Agence pour la diffusion de l’information technologique
Mai 2005
Le management stratégique des régions en Europe
Une étude...
Cette étude a été cofinancée par le FEDER dans le cadre du
Programme National d'Assistance Technique
2
Chapitre 1...................................................................................................................
Chapitre 1
L’analyse statistique des pratiques stratégiques des régions européennes
Ce premier chapitre1
est consacré à la...
Les résultats de l’enquête seront également décrits selon le niveau de développement de la
région, tel qu’il a été défini ...
font pas d’études stratégiques, mais également le pourcentage le plus élevé de régions qui
réalisent des études formelles....
Analyse SWOT selon le "club"
0
10
20
30
40
50
60
70
Etude SWOT
formelle
Etude SWOT
informelle
Pas d'étude
SWOT
Club1
Club2...
Les régions les plus riches, de PIB/habitant supérieur à 28000 €, se distinguent des autres :
elles sont 80% à pouvoir dés...
Localisation des concurrents selon le PIB/habitant
0
20
40
60
80
100
Régions du
même pays
Régions
capitale du
pays
Autres ...
Localisation des concurrents selon le club
0
10
20
30
40
50
60
70
Régions du même
pays
Régions capitale
du pays
Autres pay...
Capacité à désigner des secteurs concurrentiels selon
la taille
0
10
20
30
40
50
60
70
80
oui non
<250,000
250,000- 500,00...
Secteurs concurrentiels selon le PIB/hab Secteur 1 Secteur 2 Secteur 3
<10,000 Construction Agroalimentaire Commerce
10,00...
2. Les études de technologies clés
- Méthode d’identification des technologies clés.
73% des régions utilisent une méthode...
Capacité à désigner des technologies clés selon la taille
0
20
40
60
80
100
Technologies clés Impossible à
déterminer
<250...
Technologies clés
5
6
9
17
21
22
24
Services traditionnels
Energie
Services avancés
Industries traditionnelles
Industries ...
Niveau d’opérationnalité %
1 : Etudes+Technologies clés 59,1
2 : Etudes formelles + Pas de technologies clés 4,5
3 : Etude...
Les régions appartenant au « club1 » (Forte performance économique, très innovant, spéciali-
sation en technologies avancé...
Besoins étudiés selon le PIB 1 2 3
<10,000 Form. Professionnelle R&D Info. sur tech
10,000-20,000 Info sur tech. Form. Pro...
Les études vous ont elles permis de définir des plans d’actions spécifiques %
concernant chacun des secteurs principaux de...
Les régions les plus riches sont celles qui font le plus d’études d’anticipation des mutations
dans les industries manufac...
Il n’y a pas de lien évident entre la définition de plans de soutien aux secteurs en reconversion
et le niveau de PIB/habi...
Actions principales du plan
18,5
30,9
24,7
25,9
Actions d'informations permanentes
sur les mutations économiques et
techno...
Plan pour renforcer les liens entre éducation,
recherche et entreprises selon le club
0
20
40
60
80
100
Plan pour renforce...
Définition d'objectifs quantitatifs selon la taille
0
20
40
60
80
100
Objectifs
quantitatifs
Absence d'objectifs
quantitat...
Objectifs selon la taille
0
10
20
30
40
50
60
70
Entreprises
ou emplois
Laboratoires
de recherche
ou
chercheurs
Equipement...
Les deux réponses choisies majoritairement pour la définition des stratégies prioritaires sont
le développement des « rése...
Les priorités des stratégies d'innovation
3,1
7,1
7,9
12,0
13,3
16,7
18,4
21,4
1,3
10,6
9,7
10,3
11,7
18,0
18,7
19,7
Autre...
Quel est le champ géographique de l’observation ? %
Région 42
Pays 24
Europe 15
Monde 19
Total 100
Il y a un paradoxe, dû ...
Chapitre 2
L’analyse économétrique des résultats de l’enquête statistique1
1. Les caractéristiques économiques et structur...
S’agissant des pays assimilables à une région, le taux de représentativité de l’enquête est très
bon puisque 4 pays (Irlan...
Tableau 2 : Description des données économiques pour les régions de l’échantillon
Variable N. Obs. Moyenne Min Max
Populat...
Graphique 1 : Densité de la population et PIB 2002/hab (en SPA)
at21
at31
at33 at34
be21
be22
be23
be24
be25
be31
be32
be3...
Le tableau 3 contient, parmi les régions de l’enquête, les dix unités territoriales dont le PIB
par habitant (en SPA) est ...
D’autre part, en observant la performance économique des plus grandes agglomérations euro-
péennes, il est utile de réaffi...
Le graphique 4 offre une synthèse intéressante parce qu’il montre bien que, si on ignore les
quatre valeurs extrêmes (Buda...
Le graphique 5 synthétise, pour toutes les régions de l’échantillon, la relation entre richesse
par habitant et la croissa...
Le graphique 6 reproduit la même relation avec l’exclusion des valeurs aberrantes. Ce graphi-
que montre de façon très cla...
A ce propos, le graphique 7 permet d’exclure que, entre 1995 et 2002, il ait y eu lieu une
croissance sans emploi, étant d...
2. Les instruments d’analyse stratégique
L’analyse économétrique des réponses au questionnaire de cette étude s’est appuyé...
Pour la première régression, on a agrégé toutes les méthodes d’analyse stratégique de type
SWOT (Strengths, Weaknesses, Op...
tion très basse d’unités affirment avoir leurs concurrents principaux à l’étranger. Ce résultat
est probablement dû au fai...
3. Les études pour l’identification de technologies clés
La partie B de la deuxième section du questionnaire envoyé aux ré...
4. L’étude des besoins spécifiques des entreprises locales
La partie A de la troisième section du questionnaire envoyé aux...
5. L’anticipation des mutations dans les industries traditionnelles
La partie B de la troisième section du questionnaire e...
souvent (-26%) défini des actions de soutien aux entreprises fortement affectées par des chan-
gements économiques ou tech...
7. Les outils d’intelligence économique
La dernière section du questionnaire envoyé aux régions concernait l’utilisation d...
Annexe 1
L’analyse typologique des régions1
1. Les régions du « benchmark »
Une analyse factorielle particulière a été fai...
CONTRIBUTIONS
POSITIVES
CONTRIBUTIONS
NEGATIVES
Axe 1
(+35.4%)
Axe 2
(+29.0%)
Brevet +28,0%
Educbas -14,0%
BR&D +22,0%
Cho...
haute technologie (voir annexe 2), on peut constater que l’indice de Cooke augmente sur un
axe Sud-Ouest/Nord-Est. Les rég...
-
71
97
52
74 90
76
44
46
54
58
80
41
66
74
60
72
55
17
67
95
61
58
BR&D
PR&D
Hi-techemploy
eductert
Chom
PIB
Brevet
Educb...
1
1
1
3
1 1
3
1
1
1
3
3
3
3
1
2
1
1
4
3
1
1
1
BR&D
PR&D
Hi-techemploy
eductert
Chom
PIB
Brevet
Educbas
2. Les régions fran...
Si on essaie de situer les régions françaises dans les régions du benchmark, on constate que
seulement trois régions franç...
Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT
Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT
Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT
Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT
Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT
Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT
Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT
Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT
Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT
Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT
Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT
Prochain SlideShare
Chargement dans…5
×

Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT

1 368 vues

Publié le

Volet III de l'étude sur le management stratégique des régions, réalisée par Jean Claude Prager. Analyse statistique et économétrique des pratiques stratégiques des régions européennes.

Publié dans : Business
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
1 368
Sur SlideShare
0
Issues des intégrations
0
Intégrations
8
Actions
Partages
0
Téléchargements
6
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT

  1. 1. Agence pour la diffusion de l’information technologique Mai 2005 Le management stratégique des régions en Europe Une étude comparative par Jean-Claude Prager Directeur, Agence pour la diffusion de l’information technologique Tome III : L’analyse statistique avec le concours de Emanuele Ciriolo et de Arnaud Louis La réalisation de cette étude s’est appuyée sur les contributions et la collaboration étroite du réseau des Missions Economiques de la Direction Générale du Trésor et de la Politique Economique
  2. 2. Cette étude a été cofinancée par le FEDER dans le cadre du Programme National d'Assistance Technique 2
  3. 3. Chapitre 1................................................................................................................................... 4 L’analyse statistique des pratiques stratégiques des régions européennes................................. 4 1. Les analyses stratégiques ..................................................................................................... 5 2. Les études de technologies clés.......................................................................................... 13 3. Les études des besoins spécifiques des entreprises locales................................................ 16 4. Les études des mutations dans les industries manufacturières traditionnelles................... 19 5. Les plans spécifiques pour renforcer les liens entre la RD et les entreprises locales ........ 22 6. Les stratégies d’innovation................................................................................................. 25 7. Les instruments de veille économique et technologique.................................................... 27 Chapitre 2................................................................................................................................. 29 L’analyse économétrique des résultats de l’enquête statistique............................................... 29 1. Les caractéristiques économiques et structurelles des unités de l’enquête ........................ 29 2. Les instruments d’analyse stratégique................................................................................ 39 3. Les études pour l’identification de technologies clés......................................................... 42 4. L’étude des besoins spécifiques des entreprises locales .................................................... 43 5. L’anticipation des mutations dans les industries traditionnelles........................................ 44 6. Les plans spécifiques pour améliorer les interactions recherche-industrie........................ 45 7. Les outils d’intelligence économique................................................................................. 46 Annexe 1 .................................................................................................................................. 47 L’analyse typologique des régions........................................................................................... 47 1. Les régions du « benchmark »............................................................................................ 47 2. Les régions françaises ........................................................................................................ 51 Annexe 2 .................................................................................................................................. 54 Statistiques sur les régions benchmark..................................................................................... 54 Annexe 3 .................................................................................................................................. 56 Questionnaire ........................................................................................................................... 56 3
  4. 4. Chapitre 1 L’analyse statistique des pratiques stratégiques des régions européennes Ce premier chapitre1 est consacré à la description du comportement « stratégique » des ré- gions, tel qu’il résulte des réponses au questionnaire adressé à l’ensemble des régions, que l’on trouvera en annexe 3. Il s’agira ici d’un traitement « brut » des résultats, le chapitre sui- vant développant des considérations analytiques tirées de cette exploitation. La population des 88 régions qui ont répondu au questionnaire est en moyenne de 2 millions d’habitants et se distribue de la manière suivante (les limites des groupes ont été choisis pour que la distribution de l’ensemble soit symétrique) : Distribution de la population 0 5 10 15 20 25 30 35 <250,000 250,000- 500,000 500,000- 2,000,000 2,000,000- 4,000,000 >4,000,000 Le PIB par habitant des régions qui ont répondu au questionnaire est en moyenne de 21401 € (données SPA, 2002, source eurostat, ce sont ces données que l’on retient tout au long de l’étude), légèrement inférieur à la moyenne européenne (moyenne 2002, UE15 : 23402 €) et la distribution des régions par catégories est la suivante : Distribution du PIB (SPA par habitant) 0 5 10 15 20 25 30 35 <10,000 10,000- 20,000 20,000- 23,000 23,000- 28,000 >28,000 1 Ce chapitre a été réalisé avec l’étroite collaboration de A. Louis, qui a effectué le traitement des questionnaires l’exploitation statistique ; le traitement est fondé sur les questionnaires retournés au 1er mai 2005, au nombre de 88. 4
  5. 5. Les résultats de l’enquête seront également décrits selon le niveau de développement de la région, tel qu’il a été défini par exemple dans la classification retenue par Mei H. C. Ho (2004) et présentée au chapitre 2 du Tome I de ce rapport. Mei H. C. Ho a regroupé les ré- gions de l’Europe des 15 en quatre « clubs »: « Club 1 » : Forte performance économique, très innovant, spécialisation en technologies avancées. « Club 2 » : Economie peu performante, faible spécialisation industrielle, peu d’innovations. « Club 3 » : Emploi fort, industrie traditionnelle. « Club 4 » : Faible croissance économique, activité liée aux ressources naturelles. Distribution selon les "clubs de régions" Echantillon 0 20 40 Club1 Club2 Club3 Club4 Distribution selon les "clubs de région" Europe 0 50 Club1 Club2 Club3 Club4 Parmi les régions qui ont répondu, 34% font partie du « club 1 » (Forte performance écono- mique, très innovant, spécialisation en technologies avancées). Ces régions sont donc mieux représentées dans l’échantillon que dans l’ensemble de l’UE15 où elles ne sont que 30%. De même, le « club 4 » (Faible croissance économique, activité liée aux ressources naturelles) est sur représenté dans notre échantillon par rapport à l’UE15 : 24% contre 11,3%. A l’inverse, le « club 3 » (Emploi fort, industrie traditionnelle) et le « club 2 » (Economie peu performante, faible spécialisation industrielle, peu d’innovations) sont un peu sous représentés dans l’échantillon. Il faut noter que pour la quasi-totalité des régions considérées, le développement économique local est partagé entre les autorités nationales et les autorités régionales élues, à des degrés certes très variables et à de rares exceptions près. 1. Les analyses stratégiques - Analyses stratégiques. La quasi-totalité des régions interrogées utilisent une méthode d’analyse stratégique de type SWOT : 89% des régions qui ont répondu réalisent des études stratégiques, et d’une manière formelle pour un tiers d’entre elles. Analyse SWOT % Etude SWOT formelle 38,6 Etude SWOT informelle 50 Pas d’étude SWOT 11,4 Total 100 La richesse des régions et leur taille jouent un rôle. Les régions les plus riches font toutes des études stratégiques et c’est parmi les régions dont le PIB/habitant est le plus faible que l’on retrouve le pourcentage le plus élevé de régions qui ne 5
  6. 6. font pas d’études stratégiques, mais également le pourcentage le plus élevé de régions qui réalisent des études formelles. Analyse SWOT selon le PIB/habitant 0 10 20 30 40 50 60 70 80 Etude SWOT formelle Etude SWOT informelle Pas d'étude SWOT <10,000 10,000-20,000 20,000-23,000 23,000-28,000 >28,000 La taille joue également un rôle dans la mise en œuvre des études : les régions ont recours à des études d’autant plus formalisées que leur taille est élevée. A l’inverse, les régions de moins de 250000 habitants ne sont qu’à peine 20% à faire des études formelles et 80% d’entre elles font des études informelles. Les régions de taille moyenne ont une légère tendance à faire moins d’études stratégiques que les autres. Analyse SWOT selon la taille 0 10 20 30 40 50 60 70 80 90 Etude SWOT formelle Etude SWOT informelle Pas d'étude SWOT <250,000 250,000- 500,000 500,000-2,000,000 2,000,000-4,000,000 >4,000,000 Les régions appartenant au « club 1 » (Forte performance économique, très innovant, spéciali- sation en technologies avancées) et au « club 3 » (Emploi fort, industrie traditionnelle) font toutes des études SWOT (formelles ou non), alors que seulement 75% des régions appartenant au « club 2 » (Economie peu performante, faible spécialisation industrielle, peu d’innovations) et au « club 4 » (Faible croissance économique, activité liée aux ressources naturelles) en réalisent. La proportion de régions qui réalisent des études formelles est toute- fois la même dans tous les « clubs ». 6
  7. 7. Analyse SWOT selon le "club" 0 10 20 30 40 50 60 70 Etude SWOT formelle Etude SWOT informelle Pas d'étude SWOT Club1 Club2 Club3 Club4 Le plus souvent, dans 64% des cas, les études SWOT sont menées par des équipes internes. Qui effectue ces études? 29,4 34,9 35,7 Une équipe interne de spécialistes des études stratégiques Une équipe interne de spécialistes du secteur Un prestataire de service externe Le recours à un prestataire de services externe est plus fréquent dans les régions les plus ri- ches, ainsi que pour les régions les plus peuplées. Les régions les plus petites sont 20% à avoir recours à un prestataire de service externe, alors que les régions les plus grandes en utilisent un à 56%. Cette opposition est moins sensible entre les régions les plus riches et les régions les plus pauvres. Le fait d’avoir recours à un prestataire de service externe pour réaliser des études SWOT est donc plus lié à la grande taille d’une région qu’à son niveau de richesse. Par contre, la distinction entre « clubs » de développement ne fait pas apparaître de différence significative entre les régions, si ce n’est pour le « club 4 » moins enclin que les autres à avoir recours à un prestataire de service externe (28% contre une moyenne de 35%). - Les régions considérées comme concurrentes. Plus de la moitié des régions (51%) sont capables de désigner les régions qu’elles considèrent comme des concurrentes dans la compétition internationale. Capacité à désigner les régions concurrentes % Oui 51,1 Non 48,9 Total 100 7
  8. 8. Les régions les plus riches, de PIB/habitant supérieur à 28000 €, se distinguent des autres : elles sont 80% à pouvoir désigner des concurrents, contre une moyenne de 51%. Il n’y a pas cependant pas de lien évident entre la taille des régions et leur capacité à désigner des concur- rents. La distinction selon le « club » de développement ne permet pas de différencier les ré- gions au regard de leur capacité à désigner des concurrents. Capacité à désigner des concurrents selon le PIB/habitant 0 10 20 30 40 50 60 70 80 90 oui non <10,000 10,000-20,000 20,000-23,000 23,000-28,000 >28,000 Les régions capables de caractériser leurs concurrentes les situent, pour 45%, dans le même pays qu’elles, alors que pour 40% des régions, les régions concurrentes se situent à l’extérieur de leurs pays ; les « régions capitales » sont citées dans un peu plus de un dixième des cas. Localisation des concurrents 44,9 14,8 40,3 Régions du même pays Régions capitale du pays Autres pays Les régions les plus riches se distinguent nettement des autres. Elles sont 90% à désigner leurs concurrents dans les pays étrangers et aucune à se considérer en concurrence avec la capitale de leur pays, quand elles ne sont pas d’ailleurs, elles-mêmes, la région capitale. 8
  9. 9. Localisation des concurrents selon le PIB/habitant 0 20 40 60 80 100 Régions du même pays Régions capitale du pays Autres pays <10,000 10,000-20,000 20,000-23,000 23,000-28,000 >28,000 Il y a un clivage marqué entre les régions de moins de 500000 habitants, qui sont celles qui désignent le moins de régions étrangères comme concurrentes, et les autres régions qui sont plus de 40% à le faire. Localisation des concurrents selon la taille 0 10 20 30 40 50 60 70 80 Régions du même pays Régions capitale du pays Autres pays <250,000 250,000- 500,000 500,000-2,000,000 2,000,000-4,000,000 >4,000,000 Il y a également un lien marqué entre le niveau de développement des régions et la manière dont celles-ci se situent dans la concurrence internationale. Les régions du « club 1 » (Forte performance économique, très innovant, spécialisation en technologies avancées) sont les plus tournées vers l’étranger puisque la moitié d’entre elles désignent comme concurrentes des régions dans d’autres pays. A l’inverse, parmi les régions du « club 2 » (Economie peu performante, faible spécialisation industrielle, peu d’innovations), aucune n’est en concurrence avec des régions étrangères. A l’extrême, les « régions capitales » à l’exception de Stockholm qui n’a pas répondu à la question, considèrent toutes que la concurrence se situe totalement à l’extérieur du pays. 9
  10. 10. Localisation des concurrents selon le club 0 10 20 30 40 50 60 70 Régions du même pays Régions capitale du pays Autres pays Club1 Club2 Club3 Club4 - Les secteurs compétitifs. 52% des régions peuvent nommer les secteurs pour lesquels elles considèrent qu’elles bénéfi- cient d’avantages concurrentiels. Capacité à nommer les secteurs concurrentiels % Oui 52,3 Non 47,7 Total 100 Il y a un lien assez fort entre la richesse et la capacité à désigner des secteurs concurrentiels. Parmi les régions dont le PIB/habitant est supérieur à 20000€, environ 60% peuvent désigner de tels secteurs. Pour les régions dont le PIB/habitant est inférieur à 20000€, ce même chiffre est de l’ordre de 45%. Capacité à nommer les secteurs concurrentiels selon le PIB/habitant 0 10 20 30 40 50 60 70 oui non <10,000 10,000-20,000 20,000-23,000 23,000-28,000 >28,000 Les régions de moins de 250000 habitants sont 70% à pouvoir désigner leurs secteurs concur- rentiels et les autres se situent entre 50 à 60% 10
  11. 11. Capacité à désigner des secteurs concurrentiels selon la taille 0 10 20 30 40 50 60 70 80 oui non <250,000 250,000- 500,000 500,000-2,000,000 2,000,000-4,000,000 >4,000,000 Les régions du « club 3 » (Emploi fort, industrie traditionnelle) sont légèrement plus nom- breuses à désigner des secteurs concurrentiels, 66% contre une moyenne de 52% pour les au- tres régions qui répondent dans les mêmes proportions. Capacité à désigner des secteurs concurrentiels selon le club 0 10 20 30 40 50 60 70 oui non Club1 Club2 Club3 Club4 Les secteurs pour lesquels les régions considèrent qu’elles ont des avantages compétitifs mar- qués sont, dans l’ordre, celui des « TIC », suivi des « Sciences de la vie » et du secteur de l’automobile. Les TIC sont considérés comme un secteur compétitif, indépendamment du niveau de PIB/habitant, sauf pour les régions dont le PIB/habitant est inférieur à 10000 €. Les sciences de la vie, de même que les activités financières, sont plutôt le fait des régions les plus riches. La taille des régions exerce une certaine influence sur le choix des secteurs considérés comme les plus compétitifs. Les régions les plus importantes mettent en avant les activités financiè- res, l’automobile, les TIC et les sciences de la vie. Au sein des régions du « club 1 » (Forte performance économique, très innovant, spécialisation en technologies avancées) ce sont les secteurs des sciences de la vie et des TIC qui sont signalés en priorité. 11
  12. 12. Secteurs concurrentiels selon le PIB/hab Secteur 1 Secteur 2 Secteur 3 <10,000 Construction Agroalimentaire Commerce 10,000-20,000 Service aux entreprises TIC Automobile 20,000-23,000 TIC Automobile Sciences de la vie 23,000-28,000 Sciences de la vie TIC Machines >28,000 TIC Electrotechnique Finance Secteurs concurrentiels selon la taille <250,000 Energie Environnement Logistique 250,000-500,000 Agroalimentaire TIC Transport 500,000-2,000,000 TIC Automobile Sciences de la vie 2,000,000-4,000,000 Sciences de la vie TIC Finance >4,000,000 Sciences de la vie Automobile Finance Secteurs concurrentiels selon le club Club 1 (technologies avancées) Sciences de la vie TIC Finance Club 2 (peu d’innovations) Logistique Agroalimentaire Gestion de l’eau Club 3 (performance et ind. traditionnelles) Automobile Machines TIC Club 4 (ressources naturelles) Construction Energie Agroalimentaire - L’opérationnalité stratégique On a essayé de construire un indice d’opérationnalité stratégique, en considérant qu’une ana- lyse stratégique est « opératoire » si elle permet à la région qui la met en oeuvre d’identifier les secteurs pour lesquels elle dispose d’avantages concurrentiels. Les régions capitales sont considérées comme particulières de ce point de vue ; leur opérationnalité ne passe pas par ce critère et on a retenu pour elles un classement « neutre ». On a ainsi défini 6 niveaux d’opérationnalité stratégique : Niveaux d’opérationnalité % 1 : existence d’analyses et capacité à nommer les secteurs compétitifs 50,0 2 : existence d’analyses formelles mais pas de capacité à nommer les secteurs compétitifs 18,2 3 : pas d’analyses mais région capitale 3,4 4 : existence d’analyses informelles mais pas de capacité à nommer les secteurs compétitifs 17,0 5 : pas d’analyses 9,1 6 : pas d’analyses mais capacité à nommer les secteurs compétitifs 2,3 Total 100 Ainsi, sur l’ensemble des régions, 50% font des études SWOT et sont capables de nommer leurs secteurs concurrentiels avec précision et parfois d’identifier leurs concurrents. A l’inverse, 35% des régions prétendent mener à bien des analyses stratégiques (formelles ou non) mais sont incapables de désigner les secteurs pour lesquels elles disposent d’avantages compétitifs. Les analyses stratégiques des régions les plus riches sont les plus « opératoires » : environ 60% des régions de revenu par habitant supérieur à 20000€ sont « opératoires », alors que seules 30% des régions les plus pauvres (PIB inférieur à 20,000€) le sont. Les régions dont les analyses stratégiques sont les plus opératoires sont en moyenne les plus petites : elles sont 70% à avoir un indice de 1 contre une moyenne de 50% sur l’ensemble des régions. Par contre le niveau de développement n’est pas un facteur discriminant selon ce critère. 12
  13. 13. 2. Les études de technologies clés - Méthode d’identification des technologies clés. 73% des régions utilisent une méthode (formelle ou informelle) d’identification des technolo- gies clés : elles sont donc moins nombreuses que dans le cas des études SWOT (90%). Ce- pendant, seulement 31% des régions font des études informelles alors qu’elles étaient 50% dans le cas des études SWOT. Cette différence met en évidence que les régions considèrent que l’étude des technologies clés demande une technicité plus grande que les analyses straté- giques, qu’elles considèrent pouvoir, en majorité, effectuer par des méthodes informelles. Méthode d’identification des technologies clés % Etudes formelles 42,0 Etudes informelles 30,7 Pas d’études 27,3 Total 100 Les régions les plus riches sont environ 80% à faire des études de technologies clés, alors que 45% des régions dont le PIB est inférieur à 20000 € en font. Par contre, la taille n’est pas un facteur distinctif. Etudes des technologies selon le PIB/habitant 0 10 20 30 40 50 60 Etudes formelles Etudes informelles Pas d'études <10,000 10,000-20,000 20,000-23,000 23,000-28,000 >28,000 - Identification des technologies clés. 66% des régions peuvent identifier leurs technologies clés. Les régions qui ne peuvent pas déterminer leurs technologies clés sont plutôt parmi les moins riches, mais il n’y a pas d’ « effet PIB/habitant » marqué. Technologies clés pour la région % Capacité à fournir une liste 65,9 Impossible à determiner 34,1 Total 100 Les régions les plus grandes (dont la population est supérieure à 4 millions d’habitants) sont moins capables que les autres de fournir une liste de leurs technologies clés ; seules 40% d’entre elles, contre 2/3 pour les autres régions, sont en mesure de le faire. 13
  14. 14. Capacité à désigner des technologies clés selon la taille 0 20 40 60 80 100 Technologies clés Impossible à déterminer <250,000 250,000- 500,000 500,000-2,000,000 2,000,000-4,000,000 >4,000,000 Il y a également un lien entre la capacité à caractériser les technologies clés et le niveau de développement de la région. Les régions du « club 1 » (Forte performance économique, très innovant, spécialisation en technologies avancées) sont 80% à être en mesure de désigner leurs technologies clés. A l’inverse, seules 50% des régions du « club 4 » (Faible croissance économique, activité liée aux ressources naturelles) sont capables de le faire. Capacité à désigner des technologies clés selon le club 0 20 40 60 80 100 Technologies clés Impossible à determiner Club1 Club2 Club3 Club4 Parmi les régions capables d’identifier leurs technologies clés, 24% ont désigné des TIC (Technologies de l’Information et de la Communication). La deuxième technologie-clé citée est celle des « Sciences du vivant » (biotechnologies, santé, instruments médicaux, pharma- ceutique) citées par 22% des régions, puis viennent les techniques d’industries avancées (microélectronique, nanotechnologies, optique, aérospatial etc.) 14
  15. 15. Technologies clés 5 6 9 17 21 22 24 Services traditionnels Energie Services avancés Industries traditionnelles Industries avancées Sciences du vivant TIC Les régions les plus riches mettent en avant les Sciences du vivant et les TIC de même que les régions les plus grandes, alors que les régions dont la population est inférieure à 250000 habi- tants choisissent en priorité des techniques liées à l’industrie traditionnelle (métaux, acier, automobile, agroalimentaire etc.) ou les services avancés (gestion de la qualité, valorisation industrielle, technologies de production etc.). Les régions du « club 1 » (Forte performance économique, très innovant, spécialisation en technologies avancées), tout comme les régions les plus riches et les plus grandes, considèrent les technologies des Sciences du vivant et des TIC comme leurs technologies clés. Technologies clés selon le PIB/hab Technologies 1 Technologies 2 Technologies 3 <10,000 Industries avancées Ind traditionelles Services traditionnels 10,000-20,000 Ind traditionnelles Industrie avancée TIC 20,000-23,000 TIC Industrie avancée Sciences du vivant 23,000-28,000 Sciences du vivant- TIC Industrie avancée >28,000 Sciences du vivant TIC Industrie avancée Technologies clés selon la taille <250,000 Industrie traditionnelle Services avancés Energie 250,000-500,000 TIC Industrie avancée Sciences du vivant 500,000-2,000,000 Sciences du vivant TIC Industrie avancée 2,000,000-4,000,000 Sciences du vivant TIC Industrie avancée >4,000,000 TIC Sciences du vivant Industrie avancée Technologies clés selon le club Club1 (technologies avancées) Sciences du vivant TIC Industrie avancée Club2 (peu d’innovations) Industrie traditionnelle Industrie avancée TIC Club3 (industries traditionnelles) Industrie avancée TIC Industrie traditionnelle Club4 (ressources naturelles) Industrie traditionnelle Industrie avancée Sciences du vivant - L’« opérationnalité » Si on établit un indice d’opérationnalité de la même nature que celui élaboré pour les études stratégiques, on constate que les réponses afférentes aux technologies-clés sont dans l’ensemble plus « opératoires » que celles effectuées dans la première partie sur les analyses stratégiques. En effet, sur l’ensemble des régions, 59% font des études et sont capables de citer leurs « technologies-clés ». La part des régions dont les études sont « opératoires » est de 70% parmi les régions dont le PIB est supérieur à 20000€. Parmi les régions les moins riches (dont le PIB est compris entre 10000€ et 20000€), 30% sont en mesure de fournir une liste de « technologies-clés » alors qu’elles ne font pas d’études. 15
  16. 16. Niveau d’opérationnalité % 1 : Etudes+Technologies clés 59,1 2 : Etudes formelles + Pas de technologies clés 4,5 3 : Etudes + Pas de technologies clés mais capitale 2,3 4 : Etudes informelles + Pas de technologies clés 8,0 5 : Pas d’études + Pas de technologies clés 11,4 6 : Pas d’études + Technologies clés 14,8 Total 100 Les plus petites régions sont le plus « opératoires », pour plus de 80% d’entre elles, alors que les régions les plus grandes sont seulement 30%. Les régions du « club 1 » (Forte perfor- mance économique, très innovant, spécialisation en technologies avancées) sont les plus « cohérentes » (73%) alors que celles du « club 4 » (Faible croissance économique, activité liée aux ressources naturelles) ne sont que 35% à être « opératoires » et près de 45% à ne pas faire d’études. Enfin, si on compare les comportements d’« opérationnalité » par rapport à ce qu’ils étaient pour les analyses stratégiques, on constate qu’il y a peu de lien entre les deux types d’opérationnalité. 3. Les études des besoins spécifiques des entreprises locales - Analyse des besoins des entreprises. 65% des régions réalisent des études détaillées pour analyser les besoins des entreprises. Etude des besoins des entreprises % Oui 64,8 Non 35,2 Total 100 Il y a une relation linéaire entre la richesse et la réponse à la question : plus les régions sont riches et moins elles étudient les besoins des entreprises, les régions les plus riches ne les étu- diant qu’à 40%. Etude des besoins des entreprises selon le PIB/habitant 0 20 40 60 80 100 oui non <10,000 10,000-20,000 20,000-23,000 23,000-28,000 >28,000 La distinction entre petites et grandes régions est moins sensible que celle entre les régions dont le PIB/habitant est élevé et celles où il est faible, mais elle est bien visible tout de même : les plus petites régions sont celles qui réalisent le plus d’études des besoins des entreprises. 16
  17. 17. Les régions appartenant au « club1 » (Forte performance économique, très innovant, spéciali- sation en technologies avancées) et au « club 3 » (Emploi fort, industrie traditionnelle) font moins d’études (58%) que les régions des « club 2 » (Economie peu performante, faible spé- cialisation industrielle, peu d’innovations) et celles du « club 4 » (Faible croissance économi- que, activité liée aux ressources naturelles) qui en font pour 78% d’entre elles. Parmi les régions qui étudient les besoins des entreprises, près de trois régions sur quatre (74%) considèrent « l’information sur les technologies » comme la priorité principale. La se- conde priorité, pour 63% d’entre elles, est la « R&D », et la troisième est « l’information sur les marchés ». Ces réponses montrent bien que les régions jugent que l’information et la R/D sont les facteurs de production majeurs dans l’économie de la connaissance. Analyse des besoins des entreprises domaines principaux étudiés 27,9 53,5 55,8 55,8 62,8 74,4 Autres Formation professionnelle Financement spécifique (capital risque…) Information sur les marchés sectoriels et étrangers R&D Information sur les technologies (Plusieurs réponses possibles) Les régions qui ont répondu « Autres » font la plupart du temps référence à des préoccupa- tions concernant le management en général, comme « l’attitude entrepreneuriale », « les ré- seaux d’affaires » ou le « développement organisationnel ». Les régions les plus riches s’intéressent au « financements spécifiques » et à la « R&D » alors que la « formation professionnelle » est mise en avant par les régions dont le PIB/habitant est plus faible. Il ne semble pas y avoir de domaine d’étude privilégié selon la taille. Les régions appartenant au « club 1 » (Forte performance économique, très innovant, spéciali- sation en technologies avancées) et au « club 3 » (Emploi fort, industrie traditionnelle) esti- ment prioritaires, dans le fil de la tendance générale, la R/D », les « informations sur les tech- nologies » et les « informations sur les marchés ». 17
  18. 18. Besoins étudiés selon le PIB 1 2 3 <10,000 Form. Professionnelle R&D Info. sur tech 10,000-20,000 Info sur tech. Form. Professionnelle R&D 20,000-23,000 Info sur tech. R&D Info. sur marchés 23,000-28,000 Info sur tech. R&D Fin. spécifique >28,000 R&D Fin. spécifique Info. sur marchés Besoins étudiés selon la taille <250,000 Info. sur marchés Info sur tech. Fin. spécifique 250,000-500,000 R&D Info sur tech. Form. Professionnelle 500,000-2,000,000 Info sur tech. R&D Info. sur marchés 2,000,000-4,000,000 Fin. spécifique Form. Professionnelle Info sur tech. >4,000,000 Info. sur marchés Info sur tech. Form. Professionnelle Besoins étudiés selon le club Club1 (technologies avancées) R&D Info sur tech. Info. sur marchés Club2 (peu d’innovations) Form. Professionnelle Info sur tech. R&D Club3 (industries traditionnelles) Info sur tech. Info. sur marchés R&D Club4 (ressources naturelles) Form. Professionnelle Info sur tech. Info. sur marchés - La réalisation des études sur les besoins de entreprises locales. Pour les régions qui effectuent des études sur les besoins de entreprises locales, celles ci sont en majorité réalisées par des services internes (51%). Qui effectue ces études? 26,1 24,6 49,3 Une équipe interne de spécialistes Une équipe interne de généralistes Un prestataire de services externe Les régions qui ont recours à un prestataire de service externe sont plutôt parmi les régions dont le niveau de PIB/habitant est le moins élevé. Les régions les plus riches ne sont que 30% à faire appel à une aide extérieure. De même les régions les plus petites sont plus de 60% à faire appel à un intervenant extérieur, contre une moyenne de 49% sur l’ensemble des régions. Parmi les régions qui font des études sur les besoins de entreprises locales, la quasi-totalité a défini un programme d’actions ; pour 44 %, il concerne l’industrie dans son ensemble et pour seulement 47% il s’agit des plans d’actions sectoriels. 18
  19. 19. Les études vous ont elles permis de définir des plans d’actions spécifiques % concernant chacun des secteurs principaux de la région 17,1 concernant seulement quelques secteurs de la région 29,8 concernant l’industrie dans son ensemble 44,1 Aucune des trois réponses 8,9 Total 100 Les régions dont le niveau de PIB/habitant est le moins élevé ont tendance à avoir des plans plus généraux : 61% contre une moyenne de 44% sur l’ensemble des régions. L’effet de la taille indique que les régions les plus petites (moins de 500000 habitants) sont celles qui ont une tendance légèrement plus grande à définir des plans concernant l’industrie dans son en- semble. Les régions du « club 3 » (Emploi fort, industrie traditionnelle) sont près de 25% à définir un plan pour chacun des secteurs principaux de la région, contre une moyenne de 15% pour les autres régions. Plan d'action selon le club 0 10 20 30 40 50 60 Concernant chacun des secteurs principaux de la région Concernant seulement quelques secteurs de la région Concernant l'industrie dans son ensemble Aucune des trois réponses Club1 Club2 Club3 Club4 4. Les études des mutations dans les industries manufacturières traditionnelles - Etudes des mutations de l’industrie 59% des régions effectuent des études d’anticipation des mutations dans les industries, dont 14% de façon très formelle. La part des régions qui ne font pas d’étude (41%) est plus impor- tante que pour les analyses stratégiques ou celles des technologies clés. Effectuez-vous des études d’anticipation des mutations dans les industries manufacturières traditionnelles ? % Oui, de manière formelle avec l’aide de spécialistes nationaux et inter- nationaux 13,6 Oui, de manière informelle, mais avec des spécialistes sectoriels de vo- tre organisation 20,5 Oui, de manière informelle 25,0 Non 40,9 Total 100 19
  20. 20. Les régions les plus riches sont celles qui font le plus d’études d’anticipation des mutations dans les industries manufacturières traditionnelles. Alors que 80% des régions dont le PIB par habitant est supérieur à 28000 € font des études, seules 40% des régions au PIB inférieur à 10000 € en font. Les études formelles sont pratiquées à part égales dans toutes les catégories de PIB/hab. Etudes des mutations industrielles selon le PIB/habitant 0 10 20 30 40 50 60 70 Oui de manière formelle Oui de manière informelle, avec spécialistes sectoriels Oui, de manière informelle Non <10,000 10,000-20,000 20,000-23,000 23,000-28,000 >28,000 Le lien entre la taille et le fait de faire des études dans l’industrie n’est pas simple car les ré- gions les plus grandes et les plus petites font toutes deux des études à hauteur de 80%. Les régions du « club 4 » (Faible croissance économique, activité liée aux ressources naturelles) se distinguent des autres car elles ne sont que 45% à faire des études. Les régions du « club 2 » (Economie peu performante, faible spécialisation industrielle, peu d’innovations) sont plus de 80% à faire des études de mutations industrielles dans les industries manufacturières traditionnelles. Il y a un lien entre le fait des réaliser des analyses de mutations industrielles et celui de faire des études stratégiques. En effet, parmi les régions considérées comme « opératoires » du point de vue de leurs analyses stratégiques, 69% font également des études sur les mutations industrielles. Les régions qui ne font pas d’études stratégiques ou dont les études ne sont pas considérées « opératoires », selon la typologie développée plus haut, ne sont que 57% à faire des études de mutations dans les industries manufacturières traditionnelles. Par ailleurs, par- mi les régions considérées comme « opératoires » du point de vue de leurs analyses stratégi- ques, 22% font des études des mutations industrielles « très formelles avec l’aide de spécia- listes nationaux ou internationaux », alors que ce chiffre n’est que de 15% pour l’ensemble des autres régions. Le fait d’effectuer des études stratégiques « opératoires » implique donc, non seulement une propension plus grande à faire des études sur les mutations industrielles, mais aussi que cel- les-ci seront plus articulées. - Définition de plans de soutien aux secteurs en reconversion Un peu moins des deux tiers des régions a défini un plan de soutien aux secteurs en reconver- sion : Définition d’un plan % Oui 56,8 Non 43,2 Total 100 20
  21. 21. Il n’y a pas de lien évident entre la définition de plans de soutien aux secteurs en reconversion et le niveau de PIB/habitant, le « club » ou la taille de la région. La raison la plus simple est que les restructurations industrielles concernent les régions d’une manière indépendante de leur population. On retrouve cependant un lien léger entre le fait de mettre en œuvre des plans de soutien aux secteurs en reconversion et le degré d’« opérationnalité » dans la réalisation des études stratégiques. En effet, parmi les régions considérées comme « opératoires » du point de vue de l’analyse stratégique, 60% ont défini un plan alors que ce chiffre n’est que de 51% pour l’ensemble des autres régions. Les régions qui ont réalisé des études sur l’industrie (formelles ou non) définissent des plans de soutien à 74% et les régions qui ne font pas de telles études sont 64% à ne pas avoir de plans. Le lien entre le fait de réaliser des études sur les mutations industrielles et celui de dé- finir des plans de la définition d’un plan et les études est donc très fort. Définition d'un plan de soutien selon les études sur les industries en mutations 36,10 76,92 75,00 69,23 63,90 23,08 25,00 30,77 Non Oui, de manière informelle Oui, de manière informelle mais avec des spécialistes sectoriels de votre organisation Oui, de manière très formelle avec l'aide de spécialistes nationaux et internationaux. Plan de soutien Absence de plan On peut remarquer, malgré cela, qu’environ 30% des régions qui déclarent effectuer des étu- des d’anticipations industrielles n’ont pas de plan. Il n’y a pas de différence à cet égard entre la manière de réaliser les études, qu’elles soient « formelles » ou « informelles ». Ceci montre que le fait de réaliser des études formelles n’est pas toujours le signe d’une volonté d’action. - Les actions principales prévues par les plans. Les plans prévoient d’une manière assez équilibrée différents actions, notamment la recherche de nouveaux débouchés (30%) et l’utilisation de nouvelles technologies (26%). 21
  22. 22. Actions principales du plan 18,5 30,9 24,7 25,9 Actions d'informations permanentes sur les mutations économiques et technologiques Actions soutenant la recherche de nouveaux débouchés Plans spéciaux de R&D Actions de formation à l'utilisation de nouvelles technologies 5. Les plans spécifiques pour renforcer les liens entre la R&D et les entreprises locales - Les plans pour renforcer les liens entre universités et entreprises. 65% des régions ont élaboré un plan pour améliorer les liens entre l’éducation, la recherche et les besoins des entreprises. Avez-vous défini un plan d’action pour améliorer les liens entre l’éducation et la recherche et les besoins des entreprises locales ? % Oui 64,8 Non 35,2 Total 100 La différence de PIB/habitant, ou de taille, ne permet pas une distinction nette entre les ré- gions. Cependant, le pourcentage des régions qui élaborent des plans parmi celles dont le PIB/habitant est le plus faible est moins élevé que celui des autres catégories : 45% contre 65%. Les régions de taille différente ont des comportements identiques. Par contre, les ré- gions du « club »1 (Forte performance économique, très innovant, spécialisation en technolo- gies avancées) ont des plans à 80% alors que celles du « club 4 » (Faible croissance économi- que, activité liée aux ressources naturelles) ne sont qu’à peine 35% à en définir. On trouve donc grâce à cette distinction entre « clubs », une différence qui n’est pas caractéristique du point de vue du PIB ou de la taille des régions. 22
  23. 23. Plan pour renforcer les liens entre éducation, recherche et entreprises selon le club 0 20 40 60 80 100 Plan pour renforcer les liens Absence de plan Club1 Club2 Club3 Club4 Les régions considérées comme « opératoires » du point de vue de leurs analyses stratégiques se distinguent des autres. En effet, parmi elles, 71% ont défini un plan alors que ce chiffre n’est que de 57% pour les autres régions. De même, les régions qui ont réalisé des études d’analyse des besoins des entreprises locales ont plus tendance à définir des plans pour ren- forcer les liens entre les entreprises et la recherche : parmi les régions qui ne font pas d’études sur les besoins des entreprises, 55% ont défini de tels plans alors que ce chiffre est de 70% pour les régions qui font des études. - Les priorités et objectifs des plans spécifiques pour renforcer les liens entre la R&D et les entreprises locales. Les deux principales priorités de ces plans sont : - une coopération accrue entre les universités et les entreprises (projets de recherche en com- mun, dernière année de thèse conduite au sein d’une industrie locale, soutien à la formation continue, transfert de technologies entre laboratoires et entreprises). - le développement de « clusters ». Parmi les régions qui ont un plan, 51% ont défini des objectifs quantitatifs. Définition d’objectifs quantitatifs % Objectifs quantitatifs 51,0 Absence d’objectifs quantitatifs 49,0 Total 100 Le fait de définir des objectifs quantitatifs n’est pas lié linéairement au PIB/habitant : alors que les régions de PIB/habitant moyen (20000-23000€) sont 70% à en définir, les régions les plus riches ne sont que 30% à le faire et les régions les plus pauvres définissent des objectifs pour la moitié d’entre elles. 2/3 des régions de taille moyenne fixent des objectifs quantitatifs dans leurs plans spécifiques pour renforcer les liens entre la R&D et les entreprises locales, alors que les régions les plus grandes (dont la population dépasse 2 millions d’habitants) ne sont qu’autour de 20% à définir des objectifs quantitatifs. Les autres régions sont 65% à en définir. 23
  24. 24. Définition d'objectifs quantitatifs selon la taille 0 20 40 60 80 100 Objectifs quantitatifs Absence d'objectifs quantitatifs <250,000 250,000- 500,000 500,000-2,000,000 2,000,000-4,000,000 >4,000,000 Les régions du « club 4 » (Faible croissance économique, activité liée aux ressources naturel- les) sont 72% à définir des objectifs quantitatifs. A l’opposé, les régions du « club 3 » (Emploi fort, industrie traditionnelle) ne sont que 28% à le faire. Définition d'objectifs quantitatifs selon le club 0 10 20 30 40 50 60 70 80 Objectifs quantitatifs Absence d'objectifs quantitatifs Club1 Club2 Club3 Club4 Pour les régions qui ont des plans et qui définissent des objectifs quantitatifs, les objectifs quantitatifs définis par les plans sont, principalement, « un nombre d’entreprises ou d’emplois » (37%) ou bien des « équipements spécifiques » (41%), et plus rarement, « un nombre de laboratoires de recherche ou de chercheurs » (22%). Les objectifs quantitatifs % Nombre d’entreprises ou d’emplois 37,3 Nombre de laboratoires de recherche ou de chercheurs 21,5 Equipement spécifique (Incubateurs, lieux de rencontre …) 41,2 Total 100 L’objectif : « laboratoires de recherche ou de chercheurs » est celui des régions les plus ri- ches ; il est mis en avant par 40% des régions dont le PIB/habitant est supérieur à 28000€. Les petites régions (moins de 500000 habitants) se concentrent plutôt sur des objectifs de nombres d’entreprises ou d’emplois. 24
  25. 25. Objectifs selon la taille 0 10 20 30 40 50 60 70 Entreprises ou emplois Laboratoires de recherche ou chercheurs Equipement spécifique <250,000 250,000- 500,000 500,000-2,000,000 2,000,000-4,000,000 >4,000,000 L’objectif d’un « nombre de laboratoires de recherche ou de chercheurs » n’est jamais mis en avant par les régions du « club 2 » (Economie peu performante, faible spécialisation indus- trielle, peu d’innovations). Les autres « clubs » ont des objectifs assez peu différenciés. Objectifs selon le club 0 10 20 30 40 50 60 Entreprises ou emplois Laboratoires de recherche ou chercheurs Equipement spécifique Club1 Club2 Club3 Club4 6. Les stratégies d’innovation - Les politiques actuelles d’innovation. 94% des régions sont en mesure de donner les trois principaux axes de leurs stratégies actuel- les d’innovation. Les régions de différents « clubs », niveaux de PIB/habitant ou tailles sont toutes capables de désigner des stratégies actuelles dans les mêmes proportions. Stratégie actuelle % Réponse 94,3 Non réponse 5,7 Total 100 25
  26. 26. Les deux réponses choisies majoritairement pour la définition des stratégies prioritaires sont le développement des « réseaux université-industrie » (20%) et le développement des « ré- seaux d’entreprises ou grappes (clusters) de PME » (19%). Stratégies prioritaires actuelles % Mise en place de financements spécialisés pour les entreprises technologiques. 7,2 Réseaux d’entreprises ou grappes (clusters) de PME 19,2 Développement de centres de compétences industriels ou technologiques 17,1 Développement de réseaux université-industrie 20,4 Création ou développement d’incubateurs pour les entreprises technologiques 13,7 Développement de centres de services avancés pour les PME 12,3 Développement de l’essaimage à partir d’entreprises existantes 10,1 Les régions les plus riches placent les « grappes de PME » en première priorité et les autres la « création d’incubateurs », les « centres de compétence industriels ou technologiques » et les « réseaux université-industrie ». Les différentes stratégies mises en avant par les régions ne permettent pas de distinguer d’effet de taille ou de richesse. - Les politiques potentielles d’innovation. Les questions sur les priorités de la stratégie d’innovation portaient également sur la stratégie qui serait mise en oeuvre dans une situation hypothétique de doublement du budget consacré à l’innovation. 15% des régions, qui affichent clairement leurs priorités actuelles, n’ont pas été en mesure de définir ce que seraient leurs priorités dans le cas où leur budget « politique d’innovation » serait doublé par rapport à sa situation actuelle. Les régions les moins riches sont seulement 71% à répondre. Cependant, il ne se dégage pas d’effet richesse très net pour la réponse à cette question, ni d’effet « club ». Stratégie en cas de budget doublé % Réponse 79,5 Non réponse 20,5 Total 100 Dans le cas où le budget serait doublé, les deux priorités seraient également, comme pour les politiques actuelles, le développement des « réseaux université-industrie » et celui des « ré- seaux d’entreprises ou grappes (clusters) de PME ». Les stratégies de développement des « centres de compétences industriels ou technologiques », de développement de l’« essaimage à partir d’entreprises existantes » et de « mise en place de financements spécialisés pour les entreprises technologiques » seraient un peu plus mises en avant dans le cas d’un doublement des budgets. A l’inverse, le développement des « réseaux université-industrie », la « création ou développement d’incubateurs pour les entreprises technologiques » et le développement de « centres de services avancés pour les PME » seraient moins avancées. Dans l’ensemble cependant, les différentes réponses ont à peu près le même poids dans les deux cas. 26
  27. 27. Les priorités des stratégies d'innovation 3,1 7,1 7,9 12,0 13,3 16,7 18,4 21,4 1,3 10,6 9,7 10,3 11,7 18,0 18,7 19,7 Autre Mise en place de financements spécialisés pour les entreprises technologiques Développement de l'essaimage à partir d' entreprises existantes Développement de centres de services avancés pour les PME Création ou développement d'incubateurs pour les entreprises technologiques Développement de centres de compétences industriels ou technologiques Réseaux d'entreprises ou grappes (clusters) de PME Développement de réseaux université-industrie Budget doublé Budget simple 7. Les instruments de veille économique et technologique - Utilisation d’un observatoire permanent. Près de la moitié des régions disent utiliser les ressources d’un observatoire permanent sur les marchés et les technologies utile au développement des entreprises locales. Utilisation d’un observatoire permanent sur les marchés et les technologies. % Observatoire permanent 44,3 Absence d’observatoire 55,7 Total 100 Les régions les moins riches sont près de 80% à posséder un observatoire permanent. Cepen- dant il n’y a pas d’effet de richesse linéaire. Il n’y a pas non plus d’effet de la taille des ré- gions pour la réponse à cette question. On voit que les régions du « club 4 » (Faible croissance économique, activité liée aux ressour- ces naturelles) se distinguent nettement des autres : elles sont près de 65% à utiliser un obser- vatoire permanent, alors que les autres sont moins de la moitié. Les régions que l’on peut considérer comme « opératoires » du point de vue de leurs analyses stratégiques sont 52% à avoir un observatoire permanent, alors que pour les autres régions, ce chiffre est de 37%. - Champ et nature de l’information. Parmi les régions qui ont un observatoire, 42% se centrent sur leurs régions, 24% sur le pays, 15% sur l’Europe et 19%, sur le monde. 27
  28. 28. Quel est le champ géographique de l’observation ? % Région 42 Pays 24 Europe 15 Monde 19 Total 100 Il y a un paradoxe, dû peut-être à la confusion sur le terme observatoire et au fait que l’information peut être assurée par d’autres autorités nationales (ce qui est vrai dans la plupart des cas des informations sur les marchés extérieurs), le secteur privé ou celui des Chambres de Commerce, sans mise en jeu de moyens définis directement par les autorités régionales. En effet, si 60% des régions dont le PIB/habitant est compris entre 23000€ et 28000€ ont mis en place un observatoire tourné vers l’économie mondiale, les régions dont le PIB/habitant est supérieur à 28000€ font toutes leurs analyses au niveau de la région et non pas sur l’économie mondial. Les informations fournies par les observatoires sont générales (40%), liées aux technologies (31%) ou bien considérées comme « opérationnelles » pour les entreprises » (29%). Quelles sortes d’informations fournissent les observatoires ? % Informations générales sur les marchés 39,5 Informations générales sur les technologies 31,3 Informations opérationnelles pour les entreprises 29,2 Total 100 Un peu plus de la moitié des régions mettent régulièrement à jour leurs méthodes de collecte et de diffusion des données en utilisant des questionnaires de satisfaction et des outils statisti- ques (« benchmarking, indicateurs etc.). 28
  29. 29. Chapitre 2 L’analyse économétrique des résultats de l’enquête statistique1 1. Les caractéristiques économiques et structurelles des unités territoriales de l’enquête Sur la base des questionnaires retournés avant le début du mois d’avril 2005, l’enquête a ob- tenu un taux de couverture de 34% qui apparaît comme un résultat satisfaisant, pour un ques- tionnaire novateur et de cette complexité, visant à effectuer une analyse comparative, au ni- veau européen, des stratégies régionales des institutions du développement régional. Les tests préliminaires avaient mis en évidence à la fois les problèmes de vocabulaire et le fait que le questionnaire pouvait être mal ressenti par les personnes chargées de la réponse ; le question- naire de départ avait d’ailleurs été profondément modifié et fortement allégé à la suite de ces tests. Il est probable que, dans la mesure où il apparaîtrait intéressant de poursuivre dans cette voie de recherche, la qualité des réponses, en fiabilité et en nombre, gagnera à une enquête par entretien. Tableau 1 : Représentativité de l’échantillon Etude EUROPE 25 Couverture % NUTS NUTS NUTS Pays 1 2 3 Tot 1 2 3 Tot 1 2 3 Moyenne Allemagne 9 9 41 41 22% 22% Autriche 4 4 9 9 44% 44% Belgique 11 11 11 11 100% 100% Chypre 0 0 1 1 0% 0% Danemark 5 5 15 15 33% 33% Espagne 6 6 19 19 32% 32% Estonie 0 0 1 1 0% 0% Finlande 11 11 20 20 55% 55% France 6 6 26 26 23% 23% Grèce 0 0 13 13 0% 0% Hollande 1 1 2 12 33 45 8% 3% 6% Hongrie 1 1 7 7 14% 14% Irlande 1 1 1 1 100% 100% Italie 2 2 21 21 10% 10% Lettonie 1 1 1 1 100% 100% Lituanie 1 1 1 1 100% 100% Luxembourg 0 0 1 1 0% 0% Malta 0 0 1 1 0% 0% Pologne 1 1 16 16 6% 6% Portugal 0 0 7 7 0% 0% R. Cheque 0 0 8 8 0% 0% RU 1 1 2 12 37 49 8% 3% 6% Slovaquie 1 1 1 1 100% 100% Slovénie 0 0 1 1 0% 0% Suède 14 14 21 21 67% 67% Total 5 42 31 78 21 227 89 337 41% 20% 40% 34% Source : Elaboration sur données Eurostat 1 Cette analyse a été effectuée par E. Ciriolo, chercheur à l’Université libre de Bruxelles 29
  30. 30. S’agissant des pays assimilables à une région, le taux de représentativité de l’enquête est très bon puisque 4 pays (Irlande, Lettonie, Lituanie et Slovaquie), parmi les 9 de taille plus petite, ont répondu au niveau NUTS I. A ces derniers s’ajoute l’Ecosse qui a aussi répondu au niveau NUTS I. Au niveau des régions NUTS II, la couverture géographique est moins bonne (20%). C’est surtout la faible participation des régions faisant partie des grands pays qui contribue à baisser le taux de réponse. Espagne, la France, l’Allemagne, l’Italie et le Royaume Uni ont un taux de réponse respectivement de 32%, 23%, 22%, 10% et 3%. En Autriche, environ la moitié des régions NUTS II ont répondu, alors qu’en Belgique, le résultat est excellent et le taux de ré- ponse est de 100%. Les trois pays nordiques (Danemark, Finlande et Suède) qui ont répondu au niveau NUTS III, considéré pour eux comme le niveau régional pertinent pour cette enquête, avec un taux de réponse assez élevé, respectivement de 33%, 55% et 67%. La Hollande a répondu avec une région sur 12 au niveau NUTS II et 1 région sur 33 au niveau NUTS III. En termes de nombre d’unités, l’échantillon a une bonne représentativité des 25 pays de l’UE (78 régions sur 337, c’est-à-dire environ 34%). Le pourcentage de couverture est le même si on fait référence à la population (156,1 millions sur environ 454.7, environ 34%). Par contre, la représentativité est plus élevée si on considère le PIB 2002 (en milliards d’euro), 3,8 sur 9,6 (et donc environ un taux de 39%). Ce résultat est essentiellement dû au fait que les régions qui ont répondu au questionnaire sont plus riches que la moyenne. Parmi les nouveaux membres, 5 pays ont répondu (Hongrie, Lettonie, Lituanie, Pologne et Slovaquie). Les résultats de cette analyse doivent être considérés donc, bien évidemment, avec prudence pour deux raisons fondamentales : - Il s’est probablement manifesté un problème d’auto sélection (self-selection problem) : si les administrations contactées ont pu décider si participer ou pas au questionnaire, ce choix peut être corrélé au degré de dynamisme de leur administration et/ou avec leur sensibilité vis-à-vis de la question du développement industriel et de l’innovation ; - il est vrai que les administrations territoriales des différents pays, appartenant à un même niveau de NUTS, ne disposent pas nécessairement du même niveau d’autonomie. En outre, à l’intérieur d’un même pays, le niveau d’autonomie de chaque administration régionale, aussi bien que son rôle dans la stratégie de développement du territoire en question, change selon le niveau de NUTS considéré. La nature des réponses dépend de ce degré d’autonomie, car, comme on a pu le voir, la notion d’étude SWOT ne se comprend pas de la même manière pour des régions dont la compétence principale est celle de la réalisation des infrastructures, et celles dont l’autonomie est complète en matière de politique d’innovation et dont les cadres ont donc une bonne « culture » industrielle. 30
  31. 31. Tableau 2 : Description des données économiques pour les régions de l’échantillon Variable N. Obs. Moyenne Min Max Population 78 2,,001,673 150,000 12 millions Densité de population 78 261.7 4.6 6,104 PIB/hab (1995)¹ 78 16,245 4,544.4 37,066.8 PIB/hab (2002, €) 78 23,974 4,187.3 50,771 PIB/hab (2002)¹ 78 22,290 8,248 49,645 PIB/hab (2002, €)* 78 22,846 8,246 49631.1 PIB/hab (02, UE25=100)¹ 78 105.3 39 234.5 PIB (2002, mil)¹ 78 22,290 8,248.5 49,644.6 PIB (2002, mil €) 78 48,153 3,286 431,532 PIB (2002, mil)* 78 46,879 2,935 413,911 PIB (1995-02, %)* 52 3.7 1.1 10 PIB (1995-02, %) 78 4.7 1.1 17.8 PIB (1995-02, %)¹ 78 5.0 2.4 10.7 PIB/hab (1995-02, %)¹ 78 4.8 2.3 9.3 Emploi (1995-02, %) 71 1.01 -13.5 17 Emploi (1995-02, %)* 49 1.17 -13.5 17 Source : Eurostat et Questionnaire ¹ Données en Standard de Pouvoir d’Achat (SPA). * Données fournies par les administrations régionales participant à l’étude. Le tableau 2 montre que l’échantillon est très diversifié, tant du point de vue démographique qu’économique. Les unités territoriales participant l’enquête comprennent de régions de petite taille (Blekinge, SUE, avec 150,000 habitants) aussi bien que de grandes agglomérations (Bayern, ALL, et Ile-de-France, FRA, avec plus de onze millions d’habitants). La même dis- persion peut être observée pour la densité de population, le PIB par habitant, la croissance économique et la croissance de l’emploi. Les graphiques 1 et 2 semblent suggérer qu’il n’y a pas une forte relation statistique entre la densité de population et la richesse par habitant (indépendamment du fait que celle-ci soit mesurée en Standard de Pouvoir d’Achat, SPA, ou bien en utilisant l’index EU25=100). Ceci dit, on remarque (voir Tableau 3) que, parmi les unités territoriales qui ont participé à cette enquête, les 10 régions à plus haut PIB par habitant, ont une densité moyenne de popula- tion de 1,128 habitants par Km carré (plus que cinq fois la moyenne de notre échantillon, soit 261.7)1 . Parmi les 5 unités territoriales des pays nouveaux membres qui ont participé à l’étude, Buda- pest se caractérise pour une plus grande densité (408 habitants par Km carré par rapport à une moyenne de 180) et par un PIB par habitant (en SPA) plus élevé (€20,328 par rapport à une moyenne de €11,828). 1 Cette remarque garde sa pertinence indépendamment du fait que dans notre échantillon il y ait des régions NUTS I, II et III (donc de tailles et densités fort différentes). 31
  32. 32. Graphique 1 : Densité de la population et PIB 2002/hab (en SPA) at21 at31 at33 at34 be21 be22 be23 be24 be25 be31 be32 be33 be34be35 dk002 dk003 dk00a dk00ddk00f f i132 f i133 f i181 f i183 f i184f i185 f i186f i192 f i193 f i195f i1a2 f r10 f r24 f r41 f r62 f r81 f r91 de11 de2 de4 de7 de9deb dec ded def 0 hu10 ie0 itc1 itc4 lv 0 lt0 nl32 nl414 pl21 sk0 es13 es21 es41 es51 es52 es62 se010 se023 se024se025se041 se044 se061se062 se071 se081 se091 se093 se0A1 se0A2 ukh1 ukm 10000200003000040000 PIB2002/hab(€,enSPA) 0 250 500 750 1000 1250 DENSITEde POPULATION PIB 2002/hab (€, en SPA) VALEURS ESTIMEES Source : Eurostat Notes : - dans ce chapitre chaque unité territoriale sera représentée par son code NUTS. - les unités représentées ne comprennent pas Bruxelles (be10) car, ayant une densité de population d’environ 6,100 habitants par Km carré et un PIB par habitant de € 50,771, il s’agi bien d’une valeur « aberrante ». Graphique 2: Densité de la population et PIB 2002/hab (en EU25=100) at21 at31 at33 at34 be21 be22 be23 be24 be25 be31 be32 be33 be34be35 dk002 dk003 dk00a dk00ddk00f f i132 f i133 f i181 f i183 f i184f i185 f i186f i192 f i193 f i195f i1a2 f r10 f r24 f r41 f r62 f r81 f r91 de11 de2 de4 de7 de9deb dec ded def 0 hu10 ie0 itc1 itc4 lv 0 lt0 nl32 nl414 pl21 sk0 es13 es21 es41 es51 es52 es62 se010 se023se024se025se041 se044 se061se062 se071 se081 se091 se093se0A1 se0A2 ukh1 ukm 50100150200 PIB2002/hab(EU25=100) 0 250 500 750 1000 1250 DENSITEde POPULATION PIB 2002/hab (EU25=100) VALEURS ESTIMEES Source : Eurostat Note : Les unités représentées ne comprennent pas Bruxelles (be10) car, ayant une densité de population d’environ 6,100 habitants par Km carré et un PIB par habitant de € 50,771, il s’agit bien d’une valeur « aber- rante ». 32
  33. 33. Le tableau 3 contient, parmi les régions de l’enquête, les dix unités territoriales dont le PIB par habitant (en SPA) est le plus élevé. Pour la plupart ce sont des conurbations à forte densité de population. Ce dix régions représentent une population totale de presque quarante millions d’habitants (8.7% de la population de l’Europe à 25), un PIB (2002) de 1343 milliards € (14% du PIB total européen) et se situent donc bien au-dessus de la moyenne de l’échantillon (157.9 versus 105.3) aussi bien que de l’EU25. En outre, il faut remarquer que l’échantillon ne contient pas 7 des 10 régions européennes à plus haut PIB par habitant, c’est-à-dire Inner London (RU), Luxembourg, Hamburg (ALL), Wien (AUT), Berkshire, Buckinghamshire et Oxfordshire (RU), Provincia Autonoma Bolzano (IT) et Oberbayern (ALL)1 . La présence de ces agglomé- rations très importantes dans l’échantillon, aurait renforcé la relation entre densité de popula- tion et niveau de richesse par habitant. Tableau 3 : Les dix régions de l’échantillon à plus haut PIB par habitant (en SPA) Country Région Densité Population PIB/hab SPA (EU25=100) PIB/hab SPA PIB 2002 (mil €) Belgique Bruxelles 6,104.2 992,041 234.5 49,644.6 50,006.7 France Ile-de-France 924.6 11,131,412 176 37,267.3 431,532.3 Danemark Copenhague 1,173.2 617,336 159.9 33,848.0 27,439.2 Suède Stockholm 284.2 1,860,900 158.2 33,487.9 73,144.5 Finlande Helsinki 207.9 1,338,180 157.9 33,420.0 49,534.8 Hollande Amsterdam 965.8 2,573,120 142.6 30,197.2 82,648.3 Italie Lombardie 380.1 9,108,645 141.8 30,028.0 260,257.9 Allemagne Stuttgart 376.5 3,985,000 137.1 29,031.8 128,130.3 Belgique Antwerpen 577.8 1,661,119 136.4 28,876.3 48,914.1 Allemagne Hessen 288.2 6,091,618 134.1 28,381.8 191,739.8 Somme 39,359,371 1,343,348 EU25 454,700,545 9,626,056 % de EU25 8.7% 14.0% Dix plus élevés (moyenne) 1,128.3 3,935,937 157.9 33,418.3 134,334.8 Moyenne étude 261.7 2,001,673 105.3 22,289.7 48,152.9 Source : Eurostat Il se confirme donc, comme on l’avait déjà souligné dans le chapitre 2, que le degré de densité de la population sur le territoire, est un facteur favorable à l’intensité des formes non- marchandes d’interactions entre les agents économiques ce qui exerce une influence positive sur l’ensemble de l’économie. Ces interactions sont des ressources non économiques profon- dément enracinés dans l’économie locale et qui jouent un rôle déterminant, surtout dans des secteurs de pointe, où la diffusion des connaissances non codifiées est cruciale pour le déve- loppement de produits et processus innovateurs. 1 Voir aussi le dernier Communiqué de Presse Eurostat, 47/2005, 7 avril 2005. 33
  34. 34. D’autre part, en observant la performance économique des plus grandes agglomérations euro- péennes, il est utile de réaffirmer, qu’une théorie de la croissance qui se veut générale se doit d’incorporer « le rôle des villes comme un facteur central de causalité dans le processus de croissance économique » (Scott et Storper, 2003). Le graphique 3 montre que la relation statistique entre le PIB (1995, SPA) par habitant et la performance économique observée entre 1995 et 2002 est faible et légèrement négative, ten- dant à indiquer que le phénomène de convergence général est peu caractérisé, selon les termes d’un débat important de la théorie économique. La pente de la relation linaire estimée est principalement déterminée par la position des valeurs « aberrantes » (Bruxelles « be10 », Ile- de-France « fr10 », Lettonie « lv0 » et Lituanie « lt0 »). Si l’on exclue les 5 régions apparte- nantes au pays nouveaux membres (dans la zone rouge en haut et à gauche du graphique) et les deux conurbations à plus haut PIB 1995 par habitant (Bruxelles « be10 », Ile-de-France « fr10 » dans la zone bleue), toutes les régions restantes se situent aux alentours d’un axe ver- tical, avec un PIB 1995 par habitant (SPA) de €18,000 environ. Donc, la dispersion verticale observée indique que pour le même niveau de PIB 1995 par habitant (SPA) on peut avoir une croissance de PIB (entre 1995 et 2002) très différente, qui va d’une moyenne de 2.3 par an en Halland « se0A1 » (SUE) à 9.3 en Irlande « ie0 ». Graphique 3: PIB 1995/hab (SPA) et croissance de PIB 2002 (en EU25=100) at21 at31 at33 at34 be10be21 be22 be23 be24 be25 be31 be32 be33 be34 be35 dk002 dk003 dk00adk00ddk00ff i132 f i133 f i181f i183 f i184f i185 f i186 f i192 f i193 f i195 f i1a2 f r10 f r24 f r41 f r62f r81 f r91 de11 de2de4 de7 de9deb dec ded def 0 hu10 ie0 itc1 itc4 lv 0 lt0 nl32 nl414 pl21 sk0 es13 es21 es41 es51 es52 es62 se010 se023 se024 se025 se041 se044 se061 se062se071 se081 se091 se093 se0A1 se0A2ukh1 ukm 246810 Croissance95-02PIB/hab(SPA) 0 10000 20000 30000 40000 PIB 1995/hab (SPA) Croissance 95-02 PIB/hab (SPA) VALEURS ESTIMEES Source : Eurostat 34
  35. 35. Le graphique 4 offre une synthèse intéressante parce qu’il montre bien que, si on ignore les quatre valeurs extrêmes (Budapest, d’une part, et Copenhague, Amsterdam et Ile-de-France d’autre part), la dispersion dans la performance économique régionale diminue au fur et à mesure que la densité de population augmente. Dans l’analyse empirique de l’impact du « fac- teur institutionnel », il est donc nécessaire de bien contrôler l’effet de la densité de population. Graphique 4: Densité de population et croissance du PIB/hab, 1995-2002 (en SPA) at21 at31 at33 at34 be21 be22 be23 be24 be25 be31 be32 be33 be34 be35 dk002 dk003 dk00adk00ddk00ff i132 f i133 f i181f i183 f i184f i185 f i186 f i192 f i193 f i195 f i1a2 f r10 f r24 f r41 f r62f r81 f r91 de11 de2de4 de7 de9deb dec ded def 0 hu10ie0 itc1 itc4 lv 0 lt0 nl32 nl414 pl21 sk0 es13 es21 es41 es51 es52 es62 se010 se023 se024 se025 se041 se044 se061 se062se071 se081 se091 se093 se0A1 se0A2 ukh1 ukm 246810 Croissance95-02PIB/hab(SPA) 0 250 500 750 1000 1250 DENSITEde POPULATION Croissance 95-02 PIB/hab (SPA) VALEURS ESTIMEES Source : Eurostat Note : Les unités représentées ne comprennent pas Bruxelles (be10) car il s’agît bien d’une valeur aberrante. 35
  36. 36. Le graphique 5 synthétise, pour toutes les régions de l’échantillon, la relation entre richesse par habitant et la croissance moyenne de l’emploi entre 1995 et 2002. Par contre, la pente de la relation linaire estimée est particulièrement influencée par la modeste performance écono- mique de quatre unités territoriales (Cracovie, Lettonie, Lituanie et Slovaquie) et par l’exceptionnelle augmentation de l’emploi qui a eu lieu en Irlande. Si on place à part les ré- gions à plus faible PIB par habitant et l’Irlande, on peut noter (voir aussi le graphique 6) que la croissance de l’emploi ne varie pas énormément au sein de notre échantillon. Cela impli- que, entre autres, qu’une évaluation de l’impact des stratégies régionales de développement et d’innovation peut être plus facilement effectuée par rapport à la croissance en PIB par habi- tant (qui montre une plus grande dispersion, comme l’on a vu plus haut). Graphique 5 : Densité de population et croissance de l’emploi, 1995-2002 at21 at31 at33at34 be10be21 be22 be23 be24 be25 be31 be32be33be34 be35 dk003 dk00a dk00d dk00f f i132 f i133 f i181 f i183 f i184f i192 f i193f i1a2 f r10f r24f r41 f r62 f r81 f r91 de11 de2 de4 de7de9debdec ded def 0 hu10 ie0 itc1 itc4 lv 0 lt0 pl21 sk0 es13 es21 es41 es51 es52 es62 se010 se023 se025 se044 se061 se062se071se081 se093 se0A1se0A2 ukh1ukm -505 CroissanceEmploi1995-2002 0 10000 20000 30000 40000 PIB 1995/hab (SPA) Croissance Emploi, 1995-2002 VALEURS ESTIMEES Source : Eurostat 36
  37. 37. Le graphique 6 reproduit la même relation avec l’exclusion des valeurs aberrantes. Ce graphi- que montre de façon très claire que les régions les plus riches sont aussi uniformément carac- térisées par une croissance de l’emploi plus faible (par rapport à la moyenne de l’échantillon). La question est donc de déterminer si cette plus faible dynamique en terme d’emploi est le résultat d’une différente spécialisation sectorielle, d’une tertiarisation de l’économie, de la présence de déséconomies d’échelle (car, parmi ces unités, on y trouve beaucoup des régions métropolitaines), ou bien si ce résultat est en partie le produit d’une stratégie de développe- ment et d’innovation moins efficace. Cette étude permet d’évaluer, en particulier et en partie, l’impact de ce dernier facteur. Graphique 6 : Densité de population et croissance de l’emploi, 1995-2002 (excluant les valeurs extrêmes du graphique 5) at21 at31 at33 at34 be10 be21 be22 be23 be24 be25 be31 be32 be33be34 be35 dk003 dk00a dk00d dk00f f i132 f i133 f i181 f i183 f i184f i192 f i193 f i1a2 f r10 f r24 f r41 f r62 f r81 f r91 de11 de2 de4 de7de9deb dec ded def 0 hu10 itc1 itc4 es13 es21 es41 es51 es52 es62 se010 se023 se025 se044 se061 se062 se071se081 se093 se0A1 se0A2 ukh1 ukm -101234 CroissanceEmploi1995-2002 10000 20000 30000 40000 PIB 1995/hab (SPA) Croissance Emploi, 1995-2002 VALEURS ESTIMEES Source : Eurostat Note : Les unités représentées ne comprennent pas Irlande, Lettonie, Lituanie, Slovaquie et Cracovie (Pol). 37
  38. 38. A ce propos, le graphique 7 permet d’exclure que, entre 1995 et 2002, il ait y eu lieu une croissance sans emploi, étant donné que, dans les groups des régions appartenant à l’UE15 aussi bien qu’aux pays nouveaux membres, on observe une relation positive entre croissance économique et croissance de l’emploi. Graphique 7: Croissance économique et croissance de l’emploi, 1995-2002 at21 at31 at33 at34be10be21 be22 be23 be24 be25 be31 be32 be33 be34 be35 dk003 dk00adk00ddk00ff i132 f i133 f i181f i183 f i184 f i192 f i193 f i1a2 f r10 f r24 f r41 f r62f r81 f r91 de11 de2de4 de7 de9deb dec ded def 0 hu10 ie0 itc1itc4 lv 0 lt0 pl21 sk0 es13es21 es41 es51 es52 es62 se010 se023 se025 se044 se061 se062se071 se081 se093 se0A1 se0A2ukh1 ukm 246810 CroissanceEmploi1995-2002 -5 0 5 Croissance PIB 1995-2002/hab (SPA) Croissance Emploi, 1995-2002 VALEURS ESTIMEES Source : Eurostat Les facteurs de la performance économique sont au cœur des problématiques actuelles des politiques régionales de l’Union ; ils sont bien évidemment multiples, facteurs économiques et géographiques, infrastructures, …. Celle étude s’est concentrée sur les stratégies régionales de développement et d’innovation, donc sur un aspect spécifique du facteur institutionnel. Compte tenu du décalage important dans le temps entre la définition des stratégies et de leurs effets, il ne serait pas raisonnable de vouloir établir un lien entre les stratégies décrites dans les réponses aux questionnaires et les performances économiques enregistrées au cours des dernières années ; celles-ci sont le fruit de politiques nourries au cours des décennies passées. Seules, des monographies approfondies pourraient permettre de mettre en évidence notre conjecture de la forte sensibilité des résultats économiques à la qualité des politiques d’innovation des autorités régionales. Cependant, dans l’optique descriptive de cette compa- raison, il est intéressant d’examiner les liens entre les structures économiques des régions et les instruments stratégiques qui y sont utilisés. 38
  39. 39. 2. Les instruments d’analyse stratégique L’analyse économétrique des réponses au questionnaire de cette étude s’est appuyée, dans la plupart des cas, sur des modèles de régression « Probit » parce que la variable à expliquer est souvent de caractère « dichotomique ». Dans ce contexte, l’objectif a été de déterminer dans quelle mesure la probabilité que la variable dépendante prenne la valeur d’intérêt (qui de cou- tume est encodée comme 1, l’autre valeur étant 0) dépend d’une série d’autres variables indé- pendantes. Parfois, pour pouvoir effectuer ce type de régression, il a été nécessaire de dichotomiser la variable d’intérêt, en regroupant deux ou plusieurs catégories qui peuvent indiquer un certain type de stratégie régionale plutôt qu’une autre. Cette analyse a pour but d’enrichir l’analyse descriptive effectuée dans le chapitre 1, en examinant dans l’impact de la taille démographi- que, de la densité de population, de la taille et de la performance économique, aussi bien que de l’appartenance aux « clubs » de régions du chapitre 1. Tableau 4 : Analyse économétrique des réponses concernant les méthodes d’analyse stratégique Variable dépendante Usage de méthodes d’analyse stratégique (1) Usage régulier (2) Etudes effectuées par une équipe interne (3) Densité de population - 1.17 e-07 - 0.0000257 0.0000227 (3.32 e-07) (0.000094) (0.0001) Population 6.5 e-11 - 1.63 e-08 - 4.28 e-08 * (1.87 e-10) (1.94 e-08) (2.26 e-08) Pib/hab (SPA, 1995-2002, %) - 0.0000404 - 0.0554 * 0.022 (0.00015) (0.0299) (0.033) Pib/hab (2002, SPA) 2.71 e-08 * 7.93 e-06 0.00001 (7.43 e-08) (9.22 e-06) (0.00001) Club 2 - 0.997 *** 0.0223 0.087 (0.0096) (0.15) (0.156) Club 3 - 0.689 *** 0.054 - 0.190 (0.235) (0.104) (0.141) Club 4 - 0.778 *** 0.168 0.019 (0.206) (0.09) (0.137) Constante 0.0012 0.31 Pseudo R² 0.35 0.09 0.06 Observations 78 78 78 Source : Eurostat et Questionnaire *** Variable significative à 1%. ** Variable significative à 5%. * Variable significative à 10%. Note : Entre parenthèses on a indiqué les erreurs standards. Les trois régressions sont des Probit. Les coefficients sont, en effet, les dérivées à la moyenne de l’échantillon. La constante est la probabilité moyenne calculée aux valeurs moyennes des variables indépendantes. La catégorie omise pour les clubs est club 1. 39
  40. 40. Pour la première régression, on a agrégé toutes les méthodes d’analyse stratégique de type SWOT (Strengths, Weaknesses, Opportunities and Threats), qu’elles soient formelles ou in- formelles, réalisées ou non avec l’aide de spécialistes. On a donc dérivé une variable binaire (ou dummy) qui prend la valeur 1 pour les régions qui effectuent des études stratégiques de type SWOT et 0 pour toutes les autres. Les résultats obtenus indiquent que la probabilité de faire recours à un tel outil d’analyse stratégique ne dépend pas de la densité de population, ni de la taille démographique. Elle ne dépend pas non plus de la croissance du PIB entre 1995 et 2002. Par contre, la probabilité d’utiliser des outils d’analyse stratégique dépend du PIB par habitant (SPA) en 2002 (même si une augmentation de €10,000 en PIB/habitant fait accroître la probabilité de façon intangible, c’est-à-dire inférieure à 1%). Enfin, la deuxième colonne du tableau 4 montre que, en contrôlant pour des caractéristiques économiques et démographi- ques, les régions appartenant aux club 2, 3 et 4 (voir la classification effectuée dans le chapi- tre de l’analyse descriptive) ont beaucoup moins de probabilité (respectivement, 99%, 69% et 78% en moins) d’effectuer une analyse de type SWOT, par rapport aux régions appartenant au club 11 . Les coefficients de la colonne 2 livrent un résultat à la fois intéressant et logique. On a de- mandé aux administrations régionales qui conduisent des analyses stratégiques pour le mana- gement public, sans être nécessairement de type SWOT, si elles effectuent l’étude avec une fréquence régulière (de 1 à 5 ans) ou pas. Quand on analyse les facteurs sous-jacents la déci- sion d’effectuer ce genre d’étude avec une fréquence régulière, on trouve que la seule variable significative est la croissance en PIB par habitant entre 1995 et 2002. En particulier, ce résul- tat suggère que, quand on compare deux régions avec une différence de taux de croissance de 1%, la région la plus performante a moins de probabilité de conduire régulièrement des analy- ses stratégiques (5.5% en moins). Autrement dit, on peut conclure que les réponses à notre questionnaire témoignent d’une volonté de rattrapage des régions moins performantes, via l’utilisation d’outils d’analyse stratégique. Pour ce qui concerne l’équipe responsable de conduire les analyses stratégiques en question, on a classé les réponses en « équipe interne » (1) ou « autre » (0). On observe que les régions de plus grande taille démographique font plus souvent recours à l’aide d’équipes externes. En particulier, quand on compare deux régions avec une différence de population d’un million d’habitants, on remarque que la région de plus grande taille a moins de probabilité de conduire des analyses stratégiques avec une équipe interne (4,3% en moins). Enfin, la section 2A du questionnaire offre un autre résultat intéressant, notamment pour ce qui concerne la question suivante : « Quelles sont les trois régions qui peuvent être considé- rées comme vos concurrents principaux ? »2 . Les réponses (voir la classification par pays dans le tableau 5) montrent que, dans un contexte de globalisation économique, avec une ten- dance croissante à la délocalisation des activités productives vers des régions à coûts salariaux plus bas, certaines desquelles sont devenues membres de l’UE en mai 2004, la compétitivité territoriale est encore souvent ressentie à une échelle purement nationale. En particulier, 71% des unités territoriales faisant partie de l’échantillon ne mentionnent pas des régions étrangè- res parmi leurs concurrents principaux. Ceci est le cas des grands pays comme l’Allemagne, l’Espagne et, dans une moindre mesure, la France et l’Italie. Cette tendance caractérise aussi les régions scandinaves, surtout celles appartenant à la Suède et à la Finlande, où une propor- 1 On peut aussi interpréter ces résultats en affirmant que la différence de niveau de diffusion des analyses straté- giques de type SWOT entre les régions appartenant au club 1 et celles du club 3 est de 69%. 2 Dans ce cas, il faut préciser que certaines régions n’ont pas répondu à cette question. Néanmoins, on fait l’hypothèse que les unités territoriales qui n’ont indiqué aucune région concurrente ressentent une pression com- pétitive limitée (peut-être même circonscrite géographiquement) et n’auraient donc, dans aucune circonstance, inclu des régions étrangères. 40
  41. 41. tion très basse d’unités affirment avoir leurs concurrents principaux à l’étranger. Ce résultat est probablement dû au fait que, même si les pays scandinaves vantent un système économi- que fortement compétitif (comme d’ailleurs le confirme les études internationaux de compéti- tivité), les régions de référence se situent souvent à l’intérieur des frontière nationales, dans des pays de dimensions géographiques élevées où la maille NUTS-3 incite à une vision plus traditionnelle des choix économiques, en termes d’infrastructures, et plus centrée sur l’économie nationale. Ces réponses confirment bien que les questions industrielles et d’innovation sont traitées principalement par les autorités nationales dans ces pays. Au contraire, les régions appartenant à des petits pays, comme la Hollande ou la Belgique, se disent plus concernées par la pression compétitive exercée par des régions étrangères. Enfin, seulement deux régions, East Anglia, la région de Cambridge, et l’Irlande, indiquent des ré- gions hors-UE parmi leurs principaux concurrents (East Anglia présentant Boston, et l’Irlande mettant en avant Israël et Singapour) Tableau 5 : Régions affirmant avoir leurs principaux concurrents à l’étranger, par pays Pas de concurrents à l’étranger Concurrents à l’étrangerPAYS Nombre % Nombre % Total Allemagne 8 89% 1 11% 9 Autriche 2 50% 2 50% 4 Belgique 5 45% 6 55% 11 Danemark 3 60% 2 40% 5 Espagne 6 100% 0 0% 6 Finlande 9 82% 2 18% 11 France 3 50% 3 50% 6 Hollande 0 0% 2 100% 2 Hongrie 1 100% 0 0% 1 Irlande 0 0% 1 100% 1 Italie 1 50% 1 50% 2 Pologne 1 100% 0 0% 1 RU 1 50% 1 50% 2 Suède 13 93% 1 7% 14 Grand Total 53 71% 22 29% 75 Source : Questionnaire Note : Lettonie, Lituanie et Slovaquie n’ont pas répondu à cette question mais devraient, en principe, avoir des concurrents à l’étranger, car il s’agit de régions NUTS I. 41
  42. 42. 3. Les études pour l’identification de technologies clés La partie B de la deuxième section du questionnaire envoyé aux régions européennes concerne l’adoption d’études pour l’identification de technologies clé. Le tableau 6 présente une analyse économétrique des facteurs qui peuvent expliquer l’usage d’un tel type d’études, la fréquence avec laquelle l’étude est conduite et le recours à une équipe interne pour la réali- sation de l’étude. Les résultats montrent que, parmi les variables explicatives que nous avons considéré, seul le PIB 2002 par habitant (en SPA) semble expliquer une proportion importante de la variabilité des réponses. En particulier, on note que, en comparant deux régions avec une différence de PIB par habitant de 10,000€, la plus riche a une plus grande probabilité d’utiliser des métho- des d’identification des technologies clé (+35,5%), de le faire avec une fréquence régulière (+28%) – c’est-à-dire tous les ans ou tous les cinq ans – et de réaliser ces études avec des équipes internes (+26%). Avec référence aux résultats de la colonne 2, on remarque aussi que les régions les plus densément peuplées conduisent ce type d’études moins fréquemment. Tableau 6 : Analyse économétrique des réponses concernant les méthodes d’identification des technologies clé Variable dépendante Usage de méthodes d’identification des technologies clé (1) Usage régulier (2) Etudes effectuées par une équipe interne (3) Densité de population - 0.0005 - 0.00065 ** - 0.0003 (0.0003) (0.0003) (0.0002) Population 3.26 e-08 - 1.09 e-08 - 4.13 e-08 (3.51 e-08) (2.64 e-08) (2.68 e-08) Pib/hab (SPA, 1995-2002, %) - 0.007 - 0.0014 0.007 (0.036) (0.04) (0.04) Pib/hab (2002, SPA) 3.55 e-05 *** 0.000028 ** 2.65 e-05 ** (1.23 e-05) (1.36 e-05) (1.33 e-05) Club 2 0.06 0.211 0.081 (0.185) (0.16) (0.201) Club 3 0.014 0.088 0.077 (0.125) (0.14) (0.14) Club 4 0.04 0.161 0.15 (0.13) (0.14) (0.14) Constante - 0.473 - 0.411 -0.446 Pseudo R² 0.17 0.10 0.09 Observations 78 78 78 Source : Eurostat et Questionnaire *** Variable significative à 1%. ** Variable significative à 5%. * Variable significative à 10%. Note : Entre parenthèses on a indiqué les erreurs standards. Les trois régressions sont des Probit. Les coefficients sont, en effet, les dérivées à la moyenne de l’échantillon. La constante est la probabilité moyenne calculée aux valeurs moyennes des variables indépendantes. La catégorie omise pour les clubs est club 1. 42
  43. 43. 4. L’étude des besoins spécifiques des entreprises locales La partie A de la troisième section du questionnaire envoyé aux régions concerne l’adoption d’études visant à identifier les besoins spécifiques des entreprises locales. Le tableau 7 syn- thétise les résultats de l’analyse économétrique des facteurs qui peuvent expliquer l’usage d’un tel type d’étude, la fréquence avec laquelle l’étude est conduite et la définition d’un plan d’action suite à la réalisation d’une telle étude. Les résultats montrent que la taille démogra- phique et économique, aussi bien que la performance économique, ne semblent pas être corré- lées de façon significative à la variable en question. Au contraire, on note que, en comparant deux régions avec une différence de densité de 1,000 habitants, la plus riche aura une moin- dre probabilité de réaliser des études d’identification des besoins des entreprises locales (- 56%). En outre, les régions appartenant au club 4 (faible croissance économique, activité liée aux ressources naturelles), par rapport aux régions du club 1, font un plus grand usage de ce type d’études (+26%), plus fréquemment (+ 31%) et ont plus souvent des indications utiles pour mettre en place des plans d’actions (+37,5%). Ces résultats contribuent à confirmer la volonté de rattrapage des régions moins performantes. Tableau 7 : Analyse économétrique des réponses concernant les études formelles des besoins des entreprises locales Variable dépendante Usage de ce type d’analyses (1) Avec fréquence régulière (2) Etudes débouchant sur des plans d’actions (3) Densité de population - 0.00056 * - 0.0003 - 0.0004 (0.0003) (0.0003) (0.0003) Population - 4.45 e-09 - 1.98 e-08 - 3.02 e-08 (2.57 e-08) (2.54 e-08) (2.65 e-08) Pib/hab (SPA, 1995-2002, %) - 0.013 0.019 0.01 (0.039) (0.039) (0.04) Pib/hab (2002, SPA) 0.00001 - 6.84 e-07 9.35 e-06 (0.00001) (0.00001) (0.00001) Club 2 - 0.11 0.066 0.066 (0.21) (0.203) (0.197) Club 3 0.02 0.06 -0.06 (0.13) (0.14) (0.15) Club 4 0.26 * 0.31 ** 0.375 ** (0.12) (0.13) (0.11) Constante 0.061 0.029 -0.091 Pseudo R² 0.12 0.10 0.14 Observations 78 78 78 Source : Eurostat et Questionnaire *** Variable significative à 1%. ** Variable significative à 5%. * Variable significative à 10%. Note : Entre parenthèses on a indiqué les erreurs standards. Les trois régressions sont des Probit. Les coefficients sont, en effet, les dérivées à la moyenne de l’échantillon. La constante est la probabilité moyenne calculée aux valeurs moyennes des variables indépendantes. La catégorie omise pour les clubs est club 1. 43
  44. 44. 5. L’anticipation des mutations dans les industries traditionnelles La partie B de la troisième section du questionnaire envoyé aux régions concerne la réalisa- tion d’études visant à anticiper les changements dans les industries traditionnelles. Le tableau 8 présente une analyse économétrique des facteurs qui peuvent expliquer l’usage d’un tel type d’études, la fréquence avec laquelle les études sont conduites, le recours à une équipe interne pour la réalisation de l’étude et la mise en place d’actions de soutien aux entreprises fortement affectées par des changements économiques et technologiques. Tableau 8 : Analyse économétrique des réponses concernant les changements dans les industries manufacturières mûres Variable dépendante Usage d’études pour anticiper les changements (1) Usage régu- lier (2) Etudes effec- tuées par une équipe interne (3) Etudes débou- chant sur des actions de sou- tien (4) Densité de population - 0.0002 - 7.8 e-05 - 8 e-05 2.27 e-05 (0.0001) (0.0001) (0.0001) (0.0001) Population 1.59 e-08 - 1.74 e-08 - 1.57 e-08 - 2.09 e-08 (3.06 e-08) (2.63 e-08) (2.65 e-08) (2.67 e-08) Pib/hab (SPA, 1995-2002, %) 0.078 * 0.075 * 0.077 * 0.032 (0.043) (0.04) (0.043) (0.039) Pib/hab (2002, SPA) 4.38 e-05 *** 0.000031 ** 3.23 e-05 ** 1.13 e-05 (1.49 e-05) (1.44 e-05) (1.43 e-05) (1.29 e-05) Club 2 0.15 0.22 0.23 0.24 (0.18) (0.18) (0.19) (0.17) Club 3 - 0.18 - 0.13 - 0.13 -0.26 * (0.15) (0.15) (0.15) (0.15) Club 4 0.275 * 0.32 ** 0.21 0.23 (0.12) (0.13) (0.15) (0.13) Constante - 0.24 - 0.04 - 0.08 - 0.302 Pseudo R² 0.181 0.12 0.10 0.10 Observations 78 78 78 78 Source : Eurostat et Questionnaire *** Variable significative à 1%. ** Variable significative à 5%. * Variable significative à 10%. Note : Entre parenthèses on a indiqué les erreurs standards. Les trois régressions sont des Probit. Les coefficients sont, en effet, les dérivées à la moyenne de l’échantillon. La constante est la probabilité moyenne calculée aux valeurs moyennes des variables indépendantes. La catégorie omise pour les clubs est club 1. La densité de population et la taille démographique n’ont aucun pouvoir explicatif. Par contre, on remarque que, en comparant deux régions avec une différence de taux de croissance du PIB par habitant de 1%, la région la plus performante a plus de probabilité d’effectuer ces types d’études (+7.8%), plus fréquemment (+7.5%) et par une équipe interne (+7.7%). De même, en comparant deux régions avec une différence de taux de PIB 2002 (SPA) par habi- tant de 10,000€, la région la plus riche a plus de probabilité d’effectuer ces types d’études (+43.8%), plus fréquemment (+31%) et par une équipe interne (+32.3%). Enfin, par rapport aux régions du club 1, les régions du club 3 (Emploi fort, industrie traditionnelle) ont moins 44
  45. 45. souvent (-26%) défini des actions de soutien aux entreprises fortement affectées par des chan- gements économiques ou technologiques. Au contraire, les régions appartenant au club 4, toujours en comparaison aux régions du club 1, témoignent encore une fois d’une stratégie proactive puisqu’elles réalisent des études pour anticiper des changements dans les industries traditionnelles (+27.5%) et, de plus, le font avec fréquence régulière (+32%). 6. Les plans spécifiques pour améliorer les interactions recherche-industrie La partie C de la troisième section du questionnaire envoyé aux régions européennes concerne l’adoption de plans spécifiques pour améliorer les interactions entre les activités de Recherche et Développement (R&D) et les entreprises locales. Le tableau 9 présente une analyse écono- métrique des facteurs qui peuvent expliquer l’identification, dans le cadre d’un plan de cette nature, d’objectifs quantitatifs en termes de nombre d’entreprises ou d’emploi. Tableau 9 : Analyse économétrique des réponses concernant les plans spécifiques mis en places pour améliorer les interactions entre la R&D et les entreprises locales Variable dépendante Identification d’objectifs quantitatifs en terme de nombre d’entreprises ou d’emploi (1) Densité de population - 0.0003 (0.0003) Population - 1.17 e-08 (2.02 e-08) Pib/hab (SPA, 1995-2002, %) - 0.001 (0.028) Pib/hab (2002, SPA) 9.46 e-06 (9.34 e-06) Club 3 - 0.178 * (0.087) Club 4 0.097 (0.117) Constante - 0.292 Pseudo R² 0.15 Observations 70 Source : Eurostat et Questionnaire *** Variable significative à 1%. ** Variable significative à 5%. * Variable significative à 10%. Note : Entre parenthèses on a indiqué les erreurs standards. Les trois régressions sont des Probit. Les coefficients sont, en effet, les dérivées à la moyenne de l’échantillon. La constante est la probabilité moyenne calculée aux valeurs moyennes des variables indépendantes. La catégorie omise pour les clubs est club 1. On remarque une grande uniformité dans les réponses données pour cette partie du question- naire et on trouve que, en particulier, il n’y a pas de corrélation significative des variables démographiques, de taille et de performance économiques avec la variable en question. L’analyse économétrique permet d’affirmer que les régions appartenant au « club » 3 mon- trent que les plans pour améliorer les interactions entre R&D et entreprises locales ont une probabilité plus basse (- 17.8%) des déboucher sur des objectifs quantitatifs en terme de nom- bre d’entreprises ou d’emploi que dans les régions du « club » 1. 45
  46. 46. 7. Les outils d’intelligence économique La dernière section du questionnaire envoyé aux régions concernait l’utilisation des outils d’intelligence économique. Le tableau 10 présente une analyse économétrique des facteurs qui peuvent expliquer l’usage de méthodes d’intelligence économique et le champ de l’observation, sectoriel ou général. Les résultats soulignent que, en contrôlant les variables démographiques, de taille et perfor- mance économiques, l’usage de méthodes d’intelligence économique dans le cadre d’initiatives publiques est plus répandu (+27%) parmi les régions appartenant au « club 3», que dans les régions du « club 1». En outre, pour les régions du « club 4 », le champ d’observation sectoriel est plus répandu (+26.5%) que dans celles du « club 1». Enfin, la per- formance économique est aussi positivement corrélée à la probabilité d’appliquer ces outils avec un champ sectoriel. Tableau 10 : Analyse économétrique des réponses concernant les outils d’intelligence économique et stratégique Variable dépendante Usage d’outils d’intelligence éco- nomique (1) Scope d’observation : sectoriel (3) Densité de population - 0.00025 - 0.0003 (0.0003) (0.0003) Population 3.18 e-09 - 4.71 e-08 (2.68 e-08) (3.18 e-08) Pib/hab (SPA, 1995-2002, %) - 0.0009 0.066 ** (0.039) (0.033) Pib/hab (2002, SPA) - 5.49 e-06 1.26 e-05 (0.00001) (1.12 e-05) Club 2 0.14 0.11 (0.21) (0.25) Club 3 0.27 * 0.21 (0.14) (0.14) Club 4 0.22 0.265 * (0.14) (0.16) Constante 0.029 - 0.796 Pseudo R² 0.065 0.17 Observations 78 78 Source : Eurostat et Questionnaire *** Variable significative à 1%. ** Variable significative à 5%. * Variable significative à 10%. Note : Entre parenthèses on a indiqué les erreurs standards. Les trois régressions sont des Probit. Les coefficients sont, en effet, les dérivées à la moyenne de l’échantillon. La constante est la probabilité moyenne calculée aux valeurs moyennes des variables indépendantes. La catégorie omise pour les clubs est club 1. 46
  47. 47. Annexe 1 L’analyse typologique des régions1 1. Les régions du « benchmark » Une analyse factorielle particulière a été faite pour classer les régions de cette étude à partir des 8 variables suivantes : PIB (corrigé PPA par habitant), la part de la recherche privée dans le PIB (BR&D), la part de la recherche publique dans le PIB (PR&D), la part de la population hautement qualifiée dans la population (eductert), la part de la population de faible niveau de formation initiale (educbas), la part de la population employée dans le secteur manufacturier de haute technologie (Hi-techemploy), le nombre de brevets par habitants (Brevet) et le taux de chômage. Copenhague Göteborg Helsinki Flandres Irlande Eindhoven Cambridge Ecosse Amsterdam Barcelone Bilbao Stuttgart Linz Turin Berlin Lisbonne Madrid RhoneAlpes Liège Milan Munich Oulu MidiPyréné BR&D PR&D Hi-techemploy eductert Chom PIB Brevet Educbas Les axes factoriels sont déterminés comme suit, en fonction de leurs corrélations avec les va- riables de l’étude. 1 Cette annexe a été rédigée par A. Louis 47
  48. 48. CONTRIBUTIONS POSITIVES CONTRIBUTIONS NEGATIVES Axe 1 (+35.4%) Axe 2 (+29.0%) Brevet +28,0% Educbas -14,0% BR&D +22,0% Chom -6,0% PIB +13,0% Hi-techemploy +12,0% PR&D +29,0% Educbas -14,0% eductert +25,0% Hi-techemploy -8,0% Chom +15,0% PIB -4,0% BR&D +1,0% L’analyse factorielle permet de caractériser quatre groupes de régions : - des régions à fort PIB par habitant, de nombreux brevets et une importante part de re- cherche privée. Les régions de ce groupe sont Munich, Eindhoven, Stuttgart, Helsinki, Göteborg, Cambridge et Copenhague ; - des régions qui ont un niveau important de recherche publique, une population quali- fiée mais plutôt un chômage important. Il s’agit de Berlin, Midi-Pyrénées, Ecosse, Ou- lu, Amsterdam et Rhône Alpes ; - des régions qui ont un pourcentage plus élevé que la moyenne dans le coefficient « bas niveau d’éducation» et un haut niveau de chômage. Ces régions sont : Madrid, Bilbao, Barcelone et Lisbonne ; - les régions dont le taux d’emploi dans le secteur hi-tech manufacturier est important mais dont la population est plutôt faiblement qualifiée, au contraire du premier groupe qui est caractérisé par son haut niveau d’éducation supérieure. Il s’agit de Turin, Mi- lan, Linz, de l’Irlande et des Flandres. Le tableau de corrélation montre une corrélation négative entre un niveau moyen d’éducation bas « Educbas » et les autres variables, exceptée la variable « chom » qui représente le chô- mage. Il est intéressant de voir que la variable chômage est corrélée négativement avec « BR&D » qui représente la recherche privée mais positivement avec « PR&D » qui repré- sente la recherche publique : les régions qui ont le plus de chômage sont aussi en moyenne celles dont la recherche publique représente une part importante du PIB. BR&D PR&D Hi-techemploy eductert Chom PIB Brevet Educbas BR&D PR&D Hi-tech employ eductert Chom PIB Brevet Educba s 1,00 0,20 1,00 0,51 -0,32 1,00 0,18 0,44 -0,31 1,00 -0,19 0,49 -0,22 0,26 1,00 0,14 -0,11 0,34 0,02 -0,51 1,00 0,63 0,06 0,49 0,14 -0,29 0,56 1,00 -0,56 -0,42 -0,07 -0,54 0,03 -0,15 -0,50 1,00 Le tableau suivant permet de comparant la typologie avec l’indice élaboré par Cooke (2002) qui est principalement basé sur le niveau d’emploi dans les secteurs considérés comme de 48
  49. 49. haute technologie (voir annexe 2), on peut constater que l’indice de Cooke augmente sur un axe Sud-Ouest/Nord-Est. Les régions des groupes 1 et 2 définis ci-dessus sont donc les mieux classées par Cooke alors que celles du groupe 3 ont des indices moins élevés. Cependant, il y a quelques anomalies. Certaines régions ont des scores inattendus : Turin a un indice de 140, ce qui est très élevé, alors que cette région est dans le groupe 4 (population faiblement quali- fiée et importance du secteur haute technologie manufacturier) selon notre typologie. 128 145 139 99 108 108 126 128 125 90 98 131 99 140 125 78 109 114 114 101 124 114 110 BR&D PR&D Hi-techemploy eductert Chom PIB Brevet Educbas La comparaison avec l’indice RRSII (Commission européenne, 2003) confirme cette orienta- tion générale. Elle montre bien que les régions que l’on a défini comme faisant partie du groupe 1 sont les plus innovantes : 95 pour Munich, 97 pour Helsinki. Cependant, pour les autres groupes de régions, il ne permet pas de recouper totalement notre classification. Ainsi, dans le groupe 3 que l’on a défini, on trouve des régions mieux notées que dans les groupes 2 et 4, par exemple Madrid, notée 72, qui est plus innovante que Turin ou Milan, notées respec- tivement 66 et 67. 49
  50. 50. - 71 97 52 74 90 76 44 46 54 58 80 41 66 74 60 72 55 17 67 95 61 58 BR&D PR&D Hi-techemploy eductert Chom PIB Brevet Educbas Si, enfin, on effectue une comparaison avec les clubs de Ho (2004), on voit que les régions des groupes 1 et 2 de la typologie correspondent au club 1, à l’exception de Cambridge et Stuttgart, classées en club 3 selon Ho. La raison en est principalement un effet de composition qui tend à confondre pour ces deux régions, la structure industrielle de l’ensemble de la région qui sert de base aux statistiques (East Anglia pour Cambridge et Land de Bade-Würtemberg pour Stuttgart) ; c’est ainsi que dans notre typologie (voir le chapitre 2 du TI), nous avons classé ces deux régions dans le groupe G1. Pour les groupes 3, il n’y a pas de correspondance avec les clubs de Ho. Ainsi, on trouve des régions des clubs 1 (Madrid), 2 (Lisbonne), 3 (Bil- bao). Les régions du groupe 4 sont celles du club 4. 50
  51. 51. 1 1 1 3 1 1 3 1 1 1 3 3 3 3 1 2 1 1 4 3 1 1 1 BR&D PR&D Hi-techemploy eductert Chom PIB Brevet Educbas 2. Les régions françaises L’analyse faite simultanément sur les régions « benchmark » et les régions françaises montre que les axes factoriels ne sont pas fortement modifiés par rapport à ce qu’ils étaient pour les seules régions « benchmark ». CONTRIBUTIONS POSITIVES CONTRIBUTIONS NEGATIVES Axe 1 (+41.7%) Axe 2 (+23.2%) Brevet +21,0% Educbas -14,0% BR&D +20,0% Chom -6,0% PIB +14,0% eductert +11,0% PR&D +31,0% Hi-techemploy -22,0% Chom +18,0% Educbas -5,0% eductert +17,0% PIB -1,0% Brevet -1,0% 51
  52. 52. Si on essaie de situer les régions françaises dans les régions du benchmark, on constate que seulement trois régions françaises peuvent se situer dans le groupe des régions les plus avan- cées en Europe du point de vue de leurs caractéristiques dans l’économie de la connaissance ; il s’agit, bien évidemment de la région Ile de France, de la région Midi Pyrénées et de la ré- gion Rhône-Alpes. L cope

×