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

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

Cette étude a été cofinancée par le FEDER dans le cadre du
Programme National d'Assistance Technique
2

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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
spécialistes
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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
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
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

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

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
10000 20000 30000 40000
PIB 1995/hab (SPA)
Source : Eurostat
Note : Les unités représentées ne comprennent pas Irlande, Lettonie, Lituanie, Slovaquie et Cracovie (Pol).
37

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
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
-5 0 5
Croissance PIB 1995-2002/hab (SPA)
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

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
*** 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

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

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

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
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
42

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
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
43

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
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
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

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
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
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

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
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
46

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

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

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

-
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

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

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

Recomendados

Recomendados

Más contenido relacionado

Destacado

Destacado (20)

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

Similar a Le Management Stratégique des Régions en europe, Volet III, Analyse statistique, de Jean Claude Prager, ADIT (20)

Más de PARIS

Más de PARIS (20)

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