Skip to content

Pesquisa em Ação — Capítulo 21

Paper 1 — Rochet, J.-C.; Tirole, J. (2003). Platform Competition in Two-Sided Markets

Referência: Rochet, J.-C.; Tirole, J. (2003). Platform Competition in Two-Sided Markets. Journal of the European Economic Association, 1(4), 990–1029. DOI: 10.1162/154247603322493212

Contexto: Este paper seminal formalizou a teoria dos mercados bilaterais, demonstrando que a estrutura de preços (e não apenas o nível total) é determinante para a alocação em mercados onde plataformas conectam dois ou mais grupos de agentes. Antes deste trabalho, a teoria de preços de monopólio tratava intermediários como firmas unilaterais.

Método: Modelagem teórica. Os autores desenvolvem um modelo de plataformas monopolistas e competitivas que servem dois lados com externalidades cruzadas. A condição de otimalidade inclui um "desconto de externalidade" — o preço cobrado de cada lado é reduzido na proporção da externalidade que esse lado gera para o outro.

Resultado principal: A precificação ótima de plataformas bilaterais é inerentemente assimétrica: o lado que gera maior externalidade cruzada (ou que tem maior elasticidade-preço) deve ser subsidiado, enquanto o outro lado paga mais. A regra se assemelha à precificação de Ramsey, mas modificada para incorporar externalidades entre lados.

Impacto: O paper redefiniu a análise antitruste de plataformas digitais. Preços abaixo do custo marginal para um lado deixaram de ser automaticamente suspeitos de prática predatória. A contribuição foi central para o Prêmio Nobel de Jean Tirole (2014) e influenciou diretamente o Digital Markets Act europeu.

Conexão com o capítulo: Seção 21.3 (modelo de Rochet-Tirole, equações 21.7–21.13).

Paper 2 — Parker, G.; Van Alstyne, M. (2005). Two-Sided Network Effects: A Theory of Information Product Design

Referência: Parker, G.; Van Alstyne, M. (2005). Two-Sided Network Effects: A Theory of Information Product Design. Management Science, 51(10), 1494–1504. DOI: 10.1287/mnsc.1050.0400

Contexto: Este paper analisa como efeitos de rede bilaterais afetam o design de produtos de informação, particularmente a decisão de quanto conteúdo ou funcionalidade oferecer gratuitamente versus cobrar.

Método: Modelo teórico de plataforma bilateral com efeitos de rede cruzados. Os autores analisam a escolha ótima de "abertura" da plataforma (quanto conteúdo é gratuito versus pago) e demonstram que a estratégia ótima depende da intensidade dos efeitos de rede indiretos.

Resultado principal: A plataforma maximizadora de lucro pode ter incentivo a distribuir gratuitamente uma versão do produto a um lado do mercado para atrair o outro lado — uma formalização da estratégia freemium. A "doação" estratégica de valor gera mais receita do que a cobrança de ambos os lados.

Conexão com o capítulo: Seções 21.3 (subsídio cruzado) e 21.5 (modelo ad-supported).

Paper 3 — Katz, M.; Shapiro, C. (1985). Network Externalities, Competition, and Compatibility

Referência: Katz, M.; Shapiro, C. (1985). Network Externalities, Competition, and Compatibility. American Economic Review, 75(3), 424–440.

Contexto: Paper fundacional sobre efeitos de rede e suas consequências para a competição e a adoção de tecnologias. Publicado décadas antes da era das plataformas digitais, antecipou com precisão os fenômenos de tipping, lock-in e winner-take-all observados hoje.

Método: Modelo teórico de competição entre firmas que oferecem produtos com externalidades de rede. Consumidores heterogêneos escolhem entre produtos incompatíveis, e suas decisões geram complementaridades estratégicas.

Resultado principal: Mercados com externalidades de rede tendem a apresentar equilíbrios múltiplos, incluindo equilíbrios ineficientes em que a tecnologia inferior domina (path dependence). A compatibilidade entre produtos (interoperabilidade) pode melhorar o bem-estar ao permitir que os efeitos de rede operem entre plataformas, não apenas dentro delas.

Conexão com o capítulo: Seção 21.2 (modelo formal de efeitos de rede, equações 21.2–21.6) e Seção 21.4 (competição entre plataformas).

Paper 4 — Acquisti, A.; Taylor, C.; Wagman, L. (2016). The Economics of Privacy

Referência: Acquisti, A.; Taylor, C.; Wagman, L. (2016). The Economics of Privacy. Journal of Economic Literature, 54(2), 442–492. DOI: 10.1257/jel.54.2.442

Contexto: Survey abrangente sobre a economia da privacidade, cobrindo desde modelos teóricos de divulgação de informação até evidência empírica sobre comportamento dos consumidores e impactos de regulação.

Método: Revisão da literatura teórica e empírica. Os autores organizam a literatura em torno de três temas: (i) quando a privacidade é valiosa ou prejudicial para os indivíduos; (ii) o "paradoxo da privacidade" (indivíduos declaram valorizar privacidade mas a cedem facilmente); (iii) impactos de regulação de dados sobre firmas, consumidores e inovação.

Resultado principal: A análise de bem-estar da privacidade é ambígua: maior fluxo de informação pode beneficiar consumidores (via personalização e eficiência) mas também prejudicá-los (via discriminação de preços e manipulação). O "paradoxo da privacidade" pode refletir vieses comportamentais (Capítulo 8) mais do que preferências genuínas. A regulação ótima depende do contexto e do equilíbrio entre os benefícios informacionais e os custos de exploração.

Conexão com o capítulo: Seção 21.6 (privacidade como externalidade, equação 21.17, LGPD e GDPR).

Paper 5 — Calvano, E.; Calzolari, G.; Denicolò, V.; Pastorello, S. (2020). Artificial Intelligence, Algorithmic Pricing, and Collusion

Referência: Calvano, E.; Calzolari, G.; Denicolò, V.; Pastorello, S. (2020). Artificial Intelligence, Algorithmic Pricing, and Collusion. American Economic Review, 110(10), 3267–3297. DOI: 10.1257/aer.20190623

Contexto: Este paper investiga experimentalmente se algoritmos de aprendizado por reforço (Q-learning) podem aprender a coludir em preços — sem que nenhum programador instrua explicitamente a colusão.

Método: Simulação computacional. Os autores configuram algoritmos de Q-learning para jogar repetidamente um jogo de oligopólio (Bertrand com bens diferenciados), onde os algoritmos aprendem a melhor resposta por tentativa e erro. Os autores analisam se os preços convergem para o equilíbrio de Nash competitivo ou para preços supracompetitivos (colusivos).

Resultado principal: Os algoritmos sistematicamente convergem para preços acima do equilíbrio de Nash — e desenvolvem estratégias sofisticadas de punição quando um "concorrente" tenta desviar, sustentando a colusão. Crucialmente, essa coordenação emerge sem comunicação explícita entre os algoritmos, desafiando o framework legal antitruste baseado em "acordos" entre concorrentes.

Impacto: O paper desencadeou um debate regulatório global sobre "colusão algorítmica" e a adequação do direito concorrencial para lidar com coordenação emergente de inteligência artificial. Autoridades antitruste na UE, EUA e Brasil estão avaliando como adaptar a legislação.

Conexão com o capítulo: Seção 21.7.3 (precificação algorítmica e risco de colusão).

Exercício com Inteligência Artificial

Prompt sugerido para ChatGPT/Claude: "Simule um mercado bilateral com duas plataformas competindo por 1.000 usuários e 100 anunciantes. Cada plataforma pode escolher o preço para usuários (p_U) e para anunciantes (p_A). A utilidade dos usuários na plataforma k é u = 5 + 0,1 × n_A(k) − p_U(k), onde n_A(k) é o número de anunciantes. A utilidade dos anunciantes é w = 2 × n_U(k) − p_A(k). Encontre os equilíbrios de Nash em preços. Existe tipping? Compare com o caso de um planejador social."

Objetivo pedagógico: aplicar o modelo de Rochet-Tirole (Seção 21.3) a uma situação de competição (Seção 21.4) com efeitos de rede cruzados, verificando se emerge winner-take-all ou coexistência.

Referências

  • Acquisti, A.; Taylor, C.; Wagman, L. (2016). The Economics of Privacy. Journal of Economic Literature, 54(2), 442–492.
  • Anderson, S.; Coate, S. (2005). Market Provision of Broadcasting: A Welfare Analysis. Review of Economic Studies, 72(4), 947–972.
  • Armstrong, M. (2006). Competition in Two-Sided Markets. RAND Journal of Economics, 37(3), 668–691.
  • CADE (2020). Mercados de Plataformas Digitais. Departamento de Estudos Econômicos.
  • Calvano, E.; Calzolari, G.; Denicolò, V.; Pastorello, S. (2020). Artificial Intelligence, Algorithmic Pricing, and Collusion. American Economic Review, 110(10), 3267–3297.
  • Crémer, J.; de Montjoye, Y.-A.; Schweitzer, H. (2019). Competition Policy for the Digital Era. European Commission.
  • Edelman, B.; Ostrovsky, M.; Schwarz, M. (2007). Internet Advertising and the Generalized Second-Price Auction. American Economic Review, 97(1), 242–259.
  • Katz, M.; Shapiro, C. (1985). Network Externalities, Competition, and Compatibility. American Economic Review, 75(3), 424–440.
  • Parker, G.; Van Alstyne, M. (2005). Two-Sided Network Effects: A Theory of Information Product Design. Management Science, 51(10), 1494–1504.
  • Parker, G.; Van Alstyne, M.; Choudary, S.P. (2016). Platform Revolution. W.W. Norton.
  • Rochet, J.-C.; Tirole, J. (2003). Platform Competition in Two-Sided Markets. Journal of the European Economic Association, 1(4), 990–1029.
  • Shapiro, C.; Varian, H. (1999). Information Rules: A Strategic Guide to the Network Economy. Harvard Business School Press.
  • Tirole, J. (2023). Competition and Regulation in the Digital Era. MIT Press.