcing AI-related tasks, particularly focusing on data training. The study begins by providing context on the platform under study and unveiling a recent growing demand for crowd-sourced data work. The chapter also examines how firms ensure tasks' execution quality through worker selection, wage setting, and monitoring. A regression framework allows for the identification of specific factors that distinguish demand for data work from other tasks. The higher targeting of demand towards predefined groups of contributors based on experience or geographic location, along with a larger rejection probability for data annotation tasks, underscores the importance of quality execution for firms outsourcing in this domain.The final chapter explores a Principal-Agent problem arising from monetary incentives, affecting the quality of the execution of data annotation tasks on crowd-sourced platforms. This problem cannot be adequately addressed with a reduced form approach. It stems from firms infrequently monitoring the quality of work, fostering moral hazard by the workers. A structural model assesses the equilibrium demand and supply of effort, revealing that metrics relying on observed task rejection underestimate quality. The study suggests a more accurate back-of-the-envelope correction based on a firm's own monitoring rate and simulates counterfactual incentive schemes. The simulation exercises reveal that a wage penalty for workers with rejected tasks could induce higher effort, increase platform revenue, require less monitoring, and enhance the potential of the platform. An alternative approach, although more costly for the platform, to encourage effort and reduce the likelihood of overlooking poor quality, implies providing subsidies for firms' monitoring efforts.