2.1 – La politique industrielle en perspective

6À partir des années 1990, l’Égypte a envoyé de nombreux signaux de changements économiques et institutionnels pour améliorer les performances productives des entreprises. Cette politique a eu des résultats mitigés. Les réformes ont généralement été mal mises en œuvre, trop administrées, et peu souvent suivies et évaluées (voir Rodrik, 2008). Pendant plusieurs décennies, l’industrie a été fortement protégée dans le cadre d’un large secteur public avant que les autorités n’avancent lentement vers des réformes accordant plus d’importance au secteur extérieur. Selon Loewe (2013), les politiques industrielles n’ont pas réussi à élever le niveau technologique des entreprises égyptiennes. Les programmes n’ont pas encouragé l’innovation, qui conditionne fortement le niveau de productivité. Les grandes entreprises ont bénéficié de fonds publics dont elles n’avaient pas vraiment besoin, tandis que la stimulation des entreprises de taille moyenne a été négligée. Il en résulte que la base industrielle est encore sous-développée et peu performante, évaluation critique parfois étendue à certaines entreprises exportatrices ayant bénéficié du copinage sous le régime Moubarak (Diwan et al., 2016).

2.2 – Les enquêtes sur les entreprises et les caractéristiques des données

7Le support statistique de l’analyse empirique couvre la période 2003-2008. Il consiste en trois Enterprise surveys de la Banque mondiale impliquant des interviews en face-à-face avec les propriétaires ou cadres supérieurs des entreprises. L’objectif des entretiens est d’analyser les performances productives et de mesurer l’impact d’un large éventail de facteurs intra-organisationnels et externes sur celles-ci. Seules les activités manufacturières sont prises en compte dans cet article. Cette restriction est motivée par l’attention portée à l’incidence du choix technologique et du statut exportateur sur la performance productive. Non seulement les activités de services sont très hétérogènes, mais la plupart d’entre elles ne produisent pas de biens échangeables. Les entreprises sont étudiées de manière à représenter les entreprises privées enregistrées, employant au moins cinq personnes et situées dans les principales villes. Cette règle d’échantillonnage signifie que les entreprises informelles sont absentes. Il ne fait aucun doute qu’il s’agit là d’une limite pour l’inférence statistique. Cependant, non seulement les informations sur les entreprises informelles sont pauvres, mais ces entreprises sont rarement exportatrices et n’ont guère le choix de la technologie qu’elles utilisent. Le secteur privé doit être compris au sens large – seules les entreprises détenues à 100 % par l’État sont exclues. La méthodologie utilisée conduit à regrouper les unités par catégories homogènes avec un échantillonnage aléatoire. La taille des entreprises est mesurée par trois niveaux d’emploi : les petites entreprises (de 5 à 19 employés), les moyennes (de 20 à 99) et les grandes (100 ou plus). L’importance accordée à chaque secteur reflète sa contribution au secteur manufacturier.

8Le tableau 1 fournit des statistiques descriptives pour les 3 033 observations. L’échantillon des cinq secteurs comprend un total de 1 830 entreprises. Comme l’identifiant de l’entreprise varie d’une enquête à l’autre, l’échantillon empirique est un pseudo-panel. Nous ne sommes pas en mesure de détecter si certaines entreprises sont observées plusieurs fois. Le nombre d’observations diffère selon les cinq secteurs en fonction de leur poids respectif dans la population industrielle totale. Le secteur le plus important est formé par le textile et la confection. Ensemble, ils représentent près de 61 % des observations. L’échantillon de travail est toiletté des observations aberrantes en utilisant la méthode de la régression diagnostique.

9Le tableau 1 permet des comparaisons entre les entreprises exportatrices et non exportatrices. La plupart des variables sont étroitement liées à la technologie. Les entreprises qui sont présentes sur les marchés extérieurs sont systématiquement plus grandes, dix fois plus pour la confection, que celles qui travaillent exclusivement pour le marché intérieur. En outre, le ratio capital/travail est positivement et étroitement corrélé avec le statut exportateur, bien que pour la confection, la différence ne soit que faiblement significative. Les entreprises exportatrices sont plus susceptibles d’avoir une certification ISO, de bénéficier de licences étrangères et d’utiliser un site web. Comme le montrent Correa, Fernandes et Uregian (2010), ces caractéristiques techniques sont potentiellement liées au fait que les entreprises exportatrices sont moins soumises à des contraintes financières, ce dont témoigne leur accès à une facilité de découvert. Ces caractéristiques statistiques contribuent probablement à expliquer pourquoi les exportateurs surperforment la productivité du travail des non-exportateurs.

3.1 – Les technologies non observées et le modèle à classes latentes (LCM)

11Dans un contexte de technologies hétérogènes et non observables, plusieurs méthodes économétriques peuvent être utilisées pour évaluer les performances productives. Kalirajan et Obwana (1994) estiment un modèle à coefficients aléatoires où chaque entreprise est censée avoir sa propre technologie. Une alternative à cette méthode est le modèle de régression à seuil à la Hansen (1996, 1999). Un seuil, déterminé de manière endogène dans le modèle, permet d’attribuer les observations à différents régimes, dans notre cas, des classes technologiques. Ce type de modèle a été revisité par Lai (2012) et Almanidis (2013) pour les modèles de frontières stochastiques. Les entreprises ont la possibilité de passer d’une classe de technologie à l’autre sur la période. Une troisième approche consiste à estimer un modèle à classes latentes, comme proposé par Orea et Kumbhakar (2004) ou Greene (2005) pour les frontières stochastiques (LCSFM). Une version plus parcimonieuse de ce modèle est estimée ici en considérant la fonction de production « moyenne » [3]. La fonction de vraisemblance est représentée par un mélange pondéré de probabilités d’appartenance des entreprises à l’ensemble des classes de technologie identifiées. Pour simplifier la présentation, l’équation (1) se réfère à un modèle à deux classes de technologie latentes avec une forme fonctionnelle Translog (TL) commune à ces deux classes. Dans la spécification du modèle, π est la probabilité d’appartenance de l’entreprise à la classe 1 et (1-π), à la classe 2. On pose que π est spécifique à l’entreprise et invariable dans le temps. La fonction de vraisemblance à maximiser peut s’écrire de la manière suivante :

12

13où β₁ et β₂ sont les vecteurs des coefficients de la fonction de production, y est la production telle que mesurée par les ventes totales, et x le vecteur des intrants de l’entreprise, c’est-à-dire le nombre de salariés, la valeur comptable du capital et le montant de la consommation intermédiaire : L, K et M, respectivement.

14À l’aide du théorème de Bayes, nous estimons la probabilité postérieure d’appartenance à la classe technologique par :

15

16La distribution des probabilités conduit à classer les entreprises dans la classe 1 si la probabilité dans (2) est supérieure ou égale à 0,5 et dans la classe 2 si elle est inférieure à 0,5. Les TFP sont calculées comme un rapport indiciel entre la production et les intrants. En suivant Orea et Kumbhakar (2004), pour chaque entreprise, l’indice est une moyenne pondérée. Les probabilités d’appartenance à chacune des classes sont utilisées pour le schéma de pondération (3) :

17

3.2 – Résultats économétriques et commentaires

18Comme dans Orea et Kumbhakar (2004), les intrants sont divisés par leurs moyennes géométriques respectives. En appliquant cette procédure, les coefficients du terme de premier ordre de la forme fonctionnelle Translog sont interprétés comme des élasticités à la valeur moyenne de l’échantillon. Différentes estimations sont effectuées pour déterminer le nombre de classes de technologies de production ainsi que la forme fonctionnelle appropriée pour chaque classe (flexible, non flexible, voire un mélange des deux). En l’absence de toute information théorique préalable, le choix du modèle adéquat est basé sur le critère d’information d’Akaike (AIC). Pour les cinq secteurs manufacturiers, le meilleur ajustement économétrique est un mélange de spécifications Translog (TL, classe 1) et Cobb-Douglas (CD, classe 2) (cf. expression 3). Les AIC des formes fonctionnelles alternatives sont indiquées au bas du tableau 2.

19Comme le montre ce tableau 2, la plupart des entreprises de l’échantillon sont susceptibles d’appartenir à la classe 1. La probabilité moyenne d’appartenance à cette classe (ϖ1) varie de 81 % pour les produits de l’agroalimentaire à 93 % pour la confection. Les coefficients d’élasticité des intrants diffèrent selon les classes. La contribution de la consommation intermédiaire aux ventes est élevée, révélant le caractère étroit des spécialisations des entreprises. L’élasticité du capital est plus élevée dans la classe 2 avec un coefficient variant de 0,1 à 0,29 contre 0,02 à 0,07 dans la classe 1 [4]. Des différences sont également observées dans les rendements d’échelle entre les secteurs et les classes de technologie. Ainsi, les deux classes de technologie diffèrent selon les secteurs, avec un impact potentiel significatif sur les niveaux moyens de productivité des entreprises. Par rapport à la classe 1, les distributions de kernel des TFP de la classe 2 sont décalées vers la droite, suggérant que les entreprises de la classe 2 sont plus productives que celles de la classe 1 (annexe 2).

20Le tableau 3 met en lumière la corrélation entre les probabilités de mise en œuvre de la technologie de classe 2, la plus productive, et certaines caractéristiques des entreprises. La présence d’une certification ISO comme celle d’une licence étrangère peuvent être considérées comme des attributs d’une organisation ouverte à l’innovation et à l’efficacité technologique. Ces deux variables sont significatives pour trois secteurs, en particulier pour la confection. Les accords d’externalisation et la promotion de nouveaux produits sont également des éléments de sensibilité à l’efficacité technologique. En externalisant, les entreprises se concentrent sur leurs activités principales et définissent le domaine dans lequel se situe leur avantage comparatif. L’utilisation des nouvelles technologies de l’information et de la communication, saisie sous la forme d’un site web d’entreprise, s’avère également statistiquement significative. Un résultat inattendu est que la probabilité de mettre en œuvre la technologie la plus efficace n’est pas systématiquement corrélée positivement avec le ratio capital/travail. La relation entre l’équipement technique et la technologie semble plus subtile que ce que l’on suppose généralement.

4.1 – Une exploration statistique préliminaire

21Le tableau 4 montre qu’à l’exception des textiles (5,9 %), la proportion d’entreprises exportatrices appartenant à la classe 2 varie de 8,1 % (confection) à 14,8 % (agroalimentaire) contre 4 % et 12,5 % pour les non-exportatrices. Nos résultats sont en contradiction avec ceux mis en évidence par Van Biesebroeck (2005) pour l’Afrique subsaharienne où les entreprises exportatrices sont a priori supposées utiliser la technologie la plus efficace. Dans le cas égyptien, la technologie la plus productive prévaut pour les exportateurs mais n’est pas spécifique à ce groupe. Le rôle de l’intensité capitalistique n’est pas monotone dans toutes les industries, y compris pour les exportateurs. Pour certains entrepreneurs égyptiens, l’utilisation d’une main-d’œuvre non qualifiée abondante et bon marché peut être une stratégie délibérée, en conformité avec les prédictions du modèle de Heckscher-Ohlin. Pour d’autres, le processus de production peut être le résultat de problèmes d’information et d’imperfections du marché qui rendent l’accès aux ressources financières peu probable.

Tableau 4

Caractéristiques des entreprises, statut exportateur et productivité (TFP) par classe technologique

Secteurs Technologie classe 1 t-test Technologie classe 2 t-test t-test Classe 1/ Classe 2 Export Non-export Export Non-export Chimie (563) (163) (347) (19) (34) TFP 4,3 3,8 *** 15,3 6,0 *** *** K/L 44,3 25,9 *** 22,4 17,5 Ns *** L 478,5 81,8 *** 563,9 222,1 *** * Âge 25,5 24,9 Ns 26,3 18,5 ** Ns Intensité export 22,2% 28,1% Expérience export 13,6 14,8 Ns Agroalim. (446) (115) (272) (20) (39) TFP 4,7 4,3 * 13,7 9,6 *** *** K/L 41,8 32,7 *** 49,1 39,4 Ns *** L 325,7 89,4 *** 174,8 67,9 *** Ns Âge 29 24,5 Ns 21,1 24 Ns Ns Intensité export 30,2 % 47,6% * Expérience export 11,3 17,8 Ns Confection (520) (114) (380) (10) (16) TFP 4,7 4,1 *** 7,0 5,5 Ns *** K/L 8,9 7,7 * 9,7 9,9 Ns *** L 230,8 31,6 *** 380 21,3 *** Ns Âge 14,5 21,2 *** 8,8 22,3 ** * Intensité export 76,2 % 85% Ns Expérience export 11,6 9,3 Ns Métal (746) (170) (497) (21) (58) TFP 2,93 2,91 Ns 4,94 3,91 *** *** K/L 31,1 25,9 ** 21,2 18,0 Ns Ns L 440 65,3 *** 264,7 87,7 *** Ns Âge 23,8 21,8 Ns 27,7 26,4 Ns ** Intensité export 29,2% 28,5% Ns Expérience export 11,9 11,2 Ns Textiles (758) (177) (505) (11) (65) TFP 4,7 4,1 *** 6,0 4,2 *** Ns K/L 32,6 22,6 *** 64,1 23,6 *** *** L 878,7 166,8 *** 245 433 Ns Ns Âge 26,9 25 Ns 15,3 29,3 ** Ns Intensité export 52,9% 30,9% Ns Expérience export 15,3 9,5 Ns

Caractéristiques des entreprises, statut exportateur et productivité (TFP) par classe technologique

Note : TFP = productivité totale des facteurs ; K/L = ratio capital/travail ; L = nombre de salariés permanents. L’expérience à l’exportation fait référence au nombre d’années avec le statut exportateur alors que l’intensité des exportations est le pourcentage des ventes exportées. Niveau de confiance du test de différence des moyennes : *(90%), **(95%), ***(99%) ; Ns = non significatif.

22Dans la dernière colonne, à droite, les tests de différence de moyennes suggèrent que les TFP s’avèrent plus élevées dans la classe 2 avec une prime à l’exportation importante dans les cinq secteurs. La différence est notable dans la chimie où le niveau de productivité est plus de deux fois plus élevé. À l’exception des textiles (classe 2), les exportateurs utilisent plus de main-d’œuvre permanente, surtout dans la classe 1. Bien que la taille soit importante, le rôle de l’âge de l’entreprise est ambigu. Les jeunes entreprises peuvent être innovantes et plus réactives aux nouvelles méthodes de production, mais les entreprises plus anciennes peuvent, en contrepartie, compter sur les avantages d’une vaste expérience et d’un accès plus facile au financement. Le pourcentage de la production destinée à l’exportation de produits de la confection (80 %), de textiles (52,9 %, classe 1), de produits agroalimentaires et de transformation (47,6 %, classe 2) est particulièrement élevé. Enfin, et c’est important, pour tous les secteurs, une longue expérience des marchés extérieurs est mise en évidence, allant de 9 à 17 ans.

23L’une des implications potentielles de nos résultats est que certaines entreprises, utilisant la technologie de classe 2 et travaillant exclusivement pour les marchés intérieurs, pourraient être compétitives sur les marchés extérieurs. Cette affirmation doit toutefois être nuancée. Tout d’abord, certaines grandes entreprises ayant des connexions politiques travaillent pour le marché intérieur dans un environnement non durable, car les niveaux de productivité sont biaisés à la hausse grâce à des subventions directes et indirectes (cf. Diwan et al., 2016). Deuxièmement, pour bénéficier des opportunités des marchés extérieurs, les petites et moyennes entreprises (PME) doivent surmonter les graves difficultés liées à la couverture des coûts fixes et irrécupérables. À l’exception des textiles, les entreprises non exportatrices de la classe 2 sont de deux à dix-huit fois plus petites que leurs homologues exportatrices. Jusqu’à présent, la coopération entre ces organisations a été limitée. Ni l’État ni les organisations professionnelles n’ont réussi à résoudre la question de l’action collective. Cependant, dans certaines industries, par exemple la confection et les textiles, des arrangements institutionnels externes ont favorisé une participation aux chaînes de valeur mondiales. Les conditions de sous-traitance ont facilité l’accès à des composants technologiques efficaces.

24Dans le tableau 5, les TFP sont regroupées dans les cinq industries et mises en corrélation avec des variables muettes reflétant l’utilisation de la technologie de classe 2, c’est-à-dire la plus efficace, le statut exportateur et le pourcentage des ventes à l’exportation. Nous avons ajouté des contrôles sous la forme de variables muettes pour le temps et l’hétérogénéité sectorielle. En supposant que le sens de la causalité soit établi, la prime à l’exportation (PE) s’élève à 10,6 % de plus que le niveau moyen de la TFP (régression 1). En prenant en compte l’impact de la technologie de la classe 2, la prime à l’exportation est stable et un changement de technologie apporte une prime supplémentaire de 36,6 % (régression 2), ou 27,4 % si nous prenons en compte l’interaction positive des composants : l’efficacité technique et la technologie. Dans l’hypothèse où une entreprise non exportatrice de la classe 1 passe dans la classe 2 avec un statut exportateur, le gain total de TFP s’élève à 47 %. Si l’on examine le changement en considérant l’intensité des exportations (EI), la prime totale lorsqu’une entreprise exporte entièrement sa production dépasse alors 50 %. Ces conclusions méritent d’être revues sur une base méthodologique plus solide en assouplissant l’hypothèse restrictive quant au sens de la causalité.

Tableau 5

Corrélations de la TFP avec le statut d’exportateur, l’intensité d’exportation et la classe technologique des entreprises (échantillon complet, 2003-2008)

Régression (1) Régression (2) Régression (3) Régression (4) Régression (5) Régression (6) Muette export. (ED) 0,106 0,105 0,073 (6,72)*** (7,25)*** (5,76)*** Intensité exports (EI) 0,141 0,141 0,116 * (5,24)*** (5,51)*** (5,14)** Classe 2 (C2) 0,366 0,274 0,366 0,34 (9,84)*** (6,86)*** (9,75)*** (8,82)*** C2*ED 0,332 (3,72)*** C2*EI 0,283 (1,57) Constante 1,304 1,288 1,294 1,304 1,289 1,289 (72,51)*** (74,00)*** (74,12)*** (71,95)*** (73,52)*** (73,52)*** Observations 3032 3032 3032 3032 3032 3032 R2 0,193 0,267 0,279 0,187 0,26 0,262

Corrélations de la TFP avec le statut d’exportateur, l’intensité d’exportation et la classe technologique des entreprises (échantillon complet, 2003-2008)

Note : les TFP sont dérivées du tableau 2. La muette exportation (ED) prend la valeur 1 si l’entreprise exporte et 0 sinon. L’intensité des exportations (EI) fait référence au rapport des exportations aux ventes courantes ; C2 est une variable fictive prenant la valeur 1 pour les entreprises ayant une probabilité d’appartenance à la classe 2 supérieure à 0,5. Test t de Student : ***(99%). Les régressions incorporent des variables muettes pour les secteurs et les années d’enquêtes. Les coefficients sont fournis avec des erreurs standard robustes.

4.2 – Une réévaluation avec la méthode de l’appariement des scores de propension (PSM)

25Les performances productives peuvent être la conséquence de caractéristiques initiales plutôt que le résultat d’un statut acquis à l’exportation (Melitz, 2003). Cet argument est particulièrement pertinent pour l’Égypte en raison de certaines critiques formulées à l’égard de la politique industrielle menée par le gouvernement Nazif entre 2004 et 2011. Il a été signalé précédemment que certaines grandes entreprises exportatrices ont bénéficié de distorsions de prix et de financements publics dont elles n’avaient pas vraiment besoin (Loewe, 2013). Pour étudier la présence éventuelle d’un biais de sélection, la méthode PSM est utilisée pour évaluer un effet de traitement moyen sur le groupe traité (ATT), c’est-à-dire les entreprises ayant un statut exportateur (Rosenbaum et Rubin, 1983). Cet estimateur mesure la différence moyenne des TFP par rapport au support commun P(X), défini par les probabilités d’un modèle logit estimé à partir des caractéristiques observables (X) (voir annexe 1). Dans la relation (4), les deux termes de l’expression renvoient aux valeurs attendues des TFP pour les entreprises exportatrices et non exportatrices partageant des caractéristiques similaires ou proches.

26

27Plusieurs algorithmes sont envisagés pour l’appariement. L’algorithme non paramétrique du kernel compare les niveaux de TFP des exportateurs à une moyenne pondérée des non-exportateurs. Le modèle de pondération est déterminé par la distribution du kernel des TPF et correspond aux entreprises dont les scores de propension sont proches. La principale limite de cette méthode est que toutes les entreprises sont incluses dans l’appariement, bien que les bons appariements aient un poids plus important que les mauvais. Avec la méthode du plus proche voisin (Nearest Neighbour), chaque exportateur est apparié avec un ou plusieurs non-exportateurs. L’algorithme du rayon (Radius) impose des appariements avec des voisins qui ne sont pas trop éloignés (Caliper). Ces algorithmes, qui sont asymptotiquement équivalents, peuvent impliquer des conclusions très différentes sur des petits échantillons. Pour explorer les différences de performance, trois types de comparaisons sont effectuées avec la méthode du PSM : entre les entreprises exportatrices et non exportatrices ; entre les jeunes et anciens exportateurs et les non-exportateurs ; enfin, au sein de la technologie de classe 1, pour saisir l’efficacité technique attribuable au statut d’exportateur.

28Le tableau 6 résume les informations, y compris les écarts de productivité en pourcentage (TFP) et les résultats relatifs aux tests de PSM. La dernière colonne de droite présente les « propriétés d’équilibrage » des données. À la suite de Sianesi (2004) et de Bertoli et Marchetta (2014), nous avons ré-estimé le score de propension sur l’échantillon des seules entreprises appariées. La colonne Balancing test (équilibrage) vérifie statistiquement si les caractéristiques observables des entreprises non appariées diffèrent ex post. Les propriétés d’équilibrage sont satisfaites à 95 % de confiance sur l’ensemble de l’échantillon. Dans quelques cas, et seulement avec l’algorithme du plus proche voisin (Nearest Neighbour), il n’est pas significatif à 90 % pour la confection et les textiles lorsque l’échantillon est limité à la technologie relative à la classe 1.

Tableau 6

Niveaux de TFP des entreprises et prime à l’exportation : la méthode PSM

Obs Moyenne TFP exportateurs Moyenne TFP non-exportateurs Différence statistique t-test Balancing test (p-value) Exportateurs vs non-exportateurs (échantillon total, technologies classes 1 et 2) Chimie - Nearest Neighbour 181/373 5,44 4,11 32,4% 2,74*** 0,48 - Radius 181/373 5,44 4.16 30,8% 2,87*** 0,91 - Kernel 181/373 5,44 4.16 30,8% 2,85*** 0,85 Agroalimentaire - Nearest Neighbour 131/302 6,08 5,10 19,2% 1,47 0,41 - Radius 131/302 6,08 5,42 12,2% 1,05 0,48 - Kernel 131/302 6,08 5,47 11,2% 0,97 0,55 Confection - Nearest Neighbour 120/394 4,94 4,08 21,1% 2,28** 0,87 - Radius 120/394 5,09 4,18 21,8% 2,64** 0,80 - Kernel 120/394 5,04 4,16 21,2% 2,52** 0,64 Métal - Nearest Neighbour 191/548 3,16 2,85 10,9% 2,34** 0,24 - Radius 191/548 3,16 2,89 9,3% 2,28** 0,85 - Kernel 191/548 3,16 2,90 9,0 % 2,21** 0,83 Textiles - Nearest Neighbour 186/562 4,74 3,92 20,9% 3,96*** 0,08 - Radius 186/562 4,74 3,97 19,4% 4,13*** 0,11 - Kernel 186/562 4,74 3,97 19,4% 4,14*** 0,16 Exportateurs versus non-exportateurs (technologie classe 1) Chimie - Nearest Neighbour 162/342 4,15 3,62 14,6% 2,25** 0,27 - Radius 162/342 4,15 3,80 8,9% 1,63 0,73 - Kernel 162/342 4,15 3,79 9,5% 1,78* 0,58 Agroalimentaire - Nearest Neighbour 111/264 4,64 5,24 -11,5% -1,46 0,35 - Radius 111/264 4,64 4,83 -03,9% -0,63 0,53 - Kernel 111/264 4,64 4,87 -04,7% -0,75 0,46 Confection - Nearest Neighbour 111/378 4,68 4,31 8,6% 0,98 0,05 - Radius 111/380 4,68 4,18 12,9% 1,90* 0,71 - Kernel 112/380 4,68 4,20 6,4% 1,70* 0,58 Métal - Nearest Neighbour 170/490 2,94 2,85 3,2% 0,76 0,10 - Radius 170/490 2,94 2,81 4,6% 1,29 0,53 - Kernel 179/490 2,94 2,81 4,6% 1,28 0,42 Textiles - Nearest Neighbour 175/498 4,62 4,26 8,5% 1,68* 0,02 - Radius 175/498 4,62 4,02 14,9% 3,87*** 0,78 - Kernel 175/498 4,62 4,06 13,8% 3,40*** 0,60

Niveaux de TFP des entreprises et prime à l’exportation : la méthode PSM

Note : le t-test fournit des informations sur les différences statistiques de moyennes entre les groupes d’entreprises. Dans la dernière colonne, par le Balancing test ou test d’« équilibrage », nous testons si les caractéristiques observables discriminent encore les entreprises après que la procédure d’appariement a été réalisée. Seuils de significativité : *(90 %) ; **(95%) ; ***(99%).

29Dans la partie supérieure du tableau 6, l’échantillon complet est considéré pour les deux technologies. Pour douze des quinze comparaisons, les entreprises exportatrices s’avèrent plus productives. Les différences de TFP, qui sont assez importantes, plus de 30 % pour la chimie, environ 20 % pour la confection et les textiles et 10 % pour le métal, combinent le rôle de la technologie et de l’efficience technique. Les procédures d’appariement donnent des résultats cohérents, y compris pour l’agroalimentaire où la différence n’est pas significative, ce qui suggère une forte hétérogénéité au sein de ce secteur. La partie inférieure du tableau 6 porte sur les entreprises de la classe 1. Elle rend compte plus ou moins d’un effet d’efficience technique. Le nombre d’observations est suffisamment important pour que des comparaisons puissent être faites par industrie, ce qui n’est pas le cas lorsque la classe 2 est prise en compte. Bien que les différences soient beaucoup moins importantes, elles restent notables pour les secteurs du textile, de la confection et de la chimie, où les primes à l’exportation varient de 8,5 à 14,9 %. Ces résultats sont conformes aux précédents sur l’ensemble de l’échantillon et sans test formel pour tenir compte d’un biais d’auto-sélection (tableau 5). Pour les deux autres secteurs, les différences ne sont pas concluantes [5].

30La comparaison entre « jeunes » ou « anciens » exportateurs et non-exportateurs permet de déterminer si la performance est le résultat ou non de l’expérience sur les marchés extérieurs (effet d’apprentissage). Le tableau 7 apporte un éclairage sur cette question pour les secteurs des métaux et du textile, les deux secteurs pour lesquels nous disposons de suffisamment d’observations pour les jeunes exportateurs. Dans ces deux secteurs, nous avons au moins 20 « jeunes » entreprises exportatrices ayant un statut d’exportateur de moins de deux ans et environ 100 pour les « anciens » exportateurs qui ont une ancienneté de dix ans ou plus dans ce statut. Les PSM sont effectuées comme auparavant. Les niveaux de TFP des entreprises sont plus élevés pour les exportateurs, plus prononcés pour les plus « jeunes » qui, tout en ayant une activité de onze ans, n’ont commencé à exporter qu’au cours des deux dernières années d’analyse. Par ce résultat, nous ne rejetons pas un phénomène d’auto-sélection.

Tableau 7

Niveaux de TFP et prime à l’exportation : PSM pour le métal et les textiles

Obs. Moyenne TFP exportateurs Moyenne TFP non-exportateurs Différence statistique t-test Balancing test (p-value) Jeunes exportateurs vs non-exportateurs (échantillon total, technologies classes 1 et 2) Métal - Nearest Neighbour 20/548 3,55 2,56 38,5% 3,26*** 0,79 - Radius 20/548 3,55 2,82 26,0% 2,88*** 0,95 - Kernel 20/548 3,55 2,82 25,6% 2,77*** 0,97 Textiles - Nearest Neighbour 22/562 5,43 3,73 45,6% 2,57*** 0,74 - Radius 22/562 5,43 4,21 29,0% 1,99** 1,00 - Kernel 22/562 5,43 4,16 30,4% 2,06** 0,99 Anciens exportateurs vs non-exportateurs (échantillon total, technologies classes 1 et 2) Métal - Nearest Neighbour 96/548 3,04 2,84 7,0% 0,96 0,08 - Radius 96/548 3,04 2,79 8,9% 1,73* 0,85 - Kernel 96/548 3,04 2,80 8,5% 1,63 0,70 Textiles - Nearest Neighbour 100/562 4,67 3,68 26,9% 3,46*** 0,01 - Radius 100/562 4,67 3,78 23,5% 3,56*** 0,02 - Kernel 100/562 4,67 3,75 24,5% 3,65*** 0,02

Niveaux de TFP et prime à l’exportation : PSM pour le métal et les textiles

Note : jeunes exportateurs = moins de 2 ans d’expérience dans l’exportation ; anciens exportateurs = plus de 10 ans. Seuils de significativité : *(90 %) ; **(95 %) ; ***(99 %).

31Pour vérifier la robustesse des résultats précédents, un test supplémentaire a été mis en place. Nous savons que le choix des caractéristiques et de leur impact sur les appariements est un talon d’Achille potentiel de la méthode PSM. Lorsqu’il existe des variables non observées qui affectent simultanément l’affectation au traitement et la variable de résultat, un biais caché se produit potentiellement pour lequel les estimateurs d’appariement ne sont pas robustes. Une façon de vérifier ce résultat pour les écarts de TFP sur les échantillons appariés est d’utiliser le test de délimitation proposé par Rosembaum (2002). Pour gagner de la place, ce test empirique n’est présenté que pour l’algorithme du kernel (voir annexe 3). La valeur de Γ= exp (u1i – u0i), où u1i et u0i sont respectivement les caractéristiques non observées pour les exportateurs et les non-exportateurs. Les trois valeurs sélectionnées de : 1, 1,5 et 2 signifient l’absence d’hétérogénéité, un biais potentiel caché de respectivement 0 %, 50 % et 100 %. Les deux limites qui sont indiquées ne signalent ni surestimation (borne supérieure) ni sous-estimation (borne inférieure) lorsque le test n’est pas significatif. En conséquence, les résultats de l’appariement des tableaux 6 et 7 ne sont pas sensibles à l’hétérogénéité non observée (voir annexe 3) [6].