"Rich-Get-Richer"? Platform Attention and Earnings Inequality using Patreon Earnings Data

Résumé technique : « Le riche devient plus riche » ? L'attention des plateformes et l'inégalité des revenus en utilisant les données de revenus de Patreon

Problématique
Les marchés des réseaux sociaux en ligne sont de plus en plus régis par l'allocation algorithmique de l'attention plutôt que par des mécanismes de prix. Contra�à un modèle classique de marché à plusieurs versants où les prix équilibrent l'offre et la demande, les plateformes utilisent des algorithmes non fondés sur les prix pour traiter de vastes quantités de données sur le contenu et les préférences des utilisateurs afin d'allouer la visibilité. Bien que ces algorithmes permettent une certaine efficacité du marché, ils fonctionnent également comme des dispositifs de distribution qui déterminent les résultats économiques pour les participants. Une lacune critique existe dans la littérature concernant l'impact économique de ces mécanismes : les plateformes divulguent rarement les revenus des créateurs ou les détails de l'optimisation algorithmique, ce qui rend difficile l'examen empirique de savoir si l'attention algorithmique favorise des écosystèmes inégaux ou soutient une « classe moyenne » saine de créateurs. Cet article comble cette lacune en étudiant l'inégalité des revenus au sein des marchés de plateformes, en examinant spécifiquement comment les algorithmes des réseaux sociaux tiers influencent les résultats de monétisation.

Méthodologie
L'étude utilise un nouvel ensemble de données à grande échelle des revenus mensuels de Patreon pour les créateurs de contenu à travers trois coupes transversales : mars 2018, 2021 et 2024 ($n = 104\,719$). Patreon sert d'indicateur idéal pour l'attention externe des plateformes car il offre une distribution native minimale ; les créateurs doivent lier leurs pages Patreon depuis des plateformes externes (YouTube, Instagram, Twitch, Twitter/X, Facebook) pour générer du trafic. Par conséquent, les revenus de Patreon reflètent largement l'attention captée sur ces plateformes externes primaires.

Pour isoler les dynamiques spécifiques aux plateformes, les auteurs restreignent l'ensemble de données aux créateurs affiliés à une seule plateforme externe (ou uniquement à Patreon), éliminant ceux qui ont des affiliations multiples pour contrôler le tri inter-plateformes. Les données de revenus manquantes, particulièrement chez les hauts revenus qui ont tendance à garder leurs revenus privés, sont imputées linéairement en fonction des membres payants, du nombre total de membres, du type de contenu, du statut NSFW et de l'année.

Le cadre analytique central utilise des distributions de loi de puissance ($p(x) \sim x^{-\alpha}$) pour caractériser les revenus. Les auteurs ajustent ces distributions en utilisant la méthode d'estimation du maximum de vraisemblance proposée par Clauset et al. (2009), en employant la statistique de Kolmogorov-Smirnov (KS) pour évaluer la qualité de l'ajustement. L'exposant $\alpha$ sert de métrique principale pour l'inégalité : un $\alpha$ plus faible indique une queue plus lourde et une inégalité plus élevée (cohérente avec les revenus du capital concentrés), tandis qu'un $\alpha$ plus élevé suggère une distribution plus équitable. L'analyse interprète ces exposants à travers le prisme des modèles d'attachement préférentiel (Barabási et Albert 1999), où $\alpha$ est théoriquement lié à l'équilibre entre l'exploration aléatoire ($\gamma$) et l'exploitation de la popularité existante ($1-\gamma$).

Contributions clés

1. Preuves empiriques de l'inégalité algorithmique : L'article fournit l'une des rares analyses systématiques des distributions de revenus des créateurs de contenu, dépassant les preuves anecdotiques pour quantifier la dynamique du « riche devient plus riche » à travers les principales plateformes.
2. Comparaison inter-plateformes : En utilisant les données de Patreon comme indicateur de l'attention externe, l'étude offre un cadre comparatif pour évaluer comment les différents algorithmes de plateforme (par exemple, le moteur de recommandation de YouTube par rapport au graphe social de Twitter) sont corrélés avec la concentration des revenus.
3. Dynamiques temporelles : L'étude documente l'évolution de l'inégalité des revenus au fil du temps (2018–2024), révélant les tendances de la manière dont les changements algorithmiques impactent la distribution des revenus des créateurs.
4. Rigueur méthodologique : Les auteurs traitent explicitement les variables de confusion, telles que les taux de conversion plateforme-vers-Patreon et la composition de l'audience, en considérant les modèles observés comme cohérents avec les mécanismes algorithmiques tout en reconnaissant les explications alternatives comme le tri des créateurs.

Résultats

• Dynamiques de loi de puissance : Sur la plupart des plateformes, les revenus de Patreon suivent une distribution de loi de puissance avec un exposant $\alpha \approx 2,0$. Cela place les revenus des créateurs plus près des revenus du capital concentré ($\alpha \approx 1,5$) que des revenus du travail, suggérant des effets multiplicatifs et cumulatifs pilotés par l'attention algorithmique.
• Variation des plateformes : Une variation significative existe dans le degré d'inégalité :
  • Haute concentration (Faible $\alpha$) : YouTube ($\alpha = 1,8$) et Instagram ($\alpha = 1,84$) présentent les dynamiques de « riche devient plus riche » les plus extrêmes. Ces plateformes affichent des revenus moyens et médians plus faibles et une classe moyenne de créateurs plus faible.
  • Faible concentration (Haut $\alpha$) : Twitter/X ($\alpha \approx 2,35$) et les créateurs uniquement sur Patreon présentent des exposants plus élevés, indiquant des queues plus légères et des distributions plus équitables. Les auteurs notent que la dépendance historique de Twitter/X envers les graphes sociaux plutôt qu'envers la recommandation algorithmique pure peut contribuer à cela.
• Tendances temporelles : Entre 2018, 2021 et 2024, les valeurs de $\alpha$ ont généralement diminué pour YouTube, Instagram, Facebook et Twitch, indiquant une concentration croissante des revenus. Instagram a montré le changement le plus spectaculaire, avec un $\alpha$ chutant d'environ $2,1$ en 2021 à $1,84$ en 2024, coïncidant avec un passage vers les recommandations algorithmiques.
• Érosion de la classe moyenne : Les plateformes avec des lois de puissance plus fortes ( $\alpha$ plus faible) sont corrélées à des revenus médians plus bas et à des écarts interquartiles plus étroits, suggérant que la dynamique du « riche devient plus riche » extrait de manière disproportionnée les gains des créateurs de niveau intermédiaire.
• Catégories de contenu : L'inégalité des revenus varie selon le type de contenu. L'animation et les podcasts présentent le $\alpha$ le plus bas (inégalité la plus élevée), tandis que la musique, les bandes dessinées et l'écriture présentent des valeurs de $\alpha$ plus élevées, suggérant des distributions plus équitables dans ces catégories.

Signification et affirmations
L'article postule que l'allocation de l'attention algorithmique est un moteur plausible et primaire de la concentration des revenus observée. Les conclusions suggèrent que les algorithmes de plateforme actuels, qui privilégient la popularité existante (faible $\gamma$), créent des écosystèmes où une petite élite capte la majorité des revenus, érodant la classe moyenne des créateurs.

Les auteurs déclarent explicitement que leurs conclusions sont descriptives et suggestives plutôt que définitivement causales. Ils reconnaissent que d'autres mécanismes — tels que la composition de l'audience, l'auto-sélection des créateurs et les normes de conversion spécifiques aux plateformes — pourraient contribuer aux modèles observés. Cependant, la cohérence des dynamiques de loi de puissance à travers différentes plateformes et périodes soutient l'hypothèse selon laquelle la conception algorithmique joue un rôle central dans le façonnement de l'inégalité des revenus.

L'étude conclut que sans changements dans les mécanismes algorithmiques sous-jacents (spécifiquement en augmentant la composante d'« exploration » pour faire émerger le contenu de la longue traîne), l'inégalité des revenus est susceptible de persister. Les auteurs suggèrent que des interventions politiques, telles que l'imposition de la transparence dans les systèmes de recommandation (par exemple, via la loi européenne sur les services numériques - DSA) ou l'exigence d'algorithmes qui incitent le contenu de la longue traîne, pourraient favoriser des économies numériques plus équitables. Ils mettent en garde contre le fait qu'augmenter simplement la concurrence sur le marché pourrait ne pas suffire si les plateformes restent verrouillées dans des algorithmes maximisant l'engagement qui renforcent la dynamique du « riche devient plus riche ».