Prise en compte des innovations de produit et de procédé dans le modèle CDM

4 Notre travail s’inscrit dans une double perspective d’analyse empirique : analyse de la relation entre R&D et innovation d’une part, et analyse de l’impact de l’innovation sur la productivité d’autre part. Nous combinons ces deux branches de la littérature dans le cadre d’un modèle de type CDM (ainsi baptisé en référence à l’article original de Crépon, Duguet et Mairesse, 1998) qui lie R&D, innovation et productivité. Comme le soulignent Mairesse et alii (2005), la fonction de production étendue à la R&D initialement proposée par Griliches (1979) pour mesurer l’impact de la R&D sur la productivité apparaît comme une forme réduite d’un modèle de type CDM qui inclut explicitement une fonction de production de connaissances. Le cadre d’analyse CDM comprend en général trois parties imbriquées. La première partie explique l’effort de R&D à partir de facteurs qui caractérisent l’entreprise et son environnement. La seconde partie représente la fonction de production de connaissances ; elle lie la création de connaissances nouvelles (mesurée par exemple par les brevets ou les ventes de nouveaux produits) à l’effort de R&D des entreprises et à diverses variables de contrôle. Enfin, la troisième et dernière partie est une fonction de production (généralement écrite en termes de productivité) étendue à l’innovation ; elle permet d’identifier la contribution des connaissances nouvelles aux gains de productivité.

5 Le modèle CDM a connu de nombreux développements, applications et extensions ces dernières années. Griffith et alii (2006) tentent d’étendre le cadre du modèle CDM en prenant en compte l’innovation de procédé et l’innovation de produit. Ils estiment une variante du modèle CDM par maximum de vraisemblance en information limitée dans quatre pays de l’Union européenne (UE) – l’Allemagne, l’Espagne, la France et le Royaume-Uni – à l’aide des données de l’Enquête communautaire sur l’innovation de 2000. Chudnovsky et alii (2006) estiment un modèle similaire sur des données d’entreprises argentines. Ces auteurs proposent également une brève synthèse des travaux menés entre 1998 et 2006 à partir du modèle CDM (Chudnovsky et alii, 2006, tableau A.1). Parmi les travaux plus récents fondés sur le modèle CDM, citons encore Raffo et alii (2008), qui comparent trois pays européens (l’Espagne, la France et la Suisse) et trois pays d’Amérique latine (l’Argentine, le Brésil et le Mexique).

6 Notre variante du modèle CDM s’inspire du travail de Griffith et alii (2006), en lui apportant un certain nombre d’améliorations à la fois en termes de spécification et de méthode d’estimation. Avant de les détailler, il nous semble important de préciser certaines difficultés liées à la prise en compte des innovations de produit et de procédé dans un modèle de type CDM. Ces éléments peuvent en effet avoir des conséquences empiriques majeures (pour l’interprétation des résultats, notamment) mais restent très peu discutés dans la littérature.

7 Les travaux empiriques tels que le nôtre font en effet face à un problème de mesure récurrent. La productivité calculée à partir de données d’entreprises est généralement une mesure en valeur de la productivité, fondée sur une grandeur exprimée en unités monétaires (telle que le chiffre d’affaires ou la valeur ajoutée). Les données microéconomiques (en particulier celles provenant d’enquêtes auprès des entreprises) ne fournissent en général aucune information sur les prix unitaires des produits. Il est donc impossible d’exprimer l’output du processus de production en termes de quantité de bien vendue. Cet écart avec la théorie économique (dans laquelle la productivité des entreprises est définie à partir de la quantité de bien produite) a d’importantes implications pour les travaux empiriques consacrés à l’impact de l’innovation sur la productivité – et tout particulièrement pour les travaux qui cherchent à distinguer l’effet de l’innovation de produit et celui de l’innovation de procédé.

8 En effet, même si ces deux formes d’innovations sont susceptibles de conduire à des gains de productivité, ces derniers sont difficiles à observer empiriquement à partir d’une mesure en valeur de la productivité. En premier lieu, une innovation de procédé réduit les coûts de production, ce qui peut amener une entreprise à baisser le prix unitaire de son produit. Imaginons que l’entreprise fasse ce choix. Comme le statisticien n’observe pas la quantité produite par l’entreprise mais uniquement ses ventes ou sa valeur ajoutée, il risque de trouver un effet négatif de l’innovation de procédé sur sa productivité en valeur – et ceci, simplement parce que l’entreprise vend désormais la même quantité de produit à un prix plus faible. Cet effet négatif est artificiel. Il découle uniquement du fait qu’il est impossible de décomposer les ventes de l’entreprise en un niveau de production multiplié par un prix unitaire. Dans cette situation hypothétique, l’innovation de procédé accroît donc la productivité en quantité [1] de l’entreprise mais son impact sur la productivité mesurée en valeur [2] est négatif.

9 Ce problème de mesure peut conduire au phénomène inverse dès lors qu’il s’agit de mesurer l’impact de l’innovation de produit sur la productivité. Par définition, une innovation de produit aboutit à un produit nouveau ou significativement amélioré. Une entreprise peut décider de vendre ce produit innovant à un prix plus élevé, reflétant le fait qu’il présente des caractéristiques nouvelles ou qu’il s’agit d’un produit de meilleure qualité. Dans ce cas, le stati s t i cien risque d’obser ve r u n effet artificiellement élevé de l’innovation de produit sur la productivité parce que, là encore, les données utilisées ne permettent pas de distinguer quantité produite et prix unitaire. L’analyste est contraint de recourir à une mesure en valeur de la productivité, dont la hausse peut très bien résulter d’une augmentation du prix unitaire à quantité vendue égale. Il est légitime de penser que ce phénomène est particulièrement important dans le secteur des services, où les prix sont souvent supposés refléter la qualité des services vendus.

10 Les difficultés exposées ci-dessus peuvent encore être aggravées par le fait qu’innovations de produit et innovations de procédé sont souvent concomitantes, dans la mesure où l’introduction d’un produit nouveau peut induire des modifications significatives du processus de production. Empiriquement, cela peut se traduire par une corrélation des indicateurs d’innovations de produit et de procédé, qui pourrait expliquer pourquoi les travaux empiriques présentent souvent des conclusions divergentes quant à l’effet sur la productivité de chacune de ces deux formes d’innovation. Une analyse sur des données similaires à partir d’un modèle commun peut ainsi aboutir à des conclusions différentes d’un échantillon à l’autre. C’est le cas dans le travail de Griffith et alii (2006), qui montre un impact positif de l’innovation de procédé sur la productivité du travail en France mais aucun impact en Allemagne, en Espagne ou au Royaume-Uni. De même, Raffo et alii (2008) trouvent un impact positif de l’innovation de procédé en Espagne, en France, au Brésil et au Mexique, mais aucun impact en Suisse ou en Argentine. Les données utilisées dans le présent article ne permettront pas de dépasser les difficultés que nous venons de mentionner. Toutefois, avoir exposé ces difficultés permettra sans doute une lecture plus précise et une interprétation plus circonspecte de nos résultats.

Spécification du modèle économétrique

11 Nous souhaitons estimer une variante du modèle CDM prenant en compte à la fois l’innovation de produit et l’innovation de procédé, dans la lignée du travail de Griffith et alii (2006). Notre modèle peut s’écrire comme un système récursif de cinq équations économétriques [3], dont trois sont non-linéaires :

? r_i =1(x_1i ?₁ +u_i1 >0)
?lnrd =x ? +u
(1) ?? prodⁱ_i =1(²?ⁱ ₃²ln rdⁱ²_i + x _3i?₃ +u_i3 > 0)
? proc_i =1(? ₄ ln rd _i + x _4i?₄ +u_i4 > 0)
?
? ln LPi^{=? prod} i^{+ ? proc}i^{+ x} 5i^?5^{+ u}i5

12 où 1(.) représente la fonction indicatrice, égale à 1 si son argument est vrai et à 0 sinon. Les x _ki (k =1,..., 5) sont des vecteurs de variables explicatrices et les u_ik (k =1,..., 5) sont des termes d’erreur aléatoires. Enfin, ?_k (k =1,..., 5) représente un vecteur de paramètres à estimer et ?₃, ?₄, ? et ? des paramètres à estimer. Pour estimer le système (1), nous avons eu recours à différentes procédures. Avant de les détailler, il convient de préciser ce que représente chacune des cinq équations du système.

13 La première équation du système (1) rend compte de la sélection des entreprises ayant une activité de R&D. Cette équation explique la probabilité d’avoir une activité de R&D régulière. Elle est spécifiée comme un modèle Probit que nous écrirons P(r_i =1) =? (x_1i ?₁), où r_i = 1si l’entreprise i déclare avoir régulièrement des dépenses de R&D et r_i = 0 sinon, ? représentant la fonction de répartition de la loi normale.

14 La deuxième équation du système décrit l’effort de R&D de l’entreprise i, conditionnellement au fait de faire de la R&D. Cette équation linéaire lie le logarithme de l’intensité de R&D (définie comme le ratio des dépenses de R&D au nombre d’employés) à un vecteur de déterminants potentiels x _2i . Ces deux équations, considérées simultanément en supposant les erreurs u₁ et u₂ distribuées selon une loi normale bivariée avec un coefficient de corrélation ?₁₂, définissent un modèle Tobit généralisé.

15 Les troisième et quatrième équations du système (1) modélisent la probabilité qu’une entreprise introduise, respectivement, une innovation de produit et une innovation de procédé sur une période donnée (en l’occurrence, trois ans). Chaque équation est spécifiée comme un modèle Probit simple, qui inclut une variable explicative endogène et plusieurs variables de contrôle exogènes (ou du moins traitées comme telles). La variable explicative endogène est ln rd _i , le logarithme de l’intensité de R&D. Les variables de contrôle sont incluses dans les vecteurs x_3i et x_4i respectivement. Considérées simultanément et en supposant que les termes d’erreurs u₃ et u₄ sont distribués selon une loi normale bivariée avec pour coefficient de corrélation ? ₃₄ , les troisième et quatrième équations définissent un modèle Probit bivarié. Cette spécification tient compte du fait que les innovations de produit et de procédé peuvent être déterminées de manière conjointe.

16 En termes économiques, ce modèle Probit bivarié représente ce que la littérature a appelé fonction de production de connaissances. La fonction de production de connaissances lie une mesure de l’output du processus d’innovation (ou une mesure des connaissances nouvelles) à des mesures des facteurs entrant dans le processus d’innovation (dépenses de R &D, par exemple). Notre représentation de la fonction de production d’innovation considère deux outputs possibles (innovation de produit et innovation de procédé). De plus, dans cette représentation, l’intensité de R&D, ln rd _i , est potentiellement endogène. En effet, des facteurs inobservables pourraient tout à fait influencer à la fois l’effort de R&D d’une entreprise et son innovativité (c’est-à-dire sa productivité dans la production d’innovations, comme définie chez Mairesse et Mohnen, 2002, et Mohnen et alii, 2006). Nous expliquons plus loin comment nos procédures d’estimations traitent cette endogénéité potentielle.

17 La cinquième et dernière équation du système (1) modélise (le logarithme de) la productivité du travail LP_i (définie comme le ratio de la valeur ajoutée sur le nombre d’employés) comme une fonction de l’innovation de produit, de l’innovation de procédé, du stock de capital physique, et de variables de contrôle. L’innovation (de produit comme de procédé) est elle aussi potentiellement endogène dans la mesure où des facteurs inobservés pourraient influencer à la fois le processus d’innovation et le processus de production. Nous expliquons dans la sous-partie suivante comment chaque procédure d’estimation que nous utilisons traite cette endogénéité potentielle. En termes économiques, la cinquième équation de notre modèle CDM dérive d’une fonction de production théorique de type Cobb-Douglas dans laquelle les principaux inputs sont le travail, le capital et la connaissance (approchée ici par les variables indicatrices prod_i et proc_i). L’influence des consommations intermédiaires est mesurée de manière implicite par l’utilisation de la valeur ajoutée (et non du chiffre d’affaires) dans le calcul de la productivité du travail.

Procédures d’estimation

18 Dans l’article de Crépon et alii (1998), le modèle CDM originel est estimé comme un système d’équations simultanées par les moindres carrés asymptotiques (MCA). À notre connaissance, une seule autre étude (Benavente, 2006) a eu recours à cette méthode pour estimer un modèle de type CDM. Bien que les estimateurs en système offrent un gain en termes d’efficacité, les applications du cadre conceptuel CDM (comme celles mentionnées plus haut) estiment généralement le modèle de manière séquentielle, par maximum de vraisemblance en information limitée (MVIL). Dans ces procédures séquentielles, chaque étape (exceptée la première) inclut dans les régresseurs les variables prédites de l’étape précédente, en corrigeant les erreurs standard (par exemple au moyen du bootstrap).

19 Pour estimer le modèle CDM représenté par le système (1), le présent travail utilise deux procédures distinctes : (1) une procédure séquentielle en trois étapes semblable à celle utilisée par Griffith et alii (2006) et (2) une procédure séquentielle en deux étapes dans laquelle la fonction de production de connaissances et l’équation de productivité sont estimées simultanément. La première est censément plus robuste mais moins efficace, alors que la seconde est potentiellement plus efficace mais moins robuste. Notre application empirique permettra de constater si ces deux procédures conduisent ou non à des résultats similaires.

20 La procédure d’estimation en trois étapes est la plus utilisée des deux dans la littérature. Dans la première étape, nous estimons le modèle Tobit généralisé qui décrit à la fois la probabilité de conduire des activités de R&D et l’intensité des activités de R&D. Dans la deuxième étape, nous estimons le modèle Probit bivarié qui décrit la fonction de production de connaissances [4], en incluant dans les régresseurs la valeur prédite de l’intensité de R&D (et non sa valeur observée). La troisième et dernière étape de la procédure consiste à estimer l’équation de productivité en incluant dans les régresseurs les valeurs prédites des probabilités d’innover en produit et procédé (au lieu d’inclure les indicateurs binaires de chaque type d’innovation). Nous estimons les deux premières étapes par maximum de vraisemblance et la dernière par les moindres carrés ordinaires (MCO). Dans cette procédure, nous traitons les problèmes d’endogénéité mentionnés plus haut en remplaçant (dans les deux dernières étapes) les variables explicatives potentiellement endogènes par leurs valeurs prédites obtenues dans l’étape précédente. Nous corrigeons les biais consécutifs à l’introduction de ces variables prédites en utilisant le bootstrap pour calculer les erreurs standards. Nous nous appuyons, pour l’identification du modèle, sur des instruments exclus de l’étape considérée mais inclus dans l’étape précédente. La liste des instruments utilisés dans chaque étape sera donnée dans la partie suivante.

21 La procédure d’estimation en deux étapes est une variante potentiellement plus efficace de la procédure en trois étapes que nous venons de décrire. La première étape est identique dans les deux procédures : nous estimons un modèle Tobit généralisé pour décrire à la fois la probabilité de mener de manière continue des activités de R&D et l’intensité de ces activités de R&D. Toutefois, dans la procédure en deux étapes, la fonction de production de connaissances et l’équation de productivité sont estimées conjointement par maximum de vraisemblance, en utilisant la valeur prédite de l’intensité de R&D (au lieu de sa valeur observée) dans les équations d’innovation de produit et de procédé. En d’autres termes, la seconde étape de cette procédure consiste à estimer par maximum de vraisemblance le système d’équations simultanées suivant, qui combine deux équations (Probit) non linéaires et une équation linéaire :

?prod =1(? lnrd^ +x ? +u >0)
(2) ?? proc_iⁱ =1(? ₄³ln rd^_iⁱ + x₄³_iⁱ?₄³ +u_iⁱ₄³ > 0)
?
?ln LPⁱ =? prodⁱ + ? procⁱ + x⁵ⁱ?⁵ + uⁱ⁵

22 où ln rd^_i désigne la valeur prédite de ln rd _i (obtenue dans la première étape de la procédure). Dans le système (2), nous supposons que les termes d’erreur u_i3 , u_i4 et u_i5 sont distribués selon une loi normale trivariée. Cela implique que les contributions à la vraisemblance soient liées par les coefficients de corrélation des termes d’erreur. La vraisemblance comporte trois composantes, dont deux correspondent à la vraisemblance d’un modèle Probit et une à la vraisemblance d’un modèle linéaire. Ainsi, la vraisemblance du système (2) peut s’écrire :

(3) L = ? [? (? ₃ ln rd^_i + x _3i?₃ |? ₃₄ , ? ₃₅)]^prodi
i
[1? ? (? ₃ ln rd^ _i + x _3i?₃ |? ₃₄ , ? ₃₅)]^{1 ? prodi}
×[? (? ₄ ln rd^ _i + x _i4?₄ |? ₃₄ , ? ₄₅)]^proci
[1? ? (? ₄ ln rd^_i + x _i4?₄ |? ₃₄ , ? ₄₅)]^{1? proci}
1 ?ln LP ? x ? ?? prod ? ? proc ?
× ??^{i i5 5 i i}|?₃₅,?₄₅?
?_5? ?_5 ?

23 où ? _jk désigne le coefficient de corrélation entre les erreurs u _j et u_k (avec j = 3, 4, 5 et k = 3, 4, 5) et ? ₅ l’écart type du terme d’erreur u₅ . Par convention, ? et ? désignent respectivement la fonction de densité et la fonction de répartition de la loi normale.

24 En pratique, le système (2) est estimé simultanément par maximum de vraisemblance en information complète (MVIC), grâce au programme Conditional Mixed Process (CMP) fourni par Roodman (2009). Maximiser la log-vraisemblance du système (2) requiert de résoudre une intégrale triple, problème qui n’admet généralement pas de solution analytique. Le programme CMP résout ce problème grâce à un algorithme de simulations numériques de type GHK (du nom de Geweke, Hajivassiliou et Keane).

25 La procédure d’estimation en deux étapes est, en théorie, plus efficace et moins robuste que celle en trois étapes. Dans une perspective empirique, nous souhaitons vérifier si les deux procédures donnent des résultats similaires (en termes de signe et d’amplitude des paramètres estimés). Nous conduisons notre application empirique sur les données françaises des troisième et quatrième vagues de l’Enquête communautaire sur l’innovation (CIS), dans l’industrie (pour CIS3 et CIS4) et dans les services (pour CIS4 seulement). Cela nous permet de caractériser l’évolution de la relation entre innovation et productivité dans l’industrie entre deux périodes (1998-2000 et 2002-2004). Cela nous permet également de comparer cette relation sur la période la plus récente (2002-2004), dans l’industrie et dans les services.

Les données françaises des enquêtes CIS3 et CIS4

26 Le présent travail utilise les données d’entreprises des troisième et quatrième vagues de l’enquête CIS. Il s’agit d’une enquête harmonisée conduite par les instituts de statistiques nationaux de l’ensemble des États-membres de l’Union européenne, sous la coordination d’Eurostat. Les enquêtes CIS3 et CIS4 ont été conduites respectivement en 2001 et en 2005, et portent sur la période 1998-2000 pour la première, et 2002-2004 pour la seconde. Les deux vagues de l’enquête fournissent des informations sur les activités de R&D des entreprises, les sources de connaissances, la protection de la propriété intellectuelle, les innovations de produit et de procédé, les autres formes d’innovation (comme les innovations organisationnelles) et les innovations abandonnées.

27 Ces deux vagues présentent cependant quelques différences importantes : en premier lieu, l’enquête CIS3 française donne des informations sur les investissements en capital physique. Elle permet également de distinguer travail non qualifié et travail qualifié, ce dernier étant mesuré par la proportion d’employés ayant un diplôme de l’enseignement supérieur dans la main-d’œuvre de l’entreprise. Les informations sur le capital physique et sur le travail qualifié ont disparu de l’enquête CIS4, qui est cependant plus complète que l’enquête CIS3 dans deux autres domaines. D’une part, l’enquête CIS4 interroge les entreprises de plus de 10 salariés, alors que l’enquête CIS3 interrogeait les entreprises de plus de 20 salariés. D’autre part, le plan de sondage retenu pour CIS3 faisait que l’enquête était centrée sur les entreprises industrielles, alors que l’enquête CIS4 a été étendue au secteur des services.

28 Cette structure de nos données nous a conduits à mener deux comparaisons distinctes. Tout d’abord, nous examinons comment évoluent les relations entre R&D, innovation et productivité dans l’industrie française entre les deux périodes considérées (1998-2000 et 2002-2004). Pour cela, nous comparons les résultats obtenus avec l’échantillon d’entreprises industrielles de l’enquête CIS3 et ceux obtenus avec l’échantillon d’entreprise industrielles de l’enquête CIS4. Nous utilisons ensuite l’enquête CIS4 pour repérer d’éventuelles différences intersectorielles (industrie/services) dans ces relations sur la période la plus récente (2002-2004).

29 Afin de pouvoir tirer des conclusions pertinentes de ces comparaisons, nous avons sélectionné trois échantillons d’entreprises de 20 employés ou plus : deux échantillons d’entreprises industrielles (3 524 entreprises de CIS3 et 4 955 entreprises de CIS4) et un échantillon d’entreprises de services (3 599 entreprises de CIS4). Le tableau 1 présente une décomposition de ces trois échantillons par secteur. Ces secteurs sont fondés sur la classification NACE (nomenclature d’activités européenne) à deux chiffres, agrégée comme chez Griffith et alii (2006). Nous avons procédé au nettoyage usuel de chaque échantillon, en supprimant : (1) les observations (peu nombreuses) présentant une valeur extrême du chiffre d’affaires, (2) les observations pour lesquelles le taux de croissance du chiffre d’affaires était supérieur à 100 % en valeur absolue et enfin (3) les observations pour lesquelles les dépenses de R&D représentaient plus de 50 % du chiffre d’affaires.

30 Notre analyse nécessitait des informations sur le capital physique qui ne sont plus disponibles dans l’enquête CIS4. Nous avons obtenu ces informations en appariant l’enquête CIS4 avec les données françaises des Enquêtes annuelles d’entreprise (EAE) [5]. Afin de disposer de mesures du capital comparables dans tous les échantillons, nous avons procédé à un appariement similaire entre les EAE et l’enquête CIS3 (même si cette dernière fournit déjà, par ailleurs, une mesure du capital physique). Grâce à cet appariement, nous disposons pour chaque vague de l’enquête CIS de deux mesures du capital physique : les investissements d’une part et les immobilisations d’autre part. Chacune de ces mesures est observable en t (année de référence de la vague de l’enquête CIS considérée), en t -1, et en t -2. L’appariement de chaque vague de l’enquête CIS avec les EAE pertinentes nous fournit également la valeur ajoutée, que nous utilisons pour calculer la productivité du travail. Ce mode de calcul nous permet d’ajouter un contrôle implicite de l’effet des consommations intermédiaires dans l’équation de productivité de notre version du modèle CDM.

31 Le tableau 1 montre qu’apparier les différentes vagues d’enquêtes CIS avec les EAE correspondantes n’entraîne pas une baisse significative du nombre d’observations – cette baisse ne semble pas excéder celle qui résulte d’un simple nettoyage de nos échantillons. Dans tous nos échantillons, nous ne perdons que très peu d’entreprises suite à l’appariement avec les EAE et la distribution des entreprises par secteur n’a guère changé après l’appariement [6]. Ceci suggère que nous n’avons pas à craindre d’importants biais de sélection consécutifs au nettoyage et/ou à l’appariement. Un examen plus approfondi de la distribution des variables clés dans les échantillons initiaux et finaux (post-nettoyage et post-appariement) confirme cette première impression.

Choix des variables explicatives

32 Nous détaillons à présent le choix des variables explicatives utilisées dans la spécification empirique du modèle économétrique. Notre choix de variables s’appuie sur le cadre conceptuel original élaboré par Crépon et alii (1998), en tenant compte de changements introduits par Griffith et alii (2006) et en essayant de dépasser certaines limites de ce dernier travail.

Tableau 1

nombre et proportion d’entreprises par secteur dans l’industrie et les services pour CIS3 et CIS4

		CIS3	CIS4
Secteur	Code NACE	Avant appariement Après appariement N % N %	Avant appariement Après appariement N %N %
Textile Bois et papier Produits chimiques Plastique et caoutchouc Minerais non ferreux Métallurgie Fabrication de machines Composants électriques et électroniques Véhicules Divers	17-19 20-22 23-24 25 26 27-28 29 30-33 34-35 36-37	475 13,5 475 13,5 386 11,0 386 11,0 374 10,6 374 10,6 276 7,8 276 7,8 168 4,8 168 4,8 607 17,2 607 17,3 418 11,9 413 11,7 452 12,8 452 12,9 192 5,4 191 5,4 176 5,0 176 5,0	648 13,1 636 13,2 706 14,2 654 13,5 451 9,1 445 9,2 313 6,3 311 6,4 273 5,5 265 5,5 699 14,1 684 14,2 439 8,9 433 9,0 657 13,3 644 13,3 483 9,7 475 9,8 286 5,8 284 5,9
Industrie (total)		3524 100,0 3518 100,0	4955 100,0 4831 100,0
Hôtellerie et restauration Communication Logement, services fonciers Location Services informatiques Services aux entreprises	55 64 70 71 72 74		505 14,0 482 13,9 78 2,2 72 2,1 269 7,5 258 7,4 179 5,0 171 4,9 406 11,3 397 11,5 2162 60,1 2087 60,2
Services (total)			3599 100,0 3467 100,0

nombre et proportion d’entreprises par secteur dans l’industrie et les services pour CIS3 et CIS4

Lecture : notre définition des secteurs est fondée sur le système de classification Nace (nomenclature générale des activités économiques dans les Communautés européennes) à deux chiffres, tel que publié par Eurostat (1992).
Appariement renvoie ici à l’appariement de nos données d’enquête avec les données des EAE (qui nous ont fourni l’information sur le capital physique et la valeur ajoutée).

33 Le vecteur de variables explicatives x₁ utilisé dans la première équation du système (1), qui modélise la probabilité de mener des activités de R&D, inclut des variables mesurant la capacité d’une entreprise à tirer profit de l’innovation (conditions d’appropriabilité), les conditions de marché et les déterminants schumpétériens de l’innovation. Les conditions d’appropriabilité sont représentées par deux variables indicatrices qui décrivent la manière dont les entreprises ont protégé leurs inventions durant la période d’observation. La première (protection formelle) est égale à 1 si l’entreprise considérée a utilisé des moyens formels (brevets, dessins et modèles, marques, droits d’auteur ou copyright) et à 0 sinon. La seconde variable indicatrice (protection stratégique) est égale à 1 si l’entreprise a eu recours à des moyens informels (complexité de la conception, secret ou avance technologique sur les concurrents) et à 0 sinon. Les conditions de marché sont en partie capturées par un indicateur binaire de la concurrence internationale (égal à 1 si le principal marché de l’entreprise est international et à 0 sinon). Cet indicateur peut également mesurer le degré d’ouverture de l’entreprise au marché international. De ce fait, les conditions de marché au sens plus schumpétérien du terme sont peut-être mesurées de façon plus complète par les indicatrices sectorielles présentées dans le tableau 1 (et incluses ici dans les régresseurs). Ces indicatrices donnent un idée du marché principal de l’entreprise pendant la période considérée. Elles pourraient ainsi ajouter un contrôle supplémentaire pour certaines caractéristiques de ce marché, comme son degré de concentration.

34 La variable taille de l’entreprise est l’autre déterminant schumpétérien de l’innovation inclus dans le vecteur x₁. Nous mesurons la taille de l’entreprise par le nombre d’employés observé deux ans avant l’année de l’enquête et reporté dans une variable ordonnée à cinq catégories : (1) moins de 50 employés, (2) de 50 à 99 employés, (3) de 100 à 249 employés, (4) de 250 à 999 employés et (5) 1000 employés ou plus. Afin de faciliter l’identification du modèle, nous avons exclu la taille de l’entreprise de la seconde équation du système (1), c’est-à-dire l’équation d’intensité de R&D. Notre choix de la taille de l’entreprise comme variable d’exclusion a été dicté par les résultats des études précédentes. Par exemple, Griffith et alii (2006) ont montré que, dans plusieurs pays européens (en particulier en France), la taille de l’entreprise influence la probabilité d’engager des dépenses de R&D mais pas l’intensité de cet investissement en R&D.

35 Enfin, suivant en cela le cadre original de Crépon et alii (1998), nous incluons dans le vecteur x₁ des variables indiquant dans quelle mesure l’innovation réalisée a été tirée par la demande ou a résulté de l’impulsion de la technologie. Ces variables sont mesurées au niveau du secteur d’activité principal de l’entreprise (saisi par son code Nace à 3 chiffres) pendant la période d’observation. Elles sont construites à partir d’une question spécifique à l’enquête CIS française. Elles donnent la proportion d’entreprises pour lesquelles l’innovation a été faiblement, moyennement ou fortement déterminée par (respectivement) la demande ou l’impulsion technologique dans le secteur considéré. Dans chaque cas, nous prenons comme catégorie de référence une quatrième variable indiquant une absence totale d’influence. En mesurant ces variables au niveau du code secteur à 3 chiffres plutôt qu’au niveau de l’entreprise, nous tentons de minimiser une difficulté propre à la plupart des enquêtes sur l’innovation : le fait que seules les entreprises innovantes répondent aux questions concernant la nature de l’innovation.

36 Le vecteur x ₂ utilisé dans la deuxième équation du système (1) – l’équation d’intensité de R&D – inclut les mêmes variables que le vecteur x₁ , à l’exception de la taille de l’entreprise. Cependant, le vecteur x₂ inclut trois variables qui sont observées uniquement quand l’entreprise déclare des activités de R&D et qui peuvent servir à caractériser plus avant le processus de R&D. Ces trois variables sont : (1) une indicatrice de coopérations en innovation, (2) des indicatrices de soutien public à l’innovation et (3) des indicatrices des sources d’information utilisées dans le processus d’innovation. L’indicatrice de coopérations est égale à 1 si l’entreprise considérée a coopéré avec d’autres entreprises ou organisations pour ses activités d’innovation, et égale à 0 sinon. Le soutien public à l’innovation est mesuré par trois variables indicatrices qui ne sont pas mutuellement exclusives : (1) une indicatrice de soutien financier par des autorités locales ou régionales, (2) une indicatrice de soutien financier par des instances nationales et (3) une indicatrice de soutien financier par l’Union européenne (UE), qui inclut les soutiens reçus via la participation à un Programme cadre européen pour la R&D (PCRD). De même, les sources d’informations sont mesurées par un ensemble de variables indicatrices incluant : les sources internes à l’entreprise, le groupe (si l’entreprise appartient à un groupe), les fournisseurs, les clients, les concurrents et les organismes publics de recherche (y compris les laboratoires universitaires).

37 Le vecteur de variables explicatives x ₃ utilisé dans la troisième équation du système (1) – l’équation d’innovation de produit – inclut une variable endogène et trois variables exogènes. La variable endogène est le logarithme de l’intensité de R&D prédite (à l’étape précédente de l’estimation). Les variables exogènes sont les conditions d’appropriabilité appréhendées à l’aide des variables indicatrices de protection des inventions décrites plus haut [7], la taille de l’entreprise (également définie plus haut) et les indicatrices sectorielles présentées dans le tableau 1. Le vecteur x₄ intervenant dans la quatrième équation du système (1) – l’équation d’innovation de procédé – inclut exactement les mêmes variables que le vecteur x ₃ et une variable additionnelle. Cette variable est le montant de l’investissement en capital physique, mesuré par le logarithme de l’intensité des investissements [8] en t-2 (t étant l’année de l’enquête considérée). La raison pour laquelle nous incluons cette variable est que, par définition, l’innovation de procédé implique des changements dans la chaîne de production, ce qui peut nécessiter l’acquisition de nouveaux équipements (machines, par exemple). Cette variable est retardée de deux ans afin de réduire les éventuels problèmes de simultanéité qui pourraient surgir dans la mesure où l’innovation est observée sur les trois dernières années (c’est-à-dire en t, t -1 et t -2).

38 Le vecteur x₅ utilisé dans la cinquième et dernière équation du système (1) – l’équation de productivité du travail – inclut deux variables explicatives endogènes et trois variables exogènes. Les deux variables endogènes sont l’innovation de produit et l’innovation de procédé. Dans la procédure d’estimation en trois étapes, ces variables sont les probabilités d’innover (en produit et en procédé) prédites à l’aide du modèle Probit bivarié de l’étape précédente. Dans la procédure d’estimation en deux étapes, nous utilisons les variables observées, indicatrices d’innovation de produit et de procédé respectivement. Les variables exogènes du vecteur x ₅ sont la taille de l’entreprise (toujours définie comme précédemment), les indicatrices sectorielles et une mesure du stock de capital physique. Afin de laisser moins de prise aux problèmes d’endogénéité potentiels, cette mesure diffère de celle utilisée dans le vecteur x ₄ . Dans l’équation de productivité, nous mesurons le capital physique à l’aide du logarithme du montant des immobilisations par employé observé en t -1 (t étant l’année de l’enquête). La variable est retardée d’un an afin de mesurer le stock de capital physique à la fin de l’année précédente.

Comparaison des échantillons

39 Après avoir présenté nos sources statistiques et les variables retenues pour l’analyse, et avant de présenter et commenter nos résultats, nous nous livrons à une brève comparaison des trois échantillons appariés. Le tableau 2 présente des statistiques descriptives pour nos principales variables dépendantes et explicatives, dans ces trois échantillons. Bien que les tests de différence des moyennes soient souvent significatifs, les échantillons d’entreprises industrielles tirés des enquêtes CIS3 et CIS4 restent dans l’ensemble très similaires. En particulier, la valeur de notre mesure de la productivité du travail (calculée en utilisant la valeur ajoutée) est très similaire dans les deux échantillons, et la différence n’est d’ailleurs pas statistiquement significative. Les principales différences entre les deux échantillons concernent l’innovation. Ainsi, les entreprises industrielles innovant en procédé sont plus nombreuses dans l’échantillon tiré de CIS4 que dans celui tiré de CIS3 (45% dans le premier contre 32% seulement dans le second). De même, les entreprises déclarant que l’innovation est largement déterminée par l’impulsion du marché (ou tirée par la demande) sont plus nombreuses dans l’échantillon extrait de CIS4. Les entreprises de cet échantillon accordent également une importance relativement plus grande à la protection des inventions (et en particulier aux moyens stratégiques de protection). Enfin, signalons (même si cet élément ne concerne pas directement l’innovation) que l’importance de la concurrence internationale semble s’être intensifiée entre les enquêtes CIS3 et CIS4.

40 Les échantillons tirés de l’enquête CIS4 permettent de mettre en lumière les différences existant entre industrie et services sur la période récente. Ces différences intersectorielles sont plus importantes que celles, décrites ci-dessus, entre les deux échantillons d’entreprises industrielles. En premier lieu, la productivité du travail apparaît comme nettement plus faible dans les services quand nous la calculons comme le ratio du chiffre d’affaires au nombre d’employés. Dans ce cas, elle est environ de 130 euros par employé, contre environ 200 euros par employé dans l’industrie. Quand nous la calculons en utilisant la valeur ajoutée au lieu du chiffre d’affaires, elle devient légèrement plus élevée dans les services (62 euros par employé contre 55 euros seulement dans l’industrie), cette différence étant statistiquement significative. La raison de cette inversion est que la définition de la productivité fondée sur la valeur ajoutée est nette des consommations intermédiaires. Or, celles-ci augmentent artificiellement, dans l’industrie, le niveau de la productivité du travail fondée sur le chiffre d’affaires. Le constat réalisé à partir de la définition de la productivité fondée sur la valeur ajoutée (productivité plus élevée dans les services que dans l’industrie) est cohérente avec l’idée que la France devient progressivement (comme nombre d’autres pays occidentaux) une économie dont la croissance est tirée par les services.

Tableau 2

statistiques descriptives pour les échantillons appariés

	CIS3 Industrie	CIS4 Industrie	CIS4 Services
Connaissances et innovation – Engagement en continu dans une activité de R&D – Intensité de R&D (= R&D par employé, pour les entreprises avec une activité de R&D continue) – Innovation (produit et/ou procédé) – Innovation de procédé – Innovation de produit – % des ventes de nouveaux produits dans les ventes totales (pour les entreprises innovant en produit) – Productivité du travail (fondée sur le chiffre d’affaires) – Productivité du travail (fondée sur la valeur ajoutée)	0,38*** 7,41 0,52*** 0,32*** 0,47*** 0,24* 182,64** 54,01	0,33 7,66 0,57 0,45 0,43 0,23 209,75 55,05	0,14*** 7,50 0,36*** 0,31*** 0,23*** 0,19*** 130,05*** 62,40***
Soutien public à l’innovation – Financement local (1 si oui, 0 si non) – Financement national (1si oui, 0 si non) – Financement EU (1 si oui, 0 si non)	0,06** 0,16*** 0,05**	0,05 0,12 0,04	0,01*** 0,04*** 0,02***
Impulsion du marché / dynamique technologique – Aucune impulsion du marché – Faible impulsion du marché – Impulsion du marché modérée – Forte impulsion du marché – Pas d’influence de la dynamique technologique – Faible influence de la dynamique technologique – Influence modérée de la dynamique technologique – Forte influence de la dynamique technologique	0,03*** 0,07*** 0,28*** 0,61*** 0,12*** 0,23*** 0,43*** 0,22***	0,05 0,04 0,21 0,70 0,15 0,19 0,37 0,29	0,11*** 0,06*** 0,22*** 0,62*** 0,23*** 0,15*** 0,32*** 0,30***
Sources d’information utilisées pour innover (pour les entreprises innovantes ou actives en R&D) – Sources internes à l’entreprise – Sources internes au groupe – Fournisseurs – Clients – Concurrents – Universités/laboratoires publics	0,47** 0,22*** 0,28*** 0,42*** 0,33*** 0,11	0,50 0,28 0,32 0,37 0,23 0,12	0,30*** 0,17*** 0,19*** 0,20*** 0,13*** 0,05***
Conditions d’appropriabilité – Protection formelle de la propriété intellectuelle (variable indicatrice) – Protection stratégique de la propriété intellectuelle (variable indicatrice) – Coopération (variable indicatrice)	0,45*** 0,28*** 0,27**	0,51 0,39 0,29	0,29*** 0,17*** 0,16***
Autres variables – Concurrence internationale (variable indicatrice) – Taille : moins de 50 employés – Taille : 50-99 employés – Taille : 100-249 employés – Taille : 250-999 employés – Taille : 1 000 employés et plus	0,41*** 0,29*** 0,18 0,20*** 0,24 0,08***	0,54 0,34 0,20 0,18 0,23 0,06	0,19*** 0,39*** 0,20 0,16 0,20*** 0,05
Nombre d’observations	3 518	4 831	3 467

statistiques descriptives pour les échantillons appariés

Lecture : le tableau présente les valeurs moyennes des variables. L’unité monétaire retenue est le millier d’euros. Les variables de l’enquête CIS3 sont observées sur la période 1998-2000, à l’exception de la R&D par employé et de la productivité du travail, observés en 2000, et de la taille (nombre d’employés) de l’entreprise, observée en 1998. Les variables de l’enquête CIS4 sont observées sur la période 2002-2004, à l’exception de la R&D par employé et de la productivité du travail, observés en 2004, et de la taille (nombre d’employés) de l’entreprise, observée en 2002. Les symboles ***, ** et * indiquent que la différence des moyennes (par rapport à la valeur présentée dans l’échantillon d’entreprises industrielles de CIS4) est significative au seuil de 1%, 5% et 10% respectivement.

41 Une autre différence majeure entre l’industrie et les services est que la proportion d’entreprises s’engageant de manière régulière dans des activités de R&D est beaucoup plus faible dans les services (14% contre 33% dans l’industrie). La proportion d’entreprises recevant un soutien public pour innover est également beaucoup plus faible dans les services : par exemple, seules 4% des entreprises de services reçoivent un soutien financier du gouvernement, contre 12% dans l’industrie. Les entreprises de services semblent également moins activement engagées dans la quête de connaissances (externes, en particulier) : la proportion d’entreprises s’appuyant sur les diverses sources d’information couvertes par l’enquête CIS4 est en effet systématiquement plus faible dans les services que dans l’industrie. Les entreprises de services sont également moins préoccupées de la protection de la propriété intellectuelle et des conditions d’appropriabilité. Cette observation est cohérente avec leur moindre investissement dans les activités de R&D, mais aussi avec le fait que le dépôt de brevets est quasiment inexistant dans le secteur des services. Enfin, les entreprises de services semblent davantage orientées vers les marchés locaux ou nationaux, dans la mesure où elle déclarent être moins exposées à la concurrence internationale que les entreprises industrielles.

42 En résumé, bien qu’il existe des contrastes entre les deux échantillons d’entreprises industrielles observés à des périodes différentes, ces contrastes sont bien moindres que ceux observés entre l’industrie et les services sur la période 2002-2004. Il conviendra de garder à l’esprit ces différences lors de l’interprétation de nos résultats, dans la mesure où ils reflètent la spécificité du secteur des services en matière d’innovation.

L’industrie de CIS3 à CIS4 : comparaison intertemporelle

44 La première comparaison que nous pouvons conduire sur la base de nos estimations concerne l’industrie manufacturière, qui est observée en 1998-2000 et 2002-2004. Cette comparaison repose sur la confrontation des résultats des tableaux 3 et 4. Ces résultats sont ensuite comparés à ceux obtenus à l’aide de la procédure d’estimation en deux étapes, présentés dans les tableaux A1 et A2 de l’annexe.

45 Nous interprétons d’abord les résultats des équations de sélection et d’intensité de R&D, c’est-à-dire les deux premières équations du système (1). Dans l’équation de sélection, la taille de l’entreprise apparaît comme un déterminant important de la probabilité de s’engager dans des activités de R&D. Ce résultat est en accord aussi bien avec la tradition schumpétérienne qu’avec la littérature empirique. Le calcul des effets marginaux [9] montre que la probabilité qu’une entreprise soit active en R&D augmente avec la taille de l’entreprise (notre catégorie de référence étant les entreprises de moins de 50 salariés). Dans l’échantillon tiré de CIS3, l’effet marginal d’une catégorie de taille à l’autre passe ainsi de 0,11 (avec un écart type de 0,03) à 0,14 (0,03) puis 0,30 (0,02) et finalement 0,35 (0,03). Dans l’échantillon tiré de CIS4, l’effet marginal passe de 0,06 (avec un écart type de 0,02) à 0,14 (0,02), puis 0,22 (0,02) et 0,41 (0,03).

46 De plus, les entreprises industrielles qui sont mieux à même de protéger leurs inventions sont également plus susceptibles (1) d’avoir une activité de R&D régulière et (2) d’investir davantage en R&D. Dans les deux échantillons, en effet, les moyens de protection formels et stratégiques sont associés positivement à la probabilité plus élevée de faire de la R&D et à l’intensité de R&D. Ces résultats sont en accord avec la littérature théorique, qui suggère qu’une entreprise ne s’engagera pas dans un processus d’innovation (et donc dans des activités de R&D) si elle ne peut pas espérer s’approprier les résultats de l’innovation et en retirer un profit accru. Finalement, la concurrence internationale et la coopération en innovation sont toutes deux associées positivement à une intensité de R&D plus élevée. Ce résultat s’observe dans les deux échantillons, mais la valeur absolue de l’effet est plus importante dans l’échantillon tiré de CIS4 que dans celui tiré de CIS3. Il est sans doute plus correct, dans le contexte de notre recherche, de considérer la concurrence internationale comme une mesure approchée de l’ouverture au marché international, que comme une mesure de la concurrence au sens strict du terme. Nos résultats suggèrent donc que, sur la période considérée, les entreprises industrielles françaises plus ouvertes à l’international investissent davantage en R&D.

Tableau 3

paramètres du modèle CDM estimés par la procédure en trois étapes (CIS3, industrie)

	Équations de R&D Sélection Intensité	Production de connaissances Produit Procédé	Productivité
Log-intensité de R&D Innovation de produit Innovation de procédé Log-intensité du capital Concurrence internationale Coopération	– – – – – – – – 0,40*** 0,44*** (0,06) (0,08) – 0(,02,50*7*)*	1,18*** 0,73*** (0,08) (0,07) – – – – – 0,11*** (0,02) – – – –	– 0,05 (0,09) 0,41*** (0,12) 0,13*** (0,01) – –
Appropriabilité – Protection formelle – Protection stratégique	0,96*** 0,30*** (0,06) (0,09) 0,73*** 0,30*** (0,06) (0,08)	0,53*** 0,16** (0,06) (0,06) 0,39*** 0,32*** (0,08) (0,07)	– –
Soutien public – Financement local – Financement national – Financement européen	– 0,03 (0,12) – -0,14 (0,08) – 0,46*** (0,13)	– – – – – –	– – –
Taille (réf. : moins de 50 employés) – de 50 à 99 employés – de 100 à 249 employés – de 250 à 999 employés – 1000 employés et plus	0,28*** (0,08) – 0,39*** (0,08) – 0,78*** (0,08) – 0,92*** (0,11) –	0,22*** 0,13 (0,08) (0,08) 0,09 0,23*** (0,08) (0,08) 0,36*** 0,27*** (0,09) (0,08) 0,25** 0,38*** (0,12) (0,12)	-0,09*** (0,02) -0,15*** (0,03) -0,13*** (0,02) -0,04 (0,05)
Secteur Nace à 2 chiffres Impulsion marché/technologie Sources d’information	0,000 0,000 0,833 0,000 – 0,072	0,000 0,000 – – – –	0,000 – –
Écart type du terme d’erreur (?)	1,29*** (0,04)	– –	–
Corrélation entre les termes d’erreur (?)	0,35*** (0,05)	0,47*** (0,03)	–
Statistiques d’ajustement	Log L : -3667,18 Test de b = 0:523,60***	Log L : -2760,66 Test de b = 0:1644,92***	R2 = 0,27

paramètres du modèle CDM estimés par la procédure en trois étapes (CIS3, industrie)

Lecture : * Significatif au seuil de 10%, ** Significatif au seuil de 5%, *** Significatif au seuil de 1%. Les valeurs entre parenthèses sont les erreurs standards robustes.
Dans un souci de concision, nous ne présentons que les p-valeurs d’un test de significativité global de (1) l’effet fixe sectoriel, (2) des indicatrices de l’impulsion du marché / de la technologie et (3) des sources d’information.
Le capital (physique) est mesuré par le logarithme de l’intensité des investissements à l’année t-2 dans l’équation d’innovation de procédé et par le logarithme des immobilisations par tête en t-1 dans l’équation de productivité.
En bas du tableau (lignes « Statistiques d’ajustement »), L représente la vraisemblance jointe des deux équations considérées (de R&D ou de production des connaissances) et b le vecteur regroupant l’ensemble des coefficients du premier ordre (hors constantes) de ces deux équations.

47 Nous commentons maintenant les résultats de l’estimation de la fonction de production de connaissances, qui correspond aux troisième et quatrième équations du système (1). Le résultat le plus important concerne évidemment l’effet de la variable explicative endogène logarithme de l’intensité de R&D sur la probabilité d’innover. Cet effet est significatif dans les équations d’innovation de produit et de procédé, pour les deux échantillons d’entreprises industrielles considérés. Le calcul des effets marginaux révèle que, dans l’échantillon tiré de CIS3, une augmentation d’une unité de la log-intensité de R&D accroît de 47% la probabilité d’innover en produit, et de 25% la probabilité d’innover en procédé. Les écart type de ces effets sont respectivement de 3% et 2%. De même, dans l’échantillon tiré de CIS4, une augmentation d’une unité de la log-intensité de R&D accroît de 50% la probabilité d’innover en produit, et de 36% la probabilité d’innover en procédé, avec un écart type de 2% dans chaque cas. Dans les deux échantillons d’entreprises industrielles, l’intensité de R&D a un effet plus important – en valeur absolue – sur l’innovation de produit que sur l’innovation de procédé [10].

Tableau 4

paramètres du modèle CDM estimés par la procédure en trois étapes (CIS4, industrie)

	Équations de R&D Sélection Intensité	Production de connaissances Produit Procédé	Productivité
Log-intensité de R&D Innovation de produit Innovation de procédé Log-intensité du capital Concurrence internationale Coopération	– – – – – – – – 0,51*** 0,51*** (0,05) (0,10) – 0,36*** (0,08)	1,27*** 0,90*** (0,07) (0,06) – – – – – 0,08*** (0,02) – – – –	– – -0,08 (0,13) 0,45*** (0,16) 0,10*** (0,01) – –
Appropriabilité – Protection formelle – Protection stratégique	0,59*** 0,43*** (0,05) (0,10) 0,67*** 0,61*** (0,05) (0,09)	0,09 -0,16*** (0,05) (0,06) -0,17** -0,01 (0,06) (0,06)	– –
Soutien public – Financement local – Financement national – Financement européen	– -0,03 (0,14) – 0,07 (0,09) – 0,40*** (0,14)	– – – – – –	– – –
Taille (réf. : moins de 50 employés) – de 50 à 99 employés – de 100 à 249 employés – de 250 à 999 employés – 1000 employés et plus	0,18*** – (0,07) 0,39*** – (0,07) 0,63*** – (0,06) 1,07*** – (0,10)	0,05 0,01 (0,06) (0,06) 0,07 0,05 (0,07) (0,06) 0,21*** 0,05 (0,07) (0,06) 0,35*** 0,34*** (0,12) (0,11)	-0,05** (0,02) -0,10*** (0,02) -0,06** (0,02) 0,02 (0,04)
Secteur Nace à 2 chiffres Impulsion marché/technologie Sources d’information	0,000 0,000 0,014 0,000 – 0,053	0,000 0,000 – – – –	0,000 – –
Écart type du terme d’erreur (?)	– 1,46*** (0,04)	– –	–
Corrélation entre les termes d’erreur (?)	0,28*** (0,06)	0,44*** (0,03)	–
Statistiques d’ajustement	Log L : -5061,75 Test de b = 0:444,41***	Log L : -4318,03 Test de b = 0:2205,76***	R2 = 0,21

paramètres du modèle CDM estimés par la procédure en trois étapes (CIS4, industrie)

Lecture : * Significatif au seuil de 10%, ** Significatif au seuil de 5%, *** Significatif au seuil de 1%.
Les valeurs entre parenthèses sont les erreurs standards robustes. Dans un souci de concision, nous ne présentons que les p-valeurs d’un test de significativité global de (1) l’effet fixe sectoriel, (2) des indicatrices de l’impulsion du marché / de la technologie et (3) des sources d’information.
Le capital (physique) est mesuré par la logarithme de l’intensité des investissements à l’année t - 2 dans l’équation d’innovation de procédé et par le logarithme des immobilisations par tête en t - 1 dans l’équation de productivité.
En bas du tableau (lignes « Statistiques d’ajustement »), L représente la vraisemblance jointe des deux équations considérées (de R&D ou de production des connaissances) et b le vecteur regroupant l’ensemble des coefficients du premier ordre (hors constantes) de ces deux équations.

Tableau 5

paramètres du modèle CDM estimés par la procédure en trois étapes (CIS4, services)

	Équations de R&D Sélection Intensité	Production de connaissances Produit Procédé	Productivité
Log-intensité de R&D Innovation de produit Innovation de procédé Log-intensité du capital Concurrence internationale Coopération	– – – – – – – – 0,44*** 0,90*** (0,07) (0,20) – 0,07 (0,17)	0,32*** 0,20*** (0,04) (0,03) – – – – – -0,01 (0,02) – – – –	– – 0,27 (0,45) 0,27 (0,52) 0,18*** (0,01) – –
Appropriabilité – Protection formelle – Protection stratégique	0,71*** 0,94*** (0,07) (0,23) 0,89*** 1,11*** (0,07) (0,22)	0,28*** 0,26*** (0,08) (0,07) 0,49*** 0,50*** (0,09) (0,09)	– –
Soutien public – Financement local – Financement national – Financement européen	– -0,40 (0,34) – 0,77*** (0,21) – -0,27 (0,31)	– – – – – –	– – –
Taille (réf. : moins de 50 employés) – de 50 à 99 employés – de 100 à 249 employés – de 250 à 999 employés – 1 000 employés et plus	0,23*** – (0,08) 0,25*** – (0,09) 0,39*** – (0,09) 0,83*** – (0,14)	0,16* 0,17** (0,09) (0,08) 0,17* 0,23*** (0,09) (0,08) 0,35*** 0,40*** (0,09) (0,08) 0,77*** 0,69*** (0,13) (0,12)	-0,07* (0,04) -0,08** (0,04) -0,15*** (0,04) -0,29*** (0,05)
Secteur Nace à 2 chiffres Impulsion marché/technologie Sources d’information	0,069 0,050 0,005 0,000 – 0,503	0,148 0,141 – – – –	0,000 – –
Écart type du terme d’erreur (?)	2,05** – (0,14)	– –	–
Corrélation entre les termes d’erreur (?)	0,62*** (0,07)	0,65*** (0,03)	–
Statistiques d’ajustement	Log L : -1987,65 Test de b = 0:233,42***	Log L : -2177,52 Test de b = 0:747,34***	R2 = 0,42

paramètres du modèle CDM estimés par la procédure en trois étapes (CIS4, services)

Lecture : significatif au seuil de 10%, ** Significatif au seuil de 5%, *** Significatif au seuil de 1%.
Les valeurs entre parenthèses sont les erreurs standards robustes. Dans un souci de concision, nous ne présentons que les p-valeurs d’un test de significativité global de (1) l’effet fixe sectoriel, (2) des indicatrices de l’impulsion du marché / de la technologie et (3) des sources d’information.
Le capital (physique) est mesuré par le logarithme de l’intensité des investissements à l’année t -2 dans l’équation d’innovation de procédé et par le logarithme des immobilisations par tête en t -1 dans l’équation de productivité.
En bas du tableau (lignes « Statistiques d’ajustement »), L représente la vraisemblance jointe des deux équations considérées (de R&D ou de production des connaissances) et b le vecteur regroupant l’ensemble des coefficients du premier ordre (hors constantes) de ces deux équations.

Tableau 6

coefficients de corrélation des résidus généralisés dans chaque échantillon

	CIS3, industrie (1) (2) (3) (4) (5)	CIS4, industrie (1) (2) (3) (4) (5)	CIS4, services (1) (2) (3) (4) (5)
(1) (2) (3) (4) (5)	1 0,18*** 1 0,13*** 0,34*** 1 0,06** 0,19*** 0,26*** 1 0,19*** -0,01 -0,02 -0,03* 1	1 0,23*** 1 0,34*** 0,11*** 1 0,20*** 0,02 0,25*** 1 0,01 0,17*** 0,01 -0,05*** 1	1 0,23*** 1 0,22*** 0,33*** 1 0,14*** 0,34*** 0,39*** 1 0,17*** 0,01 -0,03 -0,02 1

coefficients de corrélation des résidus généralisés dans chaque échantillon

Lecture : * Significatif au seuil de 10%, ** Significatif au seuil de 5%, *** Significatif au seuil de 1%.
(1) probabilité d’investir en R&D, (2) intensité de R&D, (3) innovation de produit, (4) innovation de procédé, (5) productivité du travail.

48 Notre procédure d’estimation en deux étapes confirme les résultats que nous venons de présenter sur la fonction de production de connaissances. Dans les deux échantillons d’entreprises industrielles (cf. tableaux A1 et A2 de l’annexe), nous trouvons un effet significativement positif de la R&D sur l’innovation de produit et de procédé. Cet effet est systématiquement plus élevé en valeur absolue dans l’équation d’innovation de produit que dans l’équation d’innovation de procédé [11]. Avec la procédure d’estimation en deux étapes, l’effet marginal de la log-intensité de R&D sur l’innovation de produit est de 49% dans l’échantillon tiré de CIS3 et de 50% dans l’échantillon tiré de CIS4. L’effet marginal sur l’innovation de procédé est de 25% dans le premier échantillon, et de 34% dans le second. Ces valeurs sont toutes très proches des valeurs de références obtenues avec la procédure d’estimation en trois étapes [12].

49 Nous arrivons finalement à notre résultat le plus important : l’effet de chaque forme d’innovation sur la productivité du travail. D’après les résultats obtenus avec la procédure en trois étapes, l’innovation de procédé apparaît (parmi les deux formes considérées) comme le principal déterminant de la productivité dans les deux échantillons, alors que l’impact de l’innovation de produit n’est jamais significatif. Avoir innové en procédé augmente (le logarithme de) la productivité du travail de 41% dans l’échantillon tiré de CIS3 et de 45% dans celui tiré de CIS4 (les écarts type de ces effets étant respectivement de 12% et 16%). La procédure d’estimation en deux étapes confirme ces résultats : elle montre que l’innovation de produit n’a pas d’impact significatif sur la productivité du travail et que seule compte l’innovation de procédé. Les valeurs des effets obtenus avec cette procédure sont néanmoins un peu plus faibles que les valeurs de références rapportées ci-dessus. Ainsi, l’effet estimé de l’introduction d’une innovation de procédé sur (le logarithme de) la productivité du travail n’est plus que de 35% dans l’échantillon tiré de CIS3 et de 38% dans celui tiré de CIS4 (avec un écart type de 10% dans les deux cas).

50 La dominance de l’effet de l’innovation de procédé dans les deux échantillons d’entreprises industrielles est en accord avec les résultats de la littérature (en particulier Griffith et alii, 2006 et Raffo et alii, 2008). Cependant, étant données les difficultés mentionnées dans la première partie (dont la corrélation potentiellement très forte pouvant exister entre innovation de produit et innovation de procédé), ce résultat mérite d’être examiné plus attentivement. Le tableau 6 suggère qu’il existe des facteurs inobservés influençant les deux types d’innovation dans la même direction et qu’une telle corrélation pourrait effectivement être présente dans nos données. En effet, le coefficient de corrélation entre les résidus généralisés des équations d’innovation de produit et d’innovation de procédé est significativement positif dans les deux échantillons considérés. De plus, le coefficient de corrélation des erreurs du modèle Probit bivarié, estimé comme composant de la vraisemblance dans nos deux procédures, est lui aussi significativement positif [13]. Nous nous livrerons donc, plus loin, à un examen plus approfondi de l’impact respectif de chaque forme d’innovation sur la productivité.

Industrie et services dans CIS4 : comparaison intersectorielle

51 Nous nous livrons maintenant à une comparaison entre industrie et services, à partir des échantillons correspondants de l’enquête CIS4. Pour réaliser cette comparaison, nous confrontons les résultats du tableau 5 à ceux du tableau 4 (déjà présentés dans la sous-partie précédente). Comme ci-dessus, nous comparerons ensuite ces résultats – obtenus avec la procédure d’estimation en trois étapes – à ceux obtenus à l’aide de la procédure d’estimation en deux étapes. Ces derniers figurent dans les tableaux A2 et A3 de l’annexe.

52 Notre discussion des résultats de l’estimation des équations de sélection et d’intensité de R&D sera brève, car elle reprend pour l’essentiel les commentaires faits plus haut, à propos de la comparaison des deux échantillons d’entreprises industrielles. En premier lieu, nous trouvons que la taille des entreprises est un déterminant de la propension à faire de la R&D aussi fondamental dans les services que dans l’industrie. Toutefois, même si la probabilité de mener régulièrement des activités de R&D augmente toujours avec la taille de l’entreprise, l’ampleur des effets marginaux est beaucoup plus faible dans les services que dans l’industrie : ils passent maintenant de 0,04 (avec une erreur standard de 0,02) dans les deux premières classes de taille à 0,07 (erreur standard de 0,02) puis 0,20 (erreur standard de 0,04) pour les plus grandes entreprises. De plus, comme dans l’industrie, plus une entreprise de services est à même de protéger ses innovations ou ses inventions, plus sa probabilité de faire de la R&D est élevée et plus son intensité de R&D augmente. Les effets estimés des moyens de protections formels et stratégiques sont significativement positifs dans les deux équations de R&D (sélection et intensité). Enfin, comme dans l’industrie, la concurrence internationale est associée positivement à l’intensité de R&D, alors que la coopération (dont le coefficient était significatif dans l’industrie) ne l’est pas.

53 Un contraste intéressant apparaît toutefois entre industrie et services. Les entreprises industrielles interrogées dans les enquêtes CIS3 et CIS4 sont susceptibles d’investir davantage en R&D quand elles reçoivent un soutien financier de l’UE, les autres soutiens publics à l’innovation ne semblant pas avoir d’importance pour ces entreprises. Les entreprises de services, quant à elles, sont susceptibles d’investir davantage en R&D quand elles reçoivent un soutien au niveau national, les autres soutiens ne semblant pas avoir d’importance. Il se pourrait donc qu’une entreprise de services, dont le marché est généralement national plutôt qu’international, s’adresse naturellement aux autorités de son pays (plutôt qu’à des instances supranationales) quand il lui faut chercher un soutien financier à ses activités de R&D. Il convient également de noter que les soutiens publics locaux ou européens sont plus rares dans les services, comme le montre le tableau 2.

54 Nous commentons maintenant les résultats des équations de la fonction de production de connaissances. Dans les services comme dans l’industrie, la log-intensité de R&D a un impact significativement positif sur les deux formes d’innovation, l’impact sur l’innovation de produit étant toutefois un peu plus important en valeur absolue. La log-intensité de R&D a un effet marginal de 9% sur l’innovation de produit et de 7% sur l’innovation de procédé, l’écart type étant de 1% dans les deux cas. Ces deux effets marginaux sont d’ampleur beaucoup plus faible que ceux calculés dans la sous-partie précédente sur l’échantillon d’entreprises industrielles de CIS4. Appliquée aux services, la procédure d’estimation en deux étapes (tableau A3 de l’annexe) conduit elle aussi à des effets marginaux de 9% et 7%. Ces effets plus faibles dans les services renvoient incidemment à la question de la définition exacte d’une innovation (de produit ou de procédé) dans ce secteur. Nos résultats suggèrent que la R&D joue un rôle dans le processus d’innovation dans les services, mais sans constituer pour autant l’unique ressource-clé.

55 Nous en arrivons enfin à l’effet de chaque forme d’innovation sur la productivité du travail. Les résultats obtenus pour les services présentent un contraste frappant avec ceux obtenus pour l’industrie (où la productivité était mue principalement par l’innovation de procédé). Dans les services, ni l’innovation de produit ni l’innovation de procédé ne semblent avoir d’impact sur la productivité du travail. Les problèmes de mesure évoqués dans la première partie fournissent une explication possible à cette absence de résultat significatif.

56 Néanmoins, comparer ces résultats de référence à ceux obtenus avec la procédure d’estimation en deux étapes nous conduit à proposer une interprétation plus précise. Selon la procédure d’estimation en deux étapes, la productivité dans les services serait en fait tirée par l’innovation de produit (et non de procédé) : comme le montre le tableau A3 de l’annexe, avoir introduit une innovation de produit augmente de 39% la productivité du travail. Ces conclusions divergentes (absence d’effet de l’innovation dans un cas, effet de l’innovation de produit dans l’autre) pourraient s’expliquer par le fait que la procédure d’estimation en trois étapes s’appuie sur les probabilités d’innovation prédites alors que la procédure en deux étapes s’appuie sur les indicateurs binaires d’innovation. Elles suggèrent néanmoins que, dans les services, les deux formes d’innovation interviennent de façon concomitante, à tel point que chacune d’elle est à considérer simplement comme une mesure approchée de l’innovation en général (cf. première partie pour une explication de ce phénomène). En fonction de la procédure d’estimation utilisée sur l’échantillon des entreprises de services, l’effet positif de l’innovation de produit tend alors à dominer ou à absorber celui de l’innovation de procédé.

57 Un élément vient renforcer cette interprétation : le fait que les facteurs non observés (captés par les termes résidus) affectent l’innovation de produit et l’innovation de procédé dans la même direction. Comme le montre le tableau 6, le coefficient de corrélation entre les résidus généralisés des équations d’innovation de produit et de procédé est significativement positif et nettement plus élevé dans notre échantillon d’entreprises de services que dans les échantillons d’entreprises industrielles. Il est de 0,39 dans le premier, contre 0,26 et 0,25 respectivement dans les échantillons d’entreprises industrielles de CIS3 et CIS4. De manière similaire, la corrélation du coefficient des termes d’erreurs du modèle Probit bivarié est plus élevée dans les services (0,64 ou 0,65 selon la procédure d’estimation utilisée) que dans l’industrie. Il convient donc d’accorder la plus grande attention à l’interprétation développée au paragraphe précédent, ce que nous faisons maintenant à l’aide de diverses analyses de sensibilité.

Analyses de sensibilité

58 Le principal résultat de notre analyse peut se résumer ainsi : dans l’industrie, sur les deux périodes considérées, l’innovation de procédé (et non de produit) est le principal déterminant de la productivité du travail. Dans les services, en revanche, innovation de produit et innovation de procédé semblent simplement refléter la tendance globale des entreprises à innover. Cela expliquerait pourquoi, dans ce secteur, la productivité apparaît parfois tirée par l’innovation de produit et parfois indépendante de toute forme d’innovation. Nous examinons ici la robustesse de ces résultats, en estimant des variantes de notre modèle CDM où (1) nous négligeons délibérément de prendre en compte une des deux formes d’innovation et (2) nous nous utilisons simplement un indicateur global d’innovation.

59 Dans une première variante, nous réduisons la fonction de production de connaissances à l’équation d’innovation de produit uniquement, celle-ci étant spécifiée comme un modèle Probit simple. En négligeant ainsi l’innovation de procédé (comme si toute l’innovation pouvait se ramener à de l’innovation de produit), nous aboutissons de fait à une spécification alternative du modèle CDM originel. Dans une deuxième variante, nous réduisons la fonction de production de connaissances à l’équation d’innovation de procédé uniquement, elle aussi spécifiée comme un Probit simple. Enfin, dans une troisième et dernière variante du modèle, nous spécifions la fonction de production de connaissances comme un modèle Probit simple dont la variable dépendante est une indicatrice égale à 1 si l’entreprise innove (en produit et/ou en procédé) et à 0 sinon. Chacune de ces trois variantes de notre modèle CDM ne compte donc qu’une seule équation pour la fonction de production de connaissances : en d’autres termes, dans chaque cas, le système (1) se ramène à un système à quatre équations.

60 Le tableau 7 présente les valeurs estimées (par la procédure en trois étapes) de quelques paramètres-clés de notre modèle CDM : (1) tel que nous l’avons spécifié dans les sous-parties précédentes (c’est-à-dire avec cinq équations), (2) avec seulement l’équation d’innovation de produit, (3) avec seulement l’équation d’innovation de procédé et (4) avec une équation d’innovation globale mêlant produit et procédé. Les paramètres-clés retenus dans le tableau 7 sont (1) l’effet de la log-intensité de R&D sur l’innovation et (2) l’effet de l’innovation sur la productivité du travail. Dans ce qui suit, nous commentons ces paramètres estimés et nous les comparons à ceux obtenus avec la procédure d’estimation en deux étapes (présentés dans le tableau A4 de l’annexe).

61 Les résultats du tableau 7 fournissent des éléments qui permettent de soutenir l’hypothèse selon laquelle nos indicateurs d’innovation de produit et de procédé seraient en fait deux mesures approchées de l’innovation technologique lato sensu. Tout d’abord, dans la variante qui ne considère que l’innovation de produit, la probabilité prédite d’introduire une innovation de ce type accroît significativement la productivité du travail. Cette augmentation est respectivement de l’ordre de 30%, 27% et 60% dans les échantillons d’entreprises industrielles de CIS3 et CIS4 et dans l’échantillon d’entreprises de services. Estimé avec la procédure en deux étapes (cf. tableau A4 de l’annexe), cet effet marginal reste très stable dans les échantillons d’entreprises industrielles (29% et 26% pour CIS3 et CIS4 respectivement) et tombe à 48% (ce qui reste néanmoins une valeur élevée) dans l’échantillon d’entreprises de services.

Tableau 7

principaux paramètres estimés du modèle CDM avec diverses fonctions de production de connaissances

Log-intensité de R&D Innovation de produit Innovation de procédé	Production de connaissances = innovation de produit, innovation de procédé (Probit bivarié, modèle de référence) CIS3, industrie CIS4, industrie CIS4, services
	Prod. Proc. PT 1,18*** 0,73*** – (0,08) (0,07) – – 0,05 (0,09) – – 0,41*** (0,12)	Prod. Proc. PT 1,27*** 0,90*** – (0,07) (0,06) – – -0,08 (0,13) – – 0,45*** (0,16)	Prod. Proc. PT 0,32*** 0(,20,00*3*)* – (0,04) – – 0,27 (0,45) – – 0,27 (0,52)
Log-intensité de R&D Innovation de produit	Production de connaissances = innovation de produit (Probit simple) CIS3, industrie CIS4, industrie CIS4, services
	Prod. PT 1,27*** – (0,07) – 0,30*** (0,04)	Prod. PT 1,31*** – (0,06) – 0,27*** (0,03)	Prod. PT 0,32*** – (0,03) – 0,60*** (0,06)
Log-intensité de R&D Innovation de procédé	Production de connaissances = innovation de procédé (Probit simple) CIS3, industrie CIS4, industrie CIS4, services
	Proc. PT 0,71*** – (0,06) – 0,49*** (0,06)	Proc. PT 0,90*** – (0,06) – 0,35*** (0,04)	Proc. PT 0,18*** – (0,03) – 0,59*** (0,06)
Log-intensité de R&D Innovation «en général»	Production de connaissances = innovation en général (Probit simple) CIS3, industrie CIS4, industrie CIS4, services
	Inno. PT 1,45*** – (0,08) – 0,31*** (0,04)	Inno. PT 1,48*** – (0,08) – 0,28*** (0,03)	Inno. PT 0,24*** – (0,03) – 0(,50,30*6*)*

principaux paramètres estimés du modèle CDM avec diverses fonctions de production de connaissances

Lecture : * Significatif au seuil de 10%, ** Significatif au seuil de 5%, *** Significatif au seuil de 1%.
Les valeurs entre parenthèses sont les erreurs standard robustes.
Prod. = innovation de produit, Proc. = innovation de procédé, Inno. = innovation «en général», PT = Productivité du travail.

62 De manière similaire, dans la variante qui ne considère que l’innovation de procédé, la probabilité prédite d’introduire une innovation de ce type a un effet positif sur la productivité du travail dans les trois échantillons. Selon la procédure en trois étapes, cet effet est respectivement de 49%, 35% et 59% dans les échantillons d’entreprises industrielles de CIS3 et CIS4 et dans l’échantillon d’entreprises de services respectivement. Comme dans la variante précédente, la procédure en deux étapes conduit à un effet marginal stable dans l’industrie (41% et 37% pour CIS4 et CIS3) et plus faible dans les services (40% environ).

63 Pour finir, dans la variante où la fonction de production de connaissance saisit l’innovation lato sensu (sans distinguer innovation de produit et innovation de procédé), la probabilité prédite d’une innovation a toujours une influence positive sur la productivité du travail. L’effet marginal obtenu avec la procédure en trois étapes est de 31%, 28% et 53% dans les échantillons d’entreprises industrielles de CIS3 et CIS4 et dans l’échantillon d’entreprises de services, respectivement. Comme précédemment, l’effet marginal estimé avec la procédure en deux étapes est très stable dans l’industrie (29% et 25% pour CIS3 et CIS4 respectivement) et plus faible dans les services (40%).

64 En résumé, notre analyse de sensibilité suggère que nos indicateurs d’innovation de produit et d’innovation de procédé tendent à capter simplement l’effet de l’innovation technologique en général, sans plus de précision. Cela semble particulièrement vrai dans les services, où l’effet marginal très élevé de l’innovation (quel que soit l’indicateur retenu) suggère une division plus nette entre firmes innovantes et firmes non innovantes. En définitive, isoler l’effet de chaque forme d’innovation (produit ou procédé) pourrait bien se révéler être une tâche plus ardue que la littérature ne le donne généralement à penser. Nos tentatives d’introduire un terme d’interaction dans la procédure en trois étapes [14] n’ont pas permis de résoudre ce problème. Pour tirer des conclusions économiques de nos analyses, il serait sans doute préférable de s’en tenir au modèle n’incluant qu’un indicateur de l’innovation technologique en général.