Dans son ouvrage, Le capital au XXI e siècle , Thomas Piketty souligne les risques d’une explosion des inégalités de patrimoine, car le capital augmenterait plus vite que le revenu dans plusieurs pays, dont la France. Dans cette note, nous montrons que cette conclusion n’est pas plausible. Elle dépend de la hausse d’une seule des composantes du capital : le capital logement. Le capital dit « productif », hors immobilier, n’a que légèrement augmenté dans les dernières décennies, et sur le long terme, n’est pas en hausse tendancielle. Ensuite, si la valeur du capital immobilier mesurée dans les comptabilités nationales a augmenté sur cette période, c’est en raison de la hausse des prix de l’immobilier, qui ont crû beaucoup plus vite que les loyers et que les revenus depuis 2000. Or, les prix de l’immobilier ne sont pas nécessairement corrélés aux revenus du capital logement. Ce sont au contraire les loyers qui le sont, et donc qui importent pour la dynamique des inégalités : ils représentent à la fois les revenus du capital des propriétaires-bailleurs et les dépenses économisées des propriétaires-occupants. Cela ne signifie pas que les prix de l’immobilier n’ont aucun impact sur les inégalités.
The problem of demand inversion – a crucial step in the estimation of random utility discrete-choice models – is equivalent to the determination of stable outcomes in two-sided matching models. This equivalence applies to random utility models that are not necessarily additive, smooth, nor even invertible. Based on this equivalence, algorithms for the determination of stable matchings provide effective computational methods for estimating these models. For non-invertible models, the identified set of utility vectors is a lattice, and the matching algorithms recover sharp upper and lower bounds on the utilities. Our matching approach facilitates estimation of models that were previously difficult to estimate, such as the pure characteristics model. An empirical application to voting data from the 1999 European Parliament elections illustrates the good performance of our matching-based demand inversion algorithms in practice.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.