Search

Models of strategic debt predict that public debt increases with polarization, measured by the ideological distance between the government and its likely successor. Conversely if voters are both short-termist and also more likely to switch their vote for parties offering higher spending and public good provision when the electorate is ideologically concentrated, then debt can fall with polarization, measured by dispersion of ideological preferences in the electorate. Using time-varying polarization measures generated from ideology data from party manifestos, we find a sizable and statistically significant negative association between debt levels in OECD countries and ideological polarization in the electorate.

Using panel data from the US states, we document a robust negative relationship between state-level government corruption and ideological polarization. This finding is sustained when state polarization is instrumented using lagged state neighbor ideology. We argue that polarization increases the expected costs of engaging in corruption, especially deterring marginal low-level corruption. Consistent with this thesis federal prosecutorial effort falls and case quality increases with polarization. Tangible anti-corruption measures including the stringency of state ethics’ laws and independent commissions for redistricting are also associated with increased state polarization.

We document a robust positive correlation between the size of government and the labor share of income in data from European countries covering the period 1869-1975. Following Facchini et al (2017), we interpret this correlation as evidence that labor costs drive public spending. The long-term increase in the labor share observed over this period explains half of the overall growth of central government. The relationship holds when the labor share is instrumented with movements in technological change at the frontier. When decomposing public spending, transfers, not intensive in labor, are the only component not associated with the labor share.

In this PhD, we present a symbolic, multi-resolution model for representing an image. To do that, we consider both the structure of the image, that is the blocs from which it is constituted, and its content. We first focus on the structural part of the image. Under some constraints, a few properties can be enough to fully characterize the topology of the structure. This leads us to a graph-based representation for the structure of an image, which can be completed by adding symbolic information to the nodes to represent the content part of the image. We then propose a process to build an lower resolution image from an input image. This process uses reduction rules that take into account both the structure and the content of the image, and could be used either to segment an image at different resolution levels or to extract some information from it. Then we study this process to define methods that can be used for learning some of the parameters of the rules, for speeding up the building process, or for making the whole process more reliable, Dans cette thèse, nous étudions un modèle de représentation symbolique et multi-résolution d'une image. Pour cela, nous distinguons les informations concernant la structure de l'image, c'est à dire les différents blocs, ou régions, qui la composent, des informations concernant le contenu de cette dernière, c'est à dire ce que représente chacun de ces blocs. Nous nous intéresserons alors tout particulièrement aux informations de structure : plutôt que de représenter de manière complète les différents blocs de l'image, nous nous focaliserons sur l'étude de certaines propriétés vérifiées par ces derniers. En imposant certaines contraintes sur la nature des blocs considérés, nous pouvons alors dégager quelques propriétés simples qui nous permettent de caractériser complètement la topologie d'une image. Il est alors possible de construire un modèle de représentation de la structure d'une image à base de graphes de manière à représenter ces propriétés, et donc en même temps la topologie de la structure de l'image. Dans ce modèle, chaque bloc est représenté par un sommet d'un graphe, et en lui associant un symbole, choisi dans un alphabet donné, pour représenter son contenu, nous obtenons un modèle de représentation symbolique de l'image. Nous définissons ensuite un processus pour construire une nouvelle image de plus faible résolution à partir d'une image donnée à l'aide de règles de réductions, prenant compte à la fois de la structure et du contenu symbolique de l'image. Ce processus est lui-même étudié de manière à proposer différentes techniques pour par exemple apprendre à paramétrer les règles, ou encore pour accélérer ou fiabiliser le processus. Il peut être utilisé pour construire des segmentations d'une image à différents niveaux de résolution en se basant sur des informations purement symboliques, ou encore pour extraire une information donnée dans une image, en appliquant le processus jusqu'à obtenir une image ne contenant qu'un unique bloc dont le symbole contient l'information recherchée

International audience