Faculté des Sciences Juridiques,

Économiques et Sociales - Agdal

F
MASTER ÉCONOMIE DE L’ENVIRONNEMENT

FI
.A
THÉORIE DES INCITATIONS
Attention!!!, ces diapositives ne peuvent, en aucun cas, substituer le cours
M
Mourad AFIF

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 1 / 48

 Introduction

Exemples Introductifs
Soient les situations contractuelles suivantes :
Des actionnaires ne savent pas si le PDG travaillera pour maximiser la valeur

F
1

de la firme ou pour améliorer sa réputation ;

2 Un employeur qui ne peut vérifier le niveau d’effort effectué par son salarié ;

FI
3 Un assureur qui établit une assurance auto pour son client sans savoir
comment ce dernier se comporte t-il sur la route ;
4 Un acheteur de voiture d’occasion dont il ne connaît pas la qualité ;
5 Un assureur qui établit une assurance santé sans connaissance de l’état de

6
santé de l’assuré ;
Etc
.A
Dans ces situations, les deux parties signataires de contrat ne partagent pas la
M
même information sur le bien ou service échangé. Désormais, la partie informée est
appelée Agent alors que celle qui en manque est appelée Principal.

Qu’est ce qui caractérise essentiellement ces échanges ?

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 2 / 48
 Introduction

Caractéristiques

F
Deux éléments essentiels caractérisent ces échanges :
1 Conflits d’intérêt dans la mesure où les objectifs des deux parties s’opposent ;
Asymétrie de l’information puisque les deux parties ne détiennent pas la

FI
2

même information
Comment faut-il décider dans de telles situations ?

2
.A
La partie qui manque de l’information a deux possibilités :
Prendre la décision d’échanger dans l’incertitude sur la base de l’information
imparfaite dont elle dispose ;
Chercher à améliorer son information par l’incitation de la partie disposant de
l’information avant de décider. C’est le champ d’application de la théorie des
M
incitations.

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 3 / 48

 Introduction

Notions de base

Ce que nous avons étudié au niveau de la Licence :

F
Comment les agents, consommateurs et producteurs, prennent leurs décisions
et comment se font les échanges entre eux.

FI
Les décisions de ces agents se font dans un monde certain, où l’information
est, entre autres, parfaitement connue (réf. hypothèses du marché
concurrentiel)
Conséquence : l’équilibre du marché est Pareto-optimal
.A
Dans le marché réel, l’information est souvent asymétrique (incertaine)

Conséquence : l’équilibre issu de l’échange entre les agents n’est pas

Pareto-Optimal.
M
Qu’est ce qu’alors une situation d’incertitude ?

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 4 / 48

 Introduction

Notions de base

Exemples

F
1 Mme Aïcha achète un caftan pour assister à la fête de sa fille aînée.
2 On est au début de Choula, une des 28 périodes constituant le calendrier

FI
agricole du 26/11 au 08/12, El Fellah est cultivateur qui vient de semer son
terre en blé. Il s’attendrait à une bonne récolte s’il pleut et une mauvaise s’il
ne pleut pas.

Commentaires
.A
L’action de l’achat du Caftan à une seule conséquence : satisfaction d’un
besoin que procure cet achat. Aîcha décide dans un monde certain
L’action de semer la terre a deux conséquences :
M
Bonne récolte s’il pleut ;
Mauvaise récolte s’il ne pleut pas ;

El Fellah décide alors dans un monde incertain.

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 5 / 48
 Introduction

Notions de base

Définition

F
L’état du monde est l’événement qui détermine la conséquence d’une action

FI
On distingue entre deux types d’incertitudes :
Incertitude où les états du monde possibles sont connus mais qu’on ne sait
pas lequel se réalisera et à quelle probabilité ;
.A
Risque ou incertitude probabilisé ; des situations risquées où l’individu peut
connaître les conséquences de réalisation des actions et peut leur affecter des
probabilités ; c’est une incertitude mesurable ;
Incertitude totale lorsqu’on est dans l’ignorance totale. On ne connaît même
pas les états du monde possibles. Dans ce cas la décision ne se poserait pas.
M
C’est au niveau d’une situation d’incertitude probabilisée qu’intervienne la théorie
des incitations.

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 6 / 48

 Introduction

Notions de base

Remarque(s)

F
L’incertitude est omniprésente, mais ce n’est pas toujours important à la
modéliser. Il est souvent à négliger quand la décision de l’agent n’en dépend

FI
pas ; il se comporte comme s’il y a absence d’incertitude ;
Au contraire, l’incertitude prise en compte est celle qui changera le
comportement de l’agent en sa présence.

Résumé
1
.A
Résumons une situation d’incertitude :

D’abord l’agent fait une action ex. semer la terre en blé

M
2 Ensuite, les états du monde se réalisent (avoir la pluie ou pas)
3 Enfin, les conséquences des actions en présence d’états du monde (bonne ou
mauvaise récolte)

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 7 / 48

 Introduction

Notions de base
Revenons aux deux exemples précédents.

F
L’utilité du caftan ne dépend que de l’achat, alors que l’utilité d’El Fellah n’est
pas la même selon le temps qu’il fait. Comment décidera-t-on de semer ou pas ?

FI
La réponse se trouve dans la théorie de l’utilité espérée ("EU", pour Expected
Utilité) développée par VNM sur la base des travaux de Bernoulli avec son
EMG (Espérance Mathématique de Gain). Elle permet de décider dans un
environnement risqué. .A
Le critère de l’utilité espérée de VNM ne prend pas en compte la psychologie
de l’agent vis-à-vis du risque. Ce dernier devrait changer en fonction de la
richesse initiale, des gains potentiels . . .
M
Le critère de VNM est complété par le critère de Markowwitz lorsque
l’aversion au risque est prise en compte. Ce critère a son tour n’est pas
complet et doit-être complété par d’autres critères (réf. cours de l’économie
de l’incertain)

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 8 / 48

 Introduction

Théorie des incitations

Qu’est ce que la théorie des incitations ?

F
Définition

FI
La théorie qui s’intéresse à l’étude et l’élaboration des règles qui incitent l’agent
économique détenant une information socialement pertinente à la révéler à
l’agent qui n’est pas informé.

La théorie des incitations est également une simplification de la théorie des jeux
.A
dans la mesure où elle élimine le marchandage i.e. le Principal détient tout le
pouvoir de construire les règles du jeu, l’Agent ne lui reste qu’à s’engager ou pas
sans marchandage. On peut dire que la théorie des incitations fait partie de la
théorie des jeux.
M
L’information n’est pas complète ;
Le Principal ne détient que des à priori sur l’utilité de l’Agent ;
Lui propose un contrat qui maximise l’utilité espérée de celui-ci.

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 9 / 48

 Introduction

First best vs 2nd best

Trois cas de figue sont possibles :

F
Absence d’information : le Principal n’a aucune information sur les
préférences des Agents, il n’existe aucun mécanisme permettant de réaliser

FI
l’objectif du Principal. Ce dernier se contentera des mécanismes dictatoriaux
qui n’utilisent aucune information sur les Agents ;
Information parfaite : si les fonctions d’utilité sont quasi-linéaires, le Principal
peut capter toute l’information et réaliser l’optimum de premier rang. Ex.
.A
Enchère au second prix de Vickrey : le bien est attribué au plus offrant mais
facturé au prix donné par le deuxième plus offrant, permet que les Agents
révèlent les vraies dispositions à payer pour le bien. La sincérité est une
stratégie dominante.
M
Information imparfaite : entre ces deux premiers extrêmes, le Principal peut
résoudre le problème sous asymétrie d’information, un optimum de 2nd rang
(ou de Pareto contraint) peut être trouvé à l’aide de la théorie des incitations

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 10 / 48

 Introduction

Structure générale
Soient deux agents ; Principal et Agent, qui sont dans une relation d’échange en
présence d’asymétrie d’information telle que :

F
Le Principal n’a pas accès à l’information qui lui permet de concevoir son

FI
contrat de façon optimale ;
Le Principal propose des règles de jeu (contrat) à l’Agent ;
L’information est connaissance privée de l’Agent qui tient à ne pas la révéler
gratuitement au Principal ;
.A
Le contrat doit être conçu de façon à mener l’Agent à accepter le contrat,
concrètement le Principal cherche :
À faire participer l’Agent au jeu i.e respecter la contrainte de participation ;
À inciter l’Agent à faire ce que maximise l’utilité du Principal i.e. respecter la
contrainte d’incitation.
M
Selon si l’asymétrie porte sur une action cachée ou une information cachée, nous
distinguons deux modèles Principal-Agent
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 11 / 48
 Introduction

Définitions
Définitions

F
1 Modèle d’aléa-moral, (d’incitation ou modèle à action cachée)
le Principal n’observe pas l’action de l’Agent, il ne peut que l’induire
imparfaitement du résultat ;

FI
L’Agent prend une action qui affecte le résultat de l’échange ;
L’action que choisirait l’Agent n’est pas Pareto-Optimale
2 Modèle d’anti-sélection (de sélection adverse ou à information cachée)
Le Principal ne connaît pas parfaitement un paramètre chez l’Agent et qui

Exemples
.A
affecte le résultat de l’échange. Il ne dispose que des croyances à priori ;
L’Agent prend une action qui affecte le résultat de l’échange et
"s’auto-sélectionne"
M
1 L’assureur (Principal) ne peut pas contrôler les actions de l’assuré (Agent)
permettant de réduire la probabilité de réalisation d’un accident.
2 Difficulté pour l’acheteur (Principal) d’une voiture d’occasion d’avoir une
information sur l’état de la voiture ; connaissance privée du vendeur (Agent).
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 12 / 48
 Modélisation de la sélection adverse

Formulation générale

Considérons l’application économique de cette théorie : un employeur (Principal)

F
qui désire embaucher un salarié (Agent) :
Le résultat (profit par ex.) dépend de l’action choisie par l’Agent (ex. niveau
d’effort)

FI
Cette action affecte l’utilité de l’Agent et celle du Principal (intérêt
conflictuel) ;
L’action qui n’est pas vérifiable est une information privée de l’Agent, le
.A
Principal n’en observe que le profit ;
L’observation du résultat ne permet pas au Principal de déduire parfaitement
l’action choisie par l’Agent
L’action que choisit l’Agent n’est pas Pareto-Optimale et le Contrat proposé
par le Principal doit être incitatif
M
Comment concevoir un contrat incitatif ? l’explication est dans le modèle suivant :

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 13 / 48

 Modélisation de la sélection adverse

Introduction
Les résultats pour le Principal dépendent d’une information cachée de l’Agent.
Même si l’action est visible, il est impossible de distinguer l’effet de l’aléa-moral

F
du résultat.

FI
Exemples :
1 Impossibilité de surveiller l’effort du salarié : une mauvaise récolte est-elle due
à l’effort de l’Agent ou pas et à quel degré dans le cas échéant ? Comment
peut-on vérifier si la réparation faite dans la voiture par un garagiste est

4
justifiée ou pas ? .A
Information sur la capacité du remboursement d’un crédit ;
Information sur le risque de solvabilité d’un client ;
Mauvais résultat de la gestion d’un portefeuille.
M
Cadre général :

Comment inciter l’Agent à révéler l’information cachée ? i.e garantir sa

participation tout en agissant dans l’intérêt du Principal.
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 14 / 48
 Modélisation de la sélection adverse

Le modèle de base

L’étude de l’effet de sélection adverse se fait en plusieurs étapes :

F
1 Étudier le cas de référence où l’information est connue parfaitement des deux

FI
parties. L’optimum trouvé devrait être dans ce cas de first best.
2 Le contrat conclut entre le Principal et l’Agent devrait prendre en
considération l’asymétrie d’information pour faire révéler l’information privée
détenue par l’Agent, il s’agit d’un optimum contraint (ou de 2nd best)
3

4
.A
Une comparaison d’efficacité entre les deux optimums
Application du modèle de sélection adverse sur un exemple concret
d’asymétrie d’information
5 Application réalisé par les étudiants sur un problème similaire (notée).
M
Prenons l’exemple de la délégation de la production d’un bien à un Agent

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 15 / 48

 Modélisation de la sélection adverse

Hypothèses

Hypothèses :

F
L’Agent produit un bien en quantité q > 0 au profit du Principal moyennant

FI
un transfert t, avec q < q (à démontrer)
L’Agent supporte un coût C (q, θ) qui dépend de la quantité produite et
d’une information cachée caractérisant son type, θ. θ ∈ Θ avec θ > θ
L’Agent détient une information que ne détient pas le Principal

′′
Sqq
.A
Le jeu est non répété (one shot) ;
Le profit de la firme croit en fonction de q de façon décroissante i.e Sq′ > 0 et
< 0 concave avec S(0) = 0
Il n’y a pas de marchandage ; i.e :
M
Le Principal propose un menu de contrats ;
L’Agent choisira par la suite le contrat qui maximise son utilité s’il veut jouer ;
Sinon, le jeu prend fin

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 16 / 48

 Modélisation de la sélection adverse

Fonctions objectifs

Problème du Principal :

F
Le Principal, supposé rationnel, cherche à conclure un contrat avec un Agent qui
détient une information privée., Concrètement, il propose un contrat qui devrait :

FI
Maximiser sa fonction objectif ;
Faire participer l’Agent au jeu ;
Inciter l’Agent à révéler l’information privée.
.A
Soient les fonctions objectifs respectives du Principal et de l’Agent sont supposées
quasi-linéaires et s’écrivent :

P(q, t) = S(q) − t
M
et
A(q, t, θ) = t − C (q, θ) = t − θq

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 17 / 48

 Modélisation de la sélection adverse

Résolution : optimum de first best

Timing du jeu :

F
Le jeu commence par supposer que l’Agent connaît son type ;
Le Principale propose un menu de contrats {(t, q)} ;
L’Agent accepte et exécute. Sinon,

FI
L’Agent refuse ; le jeu prend fin.
Ici, l’information est connaissance commune, le Principal maximise son utilité tout
en cherchant à faire participer l’Agent i.e. ce dernier ne participe au jeu que si le t
.A
couvre au moins son coût C (q, θ) (utilité de réserve ; réf. ; maximisation du profit.)

max
q,t
S(q) − t
t − C (q, θ) ≥ 0
M
s.t.
q≥0

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 18 / 48

 Modélisation de la sélection adverse

Résolution : optimum de first best

On suppose également que l’Agent fait concurrence à d’autres Agents pour
réaliser cette tâche.

F
Le Principal, qui peut observer et vérifier les caractéristiques de l’Agent (θ),
propose un transfert à l’Agent tel que celui-ci soit juste indifférent entre participer

FI
ou céder la place à d’autres Agents. Autrement, de façon à ce que la (CP) soit
saturée. utilité de réserve est supposée indépendante du type θ et peut être
normalisée à zéro.

.A
Alors, le problème peut s’écrire comme :
max
q,t
s.t.
S(q) − t
t − C (q, θ) = 0
M
max L(q, t, λ) = S(q) − t + λ (t − C (q, θ))
q,t,λ

CPO
∂S(q) C (q, θ)
= et t ∗ = C (q ∗ , θ)
∂q ∂q
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 19 / 48
 Modélisation de la sélection adverse

Efficacité de first best

L’Agent de type θ produit q et celui du type θ produit q puisque S(q) est
croissante.

F
L’optimum de 1ier rang est atteint, le Principal atteint le même niveau d’utilité

FI
qu’il aurait pu atteindre s’il fait lui même la tâche, avec la fonction de coût de
l’Agent. Ce dernier n’a aucun pouvoir de négociation et reçoit un transfert égal à
son coût marginal.

À Retenir
.A
L’Agent n’a aucune information à cacher au Principal ;
La délégation de la tâche ne génère pas de coût supplémentaire pour le
Principal lorsque l’information sur le type de l’Agent est connaissance
commune.
M
. . .et si on est en présence d’asymétrie d’information, quelle serait la situation et
quel modèle à utiliser pour résoudre cette asymétrie ?
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 20 / 48
 Modélisation de la sélection adverse

Firt best vs 2nd best optimum

Ici, le Principal n’observe pas le type de l’Agent θ ∈ Θ avec θ > θ.

F
La production d’un Agent efficace est plus grande qu’un Agent moins efficace
(q ≥ q) ; i.e le profit S est fonction décroissante du type ainsi,

FI
S(q) − t ≡ S(q) − θq > S(q) − θq > S(q) − θq ≡ S(q) − t
| {z }
S ′′ <0

Le profit est plus important si l’agent est plus efficace

.A
Si le Principal propose le même menu de contrats proposé en cas d’information
parfaite : {(t, q), (t, q)}, alors l’Agent efficace (de type θ) a intérêt se faire passer
pour un Agent inefficace (de type θ) et produire moins.
M
Son utilité est : A = t − C (q, θ) = qθ − qθ = q(θ − θ) > 0
Alors, les deux types Agents choisissent la même offre destinée à l’Agent inefficace
(t, q) et la séparation des deux types n’est pas possible (l’un imite l’autre).
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 21 / 48
 Modélisation de la sélection adverse

Résolution : 2nd best optimum

Le contrat de first best ne peut être implémenté et l’auto-sélection n’est pas
assurée. Comment faire ? Proposer un menu de contrats incitant l’un des deux

F
types à ne pas imiter l’autre i.e. soit un menu incitatif.
Définition

FI
Un menu de contrats est dit incitatif s’il vérifie à la fois les contraintes d’incitation
(CI) et les contraintes de participation (CP).

U
U
U
.A = t − C (q, θ) ≥ t − C (q, θ)
= t − C (q, θ) ≥ t − C (q, θ)
= t − C (q, θ) ≥ 0
(CI1)
(CI2)
(CP1)
M
U = t − C (q, θ) ≥ 0 (CP2)

CP1 et CP2 assurent que l’utilité des Agents lorsqu’ils participent est au moins
égale à leur utilité de réserve. Alors que CI1 et CI2 garantissent que l’utilité de
l’Agent lorsqu’il dit la vérité sur son type est meilleure que s’il ment.
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 22 / 48
 Modélisation de la sélection adverse

Résolution : 2nd best optimum

max ν S q − t) + (1 − ν)(S(q) − t)

F
q,t

s.c. t − C (q, θ) ≥ t − C (q, θ)

FI
t − C (q, θ) ≥ t − C (q, θ)
t − C (q, θ) ≥ 0
t − C (q, θ) ≥ 0
Sachant que t = U + θq et t = U + θq, le programme s’écrit :

q,q


max ν S q − θq +


.A s.c.


(1 − ν) S (q) − θq − νU + (1 − ν) U
|

t − C (q, θ) ≥ t − C (q, θ)
{z


}
rente informationnelle
M
t − C (q, θ) ≥ t − C (q, θ)
t − C (q, θ) ≥ 0
t − C (q, θ) ≥ 0
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 23 / 48
 Modélisation de la sélection adverse

D’après CI1, U ≥ t − θq, et on sait que U = t − θq i.e t = U + θq :

U ≥ U + θq − θq = U + ∆θq

D’après CI2, U ≥ t − θq, et on sait que U = t − θq i.e t = U + θq :

F
U ≥ U + θq − θq = U − ∆θq

Le programme peut alors s’écrire :

FI





max ν S q − θq + (1 − ν) S (q) − θq − νU + (1 − ν) U
q,q | {z }
rente informationnelle
U ≥ U + ∆θq
.A
s.c
U ≥ U − ∆θq
U ≥0
U ≥0
M
Par addition de CI1 et CI2, t et t s’éliminent et on obtient :
(θ − θ)(q − q) ≥ 0, soit q ≥ q

Par soustraction de CI1 et CI2, on montre aussi que t ≥ t.

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 24 / 48
 Modélisation de la sélection adverse

Résolution : 2nd best

On suppose que le Principal veut faire participer les deux types q ≥ q > 0
Parmi ces contraintes, lesquelles sont saturées ? on montre qu’à l’optimum,

F
a) CP1 n’est pas saturée ;
b) CP2 est saturée ;

FI
c) CI1 est saturée ;
d) CI2 n’est pas saturée ;
Démonstrations :

a) et b) : D’abord

| {z } | {z
.A
U ≥ t − θq = U + ∆θq > U ≥ 0
}
ou t − θq ≥ t − θq ≥ t − θq ≥ 0
| {z } | {z }
M
CI1 CP2 CI1 CP2

Si CP2 n’est pas à l’égalité CP1 ne le sera pas non plus et on peut réduire t et t
d’une même quantité pour accroître le profit du Principal sans modifier les
propriétés incitatives du mécanisme. Donc CP2 est saturée, CP1 ne l’est pas.
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 25 / 48
 Modélisation de la sélection adverse

Résolution : 2nd best

c) supposons que CI1 soit une inégalité, alors

F
t − θq > t − θq ≥ t − θq = 0
| {z } | {z }
CI1 n’est pas à l’égalité d’après CP2

FI
On peut donc réduire t sans remettre en cause ni les propriétés incitatives du
mécanisme, ni la CP2. Ce faisant, on accroît naturellement le profit du Principal ;
ce qui contredit l’optimalité supposée au départ. Donc, CI1 est saturée.
d) par l’égalité de CI1 on a :
.A θ(q − q) > θ(q − q) = t − t
| {z }
par égalité de CI1

ce qui donne :
M
t − θq > t − θq
| {z }
CI2

Donc, CI2 n’est pas saturée.

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 26 / 48
 Modélisation de la sélection adverse

Résolution : 2nd best

Seules CI1 et CP2 sont saturées d’où :

F
U = U + ∆θq = ∆θq

FI
Qu’on intègre dans la fonction objectif du dernier programme de maximisation :




max L(q, q) = ν S q − θq + (1 − ν) S (q) − θq − ν∆θq
q,q

CPO
∂L(.)
∂q
.A
=0 ⇔
∂S(q)
∂q
=θ
M
∂L(.) ∂S(q) ν
=0 ⇔ =θ+ ∆θ
∂q ∂q 1−ν
| {z }
>0

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 27 / 48

 Modélisation de la sélection adverse

∂S(q sb ) ∂S(q fb ) ∂S(q sb ) ∂S(q fb )

On constate que : = et >
∂q sb ∂q fb ∂q sb ∂q fb
et comme S ′ (.) est décroissante (réf. hypothèses), alors :

F
sb fb
q sb = q fb , q sb < q fb ⇒ t sb > t fb , t <t
t sb = U + θq sb = ∆θq sb + θq sb = ∆θq sb + t fb > t fb

FI
sb fb
t = U + θq sb = θq sb < θq fb = t

À Retenir .A
L’optimum de first best ne peut être atteint lorsque l’information est asymétrique
(q sb < q fb ) :
L’Agent inefficace produit moins, le surplus du Principal baisse ;
M
L’Agent le plus efficace s’auto-sélectionne et révèle son type en contrepartie
d’une rente informationnelle qu’il reçoit (t sb − t fb ) ;
L’allocation est tout de même optimale étant donnée la rente
informationnelle (le contrat ainsi obtenu est meilleur qu’un contrat poolling.)
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 28 / 48
 Modélisation de la sélection adverse

Application

F
Un marchand vend un bien à un prix t. Il peut proposer différentes qualités de son
bien, le coût du bien dépendant de la qualité q suivant la fonction :

FI
1 2
C (q) = q
2
Il y’a deux types de clients θ1 et θ2 , avec θ1 < θ2 dont les fonctions d’utilité sont

1
.A
ui = θi qi − ti , en proportions respectives α et 1 − α.
On suppose que le vendeur connaît le type de ses clients et peut leur offrir un
prix dépendant de ce type. Le vendeur maximise son bénéfice, calculer alors le
prix et la qualité optimale pour chaque type ainsi que le bénéfice du vendeur ;
...
M
2

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 29 / 48

 Modélisation de la sélection adverse

Application, suite

1 ...

F
2 On suppose que le vendeur ne connaît pas le type de chaque client. Le prix
dépend alors seulement de la qualité, on suppose qu’il existe t1 et t2 tels que
les clients de type i choisissent la qualité qi au prix ti et que le vendeur

FI
obtient ainsi un bénéfice optimal.
1 Écrire les conditions d’incitation et de rationalité pour chaque type de clients ;
2 Montrer que l’une des deux contraintes de rationalité est saturée ;
3 Montrer que la contraintes de rationalité du type 1 est saturée ;
4

7
.A
Montrer que la contraintes d’incitation du type 2 est saturée ;
Déterminer alors que qi et ti qui satisfont ces contraintes et l’optimalité du
bénéfice du vendeur ;
Vérifier que l’on obtient bien une solution du problème ;
Déterminer les variations de qualité, de prix et d’utilité individuelle pour
chaque type par rapport à la situation où le type de chaque individu est connu
M
du vendeur. Commenter brièvement.
8 Combien le vendeur serait-il prêt à payer pour connaître le type de chaque
client en supposant qu’il ai le droit de vendre à un prix dépendant du type.

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 30 / 48

 Modélisation, Aléa moral

Introduction

F
Ici, les résultats pour le Principal dépendent d’une action cachée.

Revenons à l’exemple auparavant cité :

FI
Impossible de savoir si une mauvaise récolte est due à l’effort de l’Agent ou
pas ;
Impossible de savoir si l’assuré a pris les précautions réduisant la probabilité
d’accident

On parle d’aléa moral quand :

.A
L’Agent prend une action qui affecte l’utilité du Principal
Le principal n’observe que le résultat qui est un signal imparfait de l’action
M
L’action choisie par l’Agent n’est pas optimale

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 31 / 48

 Modélisation, Aléa moral

Cadre général

Un employeur, le Principal, veut recruter un employé, l’Agent, pour le déléguer à

F
produire un bien.

La rémunération proposée par le Principal dépend uniquement de la production

FI
(performance) de l’Agent. Or, le niveau d’effort n’est pas observable par le
Principal.

Le Principal ne peut observer qu’une conséquence de l’effort, qui est le niveau de

production. .A
Or, le niveau de production ne dépend pas uniquement de l’effort, mais également
d’un élément stochastique (absence d’une relation déterministique entre la
M
performance et l’effort).

Comment inciter l’Agent à faire l’effort optimal ?

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 32 / 48

 Modélisation, Aléa moral

Modèle de base

L’étude de l’aléa moral se fait en plusieurs étapes :

F
1 Étudier, à titre de benchmark, le cas où l’information est parfaitement

FI
connue des deux parties. L’optimum trouvé devrait être de first best.
2 Le contrat conclut entre le Principal et l’Agent devrait prendre en
considération l’asymétrie d’information et inciter l’Agent à faire l’action
désirée. Il s’agit d’un optimum de 2nd best.
3

4
.A
Une comparaison d’efficacité entre les deux optimums
Application du modèle de l’aléa moral sur un problème concret d’asymétrie
d’information
5 Application réalisée par les étudiants sur un problème similaire (notée)
M
Prenons l’exemple de la délégation de la production d’un bien à un Agent :

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 33 / 48

 Modélisation, Aléa moral

Hypothèses

L’Agent choisit un effort e ∈ {0, 1} en échange d’une rémunération t ;

F
La rémunération procure à l’Agent l’utilité U(t) ;
L’effort engendre une désutilité W (e) ; W (0) = 0 et W (1) = w

FI
L’utilité de l’Agent est supposée séparable i.e. U(t, e) = U(t) − W (e)
U0 utilité de réserve que pourrait avoir l’Agent en dehors du contrat proposé
par le Principal ; normalisée à 0 ;
L’Agent préfère toujours une rémunération plus élevée, pour un effort donné,
.A
Ut′ > 0 avec (Utt′′ < 0) s’il est neutre (resp. averse) au risque ;
L’Agent préfère moins d’effort, pour une rémunération donnée,
U(t, eH ) < U(t, eL ) et We′ > 0, eH > eL .
L’utilité du Principal V croit en fonction de la recette S de façon
M
décroissante i.e. VS′ > 0 VSS
′′
≤ 0 concave avec V(e = 0) = 0
Un niveau d’effort élevé a un effet positif plus fort sur la production qu’un
niveau d’effort faible S(eH ) > S(eL)

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 34 / 48

 Modélisation, Aléa moral

Problème du Principal

Le Principal, supposé rationnel, cherche à conclure un contrat avec un Agent

F
dont l’action est cachée (effort). Concrètement, il propose un contrat qui
devrait :

FI
Maximiser sa fonction objectif (E [V]) ;
Faire accepter le contrat par l’Agent (CP)
Inciter l’Agent à faire le bon niveau d’effort (CI).
.A
Soient les fonctions objectif respectives du Principal et de l’Agent s’écrivent :

V(S, t) = S(q, e) − t(e, S) (1)

M
U(t, e) = U(t) − W (e) (2)

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 35 / 48

 Modélisation, Aléa moral

L’effort est observable

Timing du jeu :
Le jeu commence par l’hypothèse que l’Agent peut cacher une action au

F
Principal ;
Le Principal propose un menu de contrats spécifiant le niveau d’effort et la

FI
rémunération correspondant {(e, t)} ;
L’Agent accepte, l’effort est réalisé et le Principal découvre son bénéfice et
verse la rémunération à l’Agent, sinon refuse et le jeu prend fin

.A
Lorsque l’effort est observable, le Principal n’a pas besoin d’inciter l’Agent à faire
son effort. Il maximise son bénéfice tout en cherchant à faire participer l’Agent.
M
max S(q, e) − t(e, S) (3)
t
s.t. U(t) − W (e) ≥ 0 (4)

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 36 / 48

 Modélisation, Aléa moral

On suppose que l’Agent fait concurrence à d’autres agents pour réaliser cette
tâche.

Le Principal, qui peut observer et vérifier l’effort de l’Agent, propose une

F
rémunération à l’Agent telle que celui-ci soit juste indifférent entre participer ou
céder la place à d’autres agents (l’utilité de le rémunération U(t) est égale à la
désutilité de l’effort W (e)). CP est saturée (utilité de réserve nulle).

FI
Pour démontrer qu’à l’optimum CP est saturée, il suffit de supposer que le
contraire est vrai. Dans ce cas, l’utilité espérée de l’Agent est strictement
supérieure à son utilité de réserve. Le Principal peut augmenter son bénéfice
.A
espéré par une diminution de la rémunération et ce tout en respectant la CP.

On suppose également que l’utilité de réserve est indépendante du type de

l’Agent.
M
max S(q, e) − t(e, S)
t
s.t. U(t) − W(e) = 0

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 37 / 48

 Modélisation, Aléa moral

Résolution : optimum de first best

La performance ne dépend pas que de l’effort, elle est aléatoire. La production
peut prendre deux valeurs, q et q :

F
Pr (q = q|e=0 ) = π0 Pr (q = q|e=0 ) = 1 − π0 ; (5)
Pr (q = q|e=1 ) = π1 Pr (q = q|e=1 ) = 1 − π1 (6)

FI
Avec q > q et π1 > π0

Respectivement, la rémunération peut prendre deux valeurs : t et t

Le bénéfice espéré (BE) est :

{z
.A
V = π1 (S(q) − t) + (1 − π1 )(S(q) − t) + π0 (S(q) − t) + (1 − π0 )(S(q) − t)
| } | {z }
BE si e=1 BE si e=0
M
Puisque le Principal observe l’effort, la fonction objectif du Principal devient :


V = π1 (S(q) − t) + (1 − π1 ) S(q) − t (7)

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 38 / 48

 Modélisation, Aléa moral

Résolution : optimum de first best

Le programme se présente comme :
max π1 (S(q) − t) + (1 − π1 )(S(q) − t) (8)

F
t,t

s.c. π1 U(t) + (1 − π1 )U(t) − w ≥ 0 (9)

FI
CP est saturée (réf. plus haut), le lagrangien peut s’écrire :
max L(.) = π1 (S(q) − t) + (1 − π1 )(S(q) − t) + λ(π1 U(t) + (1 − π1 )U(t) − w )
t,t,λ

CPO :
∂L(.)
∂t
∂U
∂t
=
∂U
∂t
.A
= 0 ⇔ −π1 + λπ1
1
= >0
λ
∂U
∂t
= 0 ⇒ t = t ∗ = U −1 (w )

⇒ saturation CP est vérifiée

(10)
M
∂L(.) ∂U
= 0 ⇔ −(1 − π1 ) + λ(1 − π1 ) = 0 ⇒ t = t ∗ = U −1 (w ) (11)
∂t ∂t
∂L(.)
= 0 ⇒ π1 U(t) + (1 − π1 )U(t) − w = 0 (12)
∂λ
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 39 / 48
 Modélisation, Aléa moral

Résolution : optimum de first best

Lorsque l’effort est observable, l’Agent fait l’effort élevé et reçoit une
rémunération complète lui procurant une utilité égale à la désutilité de l’effort.

F
L’utilité espérée de l’effort du Principal (Ve ) :

FI
Ve=1 = π1 S(q) + (1 − π1 )S(q) − U −1 (w ) (13)
| {z }
l’utilité du principal si e=1
Ve=0 = π0 S(q) + (1 − π0 )S(q) (14)
| {z }

Ve=1 ≥ Ve=0
.A l’utilité du principal si e=0

Le Principal n’a intérêt d’inciter à fournir l’effort que si :

⇔ (π1 − π0 )(S(q) − S(q)) ≥ U −1 (w ) (15)
fb
⇔ ∆π.∆S(q) ≡ B ≥ U −1
(w ) ≡ C (16)
M
| {z } | {z }
Gain espéré de l’effort Coût fb à inciter à l’effort

Quel est le contrat optimal à proposer pour inciter l’Agent à faire l’effort élevé en
présence d’asymétrie d’information ?
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 40 / 48
 Modélisation, Aléa moral

Asymétrie d’information et neutralité au risque de l’Agent

Dans le cas où l’effort est observé, le salaire ne dépend pas de le production et par
conséquent du bénéfice du Principal (la rémunération est fixe quelque soit le

F
bénéfice)

Or, lorsque l’information est asymétrique, la rémunération doit être variable (pour

FI
forcer l’Agent à choisir l’effort élevé, puisque :

Effort élevé ⇒ bénéfice élevé ⇒ rémunération élevée ( à vérifier)

.A
Ici, on considère que l’Agent est neutre au risque i.e. U(t) = t

Pour inciter l’Agent à l’effort élevé, le programme s’écrit :

max π1 (S(q) − t) + (1 − π1 )(S(q) − t)
M
t,t

s.c. π1 t + (1 − π1 )t − w ≥ π0 t + (1 − π0 )t (CI)
π1 t + (1 − π1 )t − w ≥ 0 (CP)

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 41 / 48

 Modélisation, Aléa moral

Asymétrie d’information et neutralité au risque de l’Agent

Le Principal a intérêt à choisir le niveau de rémunération de façon à saturer CP
(à vérifier)

F
Soient λ1 et λ2 les deux multiplicateurs associés respectivement à CP et à CI. Le

FI
Lagrangien devient :

max π1 (S(q) − t) + (1 − π1 )(S(q) − t)

t,t,λ1 ,λ2

+λ1 [π1 t + (1 − π1 )t − w ]

Par les CPO, on trouve

.A
+λ2 [π1 t + (1 − π1 )t − w − π0 t − (1 − π0 )t]

π0 1 − π0
M
∗
λ1 > 0, λ2 > 0, t ∗ = − w et t = w (17)
π1 − π0 π1 − π0

Vérification : λ1 > 0, λ2 > 0, donc à l’optimum les contraintes associées sont

saturées.
[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 42 / 48
 Modélisation, Aléa moral

Asymétrie d’information et neutralité au risque de l’Agent

La rémunération salariale payée en moyenne pour inciter à l’effort optimal :

F
∗
π1 t + (1 − π1 )t ∗ = U −1 (w ) (18)

FI
qui est égale exactement au coût de la rémunération lorsque l’information est
complète.
Résumé
.A
lorsque l’Agent est neutre au risque, le Principal arrive à implémenter
l’optimum de first best sans coût supplémentaire (l’inobservation de l’effort
n’influe pas l’utilité du Principal) ;
∗
l’utilité de l’Agent U = t − w = 1−π1
π1 −π0 w > 0 si la production est élevée
(bonus) ;
M
l’utilité de l’Agent U = t ∗ − w = − π1π−π
1
0
w < 0 si la production est faible
(malus) ;

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 43 / 48

 Modélisation, Aléa moral

2-Aversion au risque de l’Agent

Ici, l’Agent est supposé averse au risque i.e. Utt′′ < 0

F
Le programme d’optimisation est :

FI
max π1 (S(q) − t) + (1 − π1 )(S(q) − t)
t,t

s.c. π1 U(t) + (1 − π1 )U(t) − w ≥ π0 U(t) + (1 − π0 )U(t) (CI)

π1 U(t) + (1 − π1 )U(t) − w ≥ 0 (CP)

Par les CPO, on trouve :

∂L
∂t
.A
=0⇔
1
U ′ (t)
= λ1 +
π1 − π0
π1
λ2 ≡ λ1 +
∆π
π1
λ2 (19)
M
∂L 1 π1 − π0 ∆π
=0⇔ ′ = λ1 − λ2 ≡ λ1 − λ2 (20)
∂t U (t) 1 − π1 1 − π1

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 44 / 48

 Modélisation, Aléa moral

2-Aversion au risque de l’Agent

Saturation des contraintes : vérification
π1 1 − π1

F
π1 ⊗ (19) ⊕ (1 − π1 ) ⊗ (20) ⇒ λ1 = + ′ >0 (21)
U ′ (t) U (t)
| {z }
U croissante

FI
 
π1 (1 − π1 ) 1 1
(19) ⊖ (20) ⇒ λ2 = . − >0 (22)
∆π U ′ (t) U ′ (t)
| {z }
U concave

Donc CP et CI sont saturées. .A

Les rémunérations : il suffit de résoudre le système composé des deux contraintes
CP et CI, on trouve :
 π1 
M
t = U −1 w − w ≡ U −1 (w ) (23)
 ∆π 
(1 − π1 )
t = U −1 w + w ≡ U −1 (w ) (24)
∆π

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 45 / 48

 Modélisation, Aléa moral

2-Aversion au risque de l’Agent

F
U et U −1 ont le même sens de monotonie, alors on peut déduire que :

FI
sb
t sb < t (25)
sb fb fb sb
t <t =t =t <t ∗
(26)

Rappelons que lorsque l’information est complète ou lorsque l’Agent est neutre
.A
au risque en présence d’asymétrie d’information, le coût de la rémunération est :
∗
C fb = π1 t + (1 − π1 )t ∗ = U −1 (w ) (27)
M
Or, en présence d’asymétrie d’information et lorsque l’Agent est averse au risque,
nous pouvons écrire le coût de la rémunération comme :

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 46 / 48

 Modélisation, Aléa moral

2-Aversion au risque de l’Agent

sb
C sb = π1 t + (1 − π1 )t sb (28)

F
 
(1 − π1 )  π1 
= π1 U −1
w+ w + (1 − π1 )U −1 w − w (29)
∆π ∆π

FI
≡ π1 U −1 (w) + (1 − π1 )U −1 (w) (30)

Rappel

α1P, . . . , αn vérifiant
P k: α
.A
Inégalité de Jensen : si f : I → R est convexe, si x1 , . . . , xn ∈
≥ 0
f ( nk=1 αk xk ) ≤ nk=1 αk f (xk )
pour tout entier 1 ≤ k ≤ n et
PI,n et si les réels
k=1 αk = 1, on a :

Ce qui permet d’écrire :

M



π1 U −1 W + (1 − π1 )U −1 (W ) > U −1 π1 W + (1 − π1 )W (31)
i.e. π1 U −1 W ) + (1 − π1 )U −1 (W ) > U −1 (W ) (32)
| {z } | {z }
C sb C fb

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 47 / 48

 Modélisation, Aléa moral

2-Aversion au risque de l’Agent

F
À Retenir
En présence d’asymétrie d’information :

FI
sb
L’Agent est mieux payé si la production est élevée ; t > t sb ;
En comparaison au cas où l’information est complète, l’Agent recevra une
rémunération supérieure s’il est performant (rente supplémentaire ou bonus)
et une rémunération inférieure s’il n’est pas performant (malus) ;

au profit de celui-ci ;
.A
L’aversion au risque de l’Agent entraîne le paiement d’une prime de risque

Le Principal ne peut pas implémenter l’effort de first best (excepte le cas de

linéarité de U i.e. neutralité au risque).
M
Si le Principal veut implémenter l’effort élevé, il devra supporter un coût égal
à C sb − C fb (coût d’agence).

[Link] (FSJESR-Agdal) MEE Th. Incitations 18 décembre 2023 48 / 48