- 1 - Introduction

1Le choc macroéconomique de 2007-2008 a profondément affecté les conditions économiques et financières et causé un fort accroissement des fermetures d’entreprises dans la plupart des pays développés (Euler Hermes, 2016). Cette contraction de l’activité a fait l’objet de nombreuses analyses qui ont exploré les différentes causes possibles de ce phénomène. Plusieurs raisons ont été identifiées : démographiques (Mueller et Stegmaier, 2014), juridiques (Blazy et al., 2013 ; Davydenko et Franks, 2008), conjoncturelles (Fougère et al., 2013) et financières (Bottazzi et al., 2011 ; Bottazzi et al., 2014). Certaines analyses factuelles ont, en outre, mis en évidence l’inégalité des territoires face à la crise (Davezies, 2010 ; Aglietta et Ragot, 2015) et la persistance des différences dans le temps. Cette dimension territoriale permet d’enrichir les analyses sur la défaillance ou la détresse des entreprises en faisant ressortir les caractéristiques méso économiques de type géographique et local comme compléments aux déterminants macroéconomiques, institutionnels ou individuels.

2Si le contexte local est souvent et depuis longtemps considéré dans l’analyse de la survie (Fotopoulos et Louri, 2000 ; Tavassoli et Jienwatcharamongkhol, 2016) et de la sortie ou de la cessation des entreprises (Arcuri et Levratto, 2018 ; Hathaway et Litan, 2014 ; Nyström, 2007a ; 2007b ; Santarelli et al., 2009), les interactions entre les différentes unités spatiales qui structurent l’effet de diffusion de ces fermetures n’a que très récemment été intégré (Basile et al., 2017; Cainelli et al., 2014). Lorsqu’elles considèrent les interactions spatiales (De Silva et McComb, 2012 ; Di Giacinto et al., 2014 ; Tavassoli et Jienwatcharamongkhol, 2016), ces recherches insistent principalement sur la manière dont les économies d’agglomération influent sur la diffusion des difficultés des entreprises, alors que d’autres vecteurs comme les relations d’achat-vente, les dettes inter-entreprises ou des logiques organisationnelles reposant sur la sous-traitance peuvent également expliquer la propagation des cessations d’entreprises d’un territoire à l’autre. Or, ces liens sont marqués par une forme de proximité géographique passant par des relations d’achats-ventes et de la coopération (Mccann et Ortega-Argilés, 2017) qui appelle un traitement spécifique des relations spatiales. De plus, les études empiriques disponibles reposent le plus souvent sur des données italiennes [1]. Or, le clivage nord-sud caractéristique du pays peut influencer l’obtention de résultats confirmant l’hypothèse de diffusion spatiale des fermetures d’entreprises. Il est par conséquent légitime de se demander si les mêmes conclusions peuvent être tirées de l’analyse d’une économie moins structurée spatialement et plus hiérarchisée institutionnellement. Tel est l’objet de cette recherche qui s’interroge sur la diffusion des fermetures d’entreprise d’un territoire à l’autre en France.

3Cette question est étudiée à l’aide d’une analyse exploratoire de données retraçant les cessations d’entreprises dans les départements français au cours de la période 2008-2013. Nos résultats rendent compte de l’existence d’un phénomène de clustering des cessations d’entreprises puisque les départements dans lesquels les taux de cessation sont élevés (respectivement faibles) tendent à se situer à proximité de départements semblables. Nous montrons également que l’étendue de ce phénomène et son ampleur varient dans le temps et l’espace. Enfin, nous mettons également en évidence un processus de convergence dans lequel la proximité spatiale ne joue cependant aucun rôle.

4La contribution à la littérature s’effectue à trois niveaux. Le premier est méthodologique car les effets de contagion des fermetures d’entreprise sont appréhendés grâce à la méthode Esda (Exploratory Spatial Data Analysis), initialement proposée par Anselin (1992 ; 1995). Permettant de traiter les données géoréférencées sans a priori théorique (Anselin, 1994), elle se révèle particulièrement pertinente pour décrire la distribution spatiale des fermetures d’entreprises, faire ressortir des phénomènes d’agrégation géographique des données, examiner leur évolution au cours du temps et en déduire des hypothèses pour de futures recherches. Elle permet de mettre en évidence les effets de contagion différents selon les grandes régions françaises et la période considérée. Le deuxième concerne la compréhension de la diffusion spatiale des fermetures d’entreprises. Si l’effet domino induit par les impayés ou les chaînes de valeur est souvent mentionné dans la littérature pour expliquer les faillites en chaîne, peu de travaux abordent cette question sous un angle géographique. Notre recherche intervient ainsi en complément des travaux mettant l’accent sur les aspects financiers et organisationnels comme facteurs de cessation des entreprises. Enfin, et c’est la troisième nouveauté de cet article, nous considérons la question à partir de données françaises, peu souvent utilisées dans ce domaine en raison des difficultés à recomposer des séries de données locales concernant la sortie des entreprises [2]. L’extension du champ d’analyse à un pays rarement couvert par ce type de littérature est rendue possible par l’utilisation d’informations sur la démographie industrielle proposées par Eurostat au niveau Nuts 3.

5La suite de l’article s’organise de la manière suivante. La Section 2 définit le cadre de l’analyse et présente les données utilisées. La Section 3 décrit la répartition spatiale des taux de cessation des entreprises par département. La Section 4 analyse la distribution spatiale des taux de cessation et la Section 5 cherche à repérer l’éventuelle existence d’un effet de convergence géographique. Nous concluons par des préconisations en matière de politique publique et en traçant des pistes pour de futures recherches.

- 2 - Cadre de l’analyse, sources et donnée

6Si les faillites représentent la forme la plus visible et la plus commentée des disparitions d’entreprises [3], les recherches en démographie industrielle montrent qu’elles ne constituent que l’une des formes possibles de sortie des entreprises du marché. L’étude empirique de Fougère et al. (2013) qui porte sur la période 2008-2010, permet de distinguer les faillites causées par la crises de celles qui ont été induites par l’occurrence des premières. Les auteurs concluent que la proportion de faillites d’entreprises directement causées par la crise varie entre 27 et 46% selon les secteurs. Dolignon (2011) montre également le rôle joué par la crise dans la forte croissance du nombre de défaillances observée entre 2007 et 2009 tout en soulignant l’importance de l’effet démographique lié aux importantes créations d’entreprises des années 2003-2007. Elle conclut qu’en 2008, la hausse des défaillances est essentiellement expliquée par cet effet démographique. Enfin, une étude réalisée par le Ministère des Pme sur le rapport entre défaillance et cessation (Domens, 2006) estime qu’environ un quart des fermetures est causé par des faillites, laissant ainsi la place à des interrogations sur le processus de cessation dans sa globalité.

7Afin de considérer l’ensemble du processus de disparition des entreprises, nous retenons ici la définition de la cessation habituellement utilisée dans la littérature depuis les articles pionniers de Dunne et al. (1988) et Baldwin et Gorecki (1991) et fréquemment repris dans les articles de démographie économique (Blanchard et al., 2012; Bartelsman et al., 2005 ; Nyström, 2007a ; 2007b), qui définit les entreprises cessées par rapport aux entreprises actives. Une entreprise active se caractérise par sa présence dans les registres au cours de l’année courante, t, et de l’année suivante t+1, alors qu’une firme est considérée en cessation si son activité s’interrompt entre t et t+1, causant ainsi sa disparition des registres d’entreprises.

8Le calcul du taux de cessation est réalisé à partir de données de démographie d’entreprises (créations et nombre d’entreprises actives) par secteur (Nace Rév. 2) diffusées par Eurostat au niveau des unités territoriales Nuts 3, qui correspondent aux départements, sur la période 2008-2013. Nous avons procédé à un nettoyage de la base de manière à ne considérer que les sorties d’entreprises correspondant à une perte de ressources pour le tissu économique. En premier lieu, nous avons éliminé les entreprises sans salariés dont l’activité réelle est soit difficile à quantifier, soit nulle [4] pour ne conserver dans la base que les entreprises comptant au moins un salarié. Ensuite, nous avons exclu de la base les sociétés financières, les assurances et les holdings qui relèvent d’une réglementation particulière en matière de création et de fermeture et conservé uniquement les entreprises opérant dans le champ Ics (Industrie, commerce et services). Enfin, en cohérence avec le cadre de la recherche et le règlement (CE) N°250/2009 de la Commission des Communautés Européennes du 11 mars 2009, les unités en sommeil (temporairement inactives) et inactives sont exclues et le nombre de cessations d'entreprises au cours d’une année t correspond à « la dissolution d'une combinaison de facteurs de production, avec la restriction toutefois qu'aucune autre entreprise n'intervienne dans l'opération. Les cessations n'incluent pas les sorties de la population dues à des fusions, des absorptions, des dissolutions ou à des restructurations au sein d'un ensemble d'entreprises. De même, les sorties d'une sous-population ne résultant que d'un changement d'activité ne sont pas incluses. » Une entreprise est donc comptée comme cessée si elle ne fait pas l’objet d’une réactivation au cours des deux années suivant sa sortie des registres.

9Grâce à ces données, nous pouvons calculer un taux de cessation pour tout département i. Il est défini par le rapport entre le nombre d’entreprises cessées au cours de l’année t dans le département i rapporté au nombre total d’entreprises actives au cours de la même année dans le même département. La suite de l’article présente la répartition et l’évolution du taux de cessation dans les départements français.

- 3 - Localisation des cessations d’entreprises en France

10Entre 2008 et 2013, plus de 1,3 millions d’entreprises du champ Industrie, Commerce et Services ont cessé leur activité en France, dont 282 272 comptaient au moins 1 salarié (cf. Figure 1). Après avoir atteint un niveau plafond sous l’effet de la crise en 2008 et 2009, leur nombre diminue progressivement à partir de 2010. Le parc d’entreprises ne cesse en revanche de se développer, passant de près de 3,2 millions d’unités en 2008 à un peu moins de 4 millions en 2013 parmi lesquelles 1 163 989 en 2008 et 1 139 123 en 2013 employaient un salarié et plus. Le taux de cessation, tel que défini dans la Section 1, connait une baisse régulière sur la période, passant de 4,82 à 2,71 % entre 2008 et 2013, tendance qui illustre l’atténuation des effets du choc macroéconomique qui a frappé l’économie française après la chute de Lehman Brother en septembre 2008.

11

Figure 1 - Nombre et taux de cessation d’entreprises

Figure 1 - Nombre et taux de cessation d’entreprises

France métropolitaine. Entreprises employant au moins un salarié du champ Industrie, Commerce et Services.

12Ces données d’ensemble dissimulent d’importantes disparités territoriales révélées par une analyse à l’échelle des départements. En tendance, les valeurs de la moyenne, du minimum et du maximum suivent la tendance globale à la baisse (cf. Figure 2). L’examen de la dispersion montre un resserrement des valeurs au cours du temps. Alors que le taux de sortie variait de 3,2 à 7,7 %, soit un écart de 4,5 points de pourcentages, en 2008, cet écart n’est plus que de 2,6 points en 2013 avec des taux de sortie qui vont de 1,65 à 4,3 %. Ce resserrement des écarts couplé à une diminution du taux de cessation moyen peut être considéré comme la manifestation de l’atténuation des effets de la crise au fur et à mesure que l’on s’éloigne du choc initial.

13

Figure 2 - Dispersion des taux de cessation par département

Figure 2 - Dispersion des taux de cessation par département

Entreprises employant au moins un salarié du champ Industrie, Commerce et Services

14La dispersion des taux de cessation des entreprises se caractérise par une certaine organisation spatiale comme le montrent les cartes des Figures 3 et 4 qui représentent la distribution par quartile des taux de cessation par département pour la première et la dernière année de l’analyse. Ces cartes illustrent la situation et l’évolution de l’économie française au cours de la période post-crise. Le choc macroéconomique qui a affecté l’ensemble du tissu productif à la fin des années 2000, causant un nombre important de fermetures d’entreprises, dans le secteur industriel notamment, n’a pas concerné tous les départements de la même manière (Poupard et Baude, 2014). De manière générale, les taux de cessation sont plus élevés dans les départements de la moitié sud de la France où le taux de petites entreprises, plus concernées par l’échec, est fort (Rau et Hecquet, 2013) et dans les territoires industriels (nord, centre et nord-ouest du bassin parisien) plus fortement touchés par la crise (Davezies, 2010). La fragilité de l’industrie observée confirme la sensibilité des entreprises opérant dans ce secteur pendant les périodes de basse conjoncture (Ayyagari et al., 2007).

15La baisse générale des taux de sortie qui se produit entre 2008 et 2013 ne concerne pas de manière équivalente l’ensemble des départements de la métropole. Ceux dans lesquels le taux de sortie est supérieur à 5 % et qui composent le dernier quartile sont dispersés sur une grande partie du pays. Si leur nombre reste plus élevé dans la partie sud, du centre de la France, du bassin parisien et du nord-est se caractérisent également par des taux de cessation élevés. Ces territoires ont ainsi moins profité de la résorption de la crise que les départements de l’ouest et du couloir rhodanien. À la lecture de ces résultats, il est possible que des effets de contagion spatiale soient à l’œuvre au cours de la période et que les fermetures d’entreprises qui se produisent sur un département soient liées au taux de cessation dans les départements voisins. La possibilité d’un effet domino est analysée dans la section suivante.

16

Figure 3 - Taux de cessation par département en 2008

Figure 3 - Taux de cessation par département en 2008

17

Figure 4 - Taux de cessation par département en 2013

Figure 4 - Taux de cessation par département en 2013

- 4 - Analyse de la distribution spatiale des taux de cessation

18La polarisation dans l’espace des cessations peut être le signe de la présence d’une relation fonctionnelle entre les sorties d’entreprises dans un département et les cessations dans les départements voisins. En présence d’un tel schéma d’organisation des données, les méthodes habituelles d’analyse sont relativement inopérantes car elles supposent une normalité des résidus, condition non respectée si le phénomène observé dans le département i est influencé par ce qui se passe dans le département j. Disposant de données géoréférencées, nous proposons ici de tester l’éventuelle présence de phénomènes de clustering spatial grâce à l’application de la méthode Esda, souvent utilisée pour analyser les données locales (Baumont, 1998; Baumont et al., 2006; Guillain et Le Gallo, 2010).

19La détermination des interactions spatiales à l’origine du clustering requiert que soient spécifiées les connexions entre les différents départements concernés par l’analyse. La matrice de poids spatial est l’instrument le plus fréquemment utilisé pour représenter les liens qui unissent deux espaces. La matrice spatiale W_N ici utilisée, dite de contiguïté d’ordre 1 de type reine (Cliff et Ord 1981). Elle est définie par :

20

21À ce stade, les poids considérés sont seulement des données en coupe; nous les supposons constants dans le temps pour les appliquer à des données annuelles.

22L’autocorrélation spatiale est mesurée par la statistique I de Moran (Cliff et Ord 1981; Upton et Fingleton 1985; Haining 1990). Elle représente pour chaque variable x le degré d’association linéaire entre sa valeur à une certaine localisation et la moyenne pondérée spatialement de ses voisins. Cette statistique s’écrit de la façon suivante :

23 (1)

24dans laquelle I est l’indice d’autocorrélation spatiale de Moran, , est un élément de la matrice de poids spatial W qui indique la façon dont l’unité spatiale i est spatialement connectée à l’unité spatiale j (Anselin, 1995). Les valeurs négatives (respectivement positives) de l'indice indiquent une autocorrélation spatiale négative (respectivement positive). Elles varient entre -1 (dispersion parfaite) et +1 (corrélation parfaite). Une valeur nulle est significative d'un modèle spatial parfaitement aléatoire.

25Le Tableau 1 présente les valeurs de la statistique I de Moran obtenues avec une matrice de contiguïté spatiale d’ordre 1 de type reine pour le taux de cessation des 96 départements de France métropolitaine sur l’ensemble de la période couverte par cette recherche.

Tableau 1 - Statistique I de Moran

Tableau 1 - Statistique I de Moran

26Les taux de cessation mesurés à l’échelle des départements français présentent une autocorrélation spatiale positive puisque les statistiques de Moran sont significatives à 1% sur toutes les années couvertes par l’analyse. La distribution géographique du taux de cessation est par conséquent structurée de manière stable entre 2008 et 2013. Les départements dont les taux de cessation sont élevés (respectivement faibles) ont tendance à être à côté de départements présentant également des taux de cessation élevés (respectivement faibles).

27Le diagramme de Moran (cf. Figures 5 et 6) compare la valeur du taux de sortie dans chacun des 96 départements français à la valeur moyenne des départements voisins. Il permet ainsi de visualiser la dépendance spatiale de la variable et de mesurer le décalage spatial. Le diagramme permet donc d’identifier le type de relation que chaque unité spatiale entretient avec ses voisines.

28Le diagramme de Moran se structure autour de quatre quadrants correspondant à quatre schémas différents d’association spatiale entre une unité spatiale et ses voisines. Les deux premiers quadrants indiquent un regroupement spatial de valeurs similaires et, de ce fait, signalent une autocorrélation spatiale positive:

29

• le quadrant HH contient les unités spatiales associées à une valeur élevée entourées d’unités spatiales elles-mêmes associées à des valeurs élevées ;
• le quadrant BB contient les unités spatiales associées à une valeur faible entourées d’unités spatiales elles-mêmes associées à des valeurs faibles.

30Les deux autres quadrants indiquent un regroupement spatial de valeurs dissemblables et sont par conséquent associés à une autocorrélation spatiale négative.

31

• le quadrant HB contient les unités spatiales associées à une valeur élevée entourées d’unités spatiales elles-mêmes associées à des valeurs faibles ;
• le quadrant BH contient les unités spatiales associées à une valeur faible entourées d’unités spatiales elles-mêmes associées à des valeurs élevées.

32La pente de la droite reproduite sur le graphique correspond à la mesure globale du degré de dépendance spatiale.

33

Figure 5 - Diagramme de Moran des valeurs standardisées du taux de cessation en 2008

Figure 5 - Diagramme de Moran des valeurs standardisées du taux de cessation en 2008

Matrice de contiguïté d’ordre 1

34

Figure 6 - Diagramme de Moran des valeurs standardisées du taux de cessation en 2013

Figure 6 - Diagramme de Moran des valeurs standardisées du taux de cessation en 2013

Matrice de contiguïté d’ordre 1

35L’avantage principal de l’indice I de Moran tient dans sa simplicité d’interprétation. Il ne fournit cependant aucune information sur la significativité des regroupements spatiaux. Cette limite a conduit à l’élaboration d’indices locaux d’association spatiale permettant de repérer les unités spatiales pour lesquelles les valeurs de la variable sont à la fois extrêmes et géographiquement homogènes. Ils se révèlent particulièrement utiles chaque fois, qu’outre une tendance globale au clustering, existent également des regroupements d’unités spatiales qui ne suivent pas la tendance d’ensemble. Les statistiques locales permettent ainsi de repérer des points chauds correspondant à des agglomérats d’unités spatiales où se manifeste soit une forme extrême de la tendance globale, soit une forme atypique.

36Parmi les différentes statistiques locales proposées pour examiner l’autocorrélation locale, les Lisa (Local Indicator of Spatial Association) proposés par Anselin (1995) se sont rapidement imposés dans la littérature. Ils peuvent être considérés comme un équivalent local du I de Moran global. La somme de tous les indices locaux est proportionnelle à la valeur globale de la statistique de Moran. Les Lisa permettent de tester l'hypothèse de distribution aléatoire en comparant les valeurs de chaque localisation spécifique avec les valeurs dans les localisations avoisinantes (Anselin, 1995).

37Pour chaque unité spatiale, les valeurs des Lisa permettent de calculer sa ressemblance avec les unités spatiales voisines et de tester sa significativité. Cinq possibilités sont identifiées :

38

• Les regroupements de type haut-haut (HH), ou points chauds, où l’autocorrélation spatiale est positive tels que les unités spatiales présentant une valeur élevée de la variable sont entourées d’unités spatiales similaires,
• Les regroupements de type bas-bas (BB), ou points froids, où l’autocorrélation spatiale est également positive mais, qui à la différence des précédents sont tels que les unités spatiales présentant une valeur faible de la variable sont entourées d’unités spatiales similaires,
• Les regroupements atypiques de type haut-bas (HB), où l’autocorrélation spatiale est négative tels que les unités spatiales présentant une valeur élevée de la variable sont entourées d’unités spatiales dans lesquelles la variable prend une valeur faible
• Les regroupements atypiques de type bas-haut (BH), où l’autocorrélation spatiale est également négative mais que sont tels que les unités spatiales présentant une valeur faible de la variable sont entourées d’unités spatiales dans lesquelles la variable prend une valeur forte,
• Les unités spatiales pour lesquelles aucune autocorrélation spatiale significative n’est repérée.

39Les cartes des Figures 7 et 8 représentent l’autocorrélation spatiale des taux de cessation des entreprises par département en 2008 et 2013 données par les statistiques Lisa. Elles permettent de mettre en évidence des regroupements de départements caractérisés par des valeurs des taux de cessation significativement plus élevés et plus regroupés que sur le reste du territoire d’une part et de repérer les points aberrants définis tels que précédemment de l’autre.

40L’inégale répartition des petites et jeunes entreprises sur le territoire national explique l’existence de clusters de type HH dans le sud-est et en Ile-de-France au début de la période. La présence d’une économie résidentielle très développée a, dans un premier temps, permis à certains départements d’être épargnés par les nombreuses fermetures d’entreprises (Reynard et al., 2015; Levratto et Garsaa, 2016).

41Entre 2008 et 2013, la situation a fortement évolué sous l’effet, notamment, de la diffusion de la crise à l’ensemble de l’économie et des territoires sous l’effet d’un investissement des ménages et des entreprises et d’une consommation stagnants (Bessone et al., 2014). Le choc de 2008-2009 passé, le pic de défaillance s’est éloigné mais la conjoncture reste dégradée. La Figure 8 fait apparaître trois regroupements de départements caractérisés par des taux de cessation significativement supérieurs à la tendance observée dans les autres territoires. Les départements du nord de la France au profil industriel marqué sont particulièrement concernés par la diffusion spatiale de la hausse des cessations. Il en va de même dans les deux départements du sud de la région Centre (le Cher et l’Indre) au tissu économique assez dispersé. Le troisième regroupement est constitué de l’ensemble des départements du sud-est qui forment désormais un point chaud illustrant la diffusion des difficultés de la sphère productive à l’économie présentielle (Davezies et Talandier, 2014).

42Ces cartes montrent que, lorsqu’elle est significative, l’autocorrélation spatiale des cessations d’entreprises est positive. Les clusters qui apparaissent sur les cartes sont en effet majoritairement de type HH ou BB, tandis que les autocorrélations spatiales négatives (HB ou BH) sont plus rarement observées. Le schéma dominant va ainsi dans le sens d’un regroupement de départements semblables du point de vue de la fin d’activité des entreprises.

43Deux regroupements de départements correspondent à des clustering de type BB avec des taux de cessation significativement plus faibles que la moyenne. Un premier ensemble concerne la plupart des départements du couloir séquano-rhodanien, à l’exception de ceux situés au sud. Les dynamiques impulsées par la métropole lyonnaise (Brunetto et Levratto, 2017; Carré et Levratto, 2013) ont ainsi permis d’épargner une grande partie du tissu productif constitutif de ce territoire. Les caractéristiques de l’économie des départements de la région Rhône-Alpes et des territoires voisins expliquent cette concentration. Selon les estimations localisées de l’emploi et les calculs de Pib régionaux réalisés par l’Insee, après le choc de 2008 cette région a rebondi plus vite que l’économie nationale : entre 2009 et 2014, la croissance du Pib régional a dépassé de plus d’un point de pourcentage celle de la France. Une autre explication à ce phénomène réside dans la composition de son tissu économique fortement diversifié qui facilite les liens inter-entreprises et les relations de proximité et, ainsi, donne aux territoires qui composent la région une meilleure capacité de résilience et de rebond (Jrc, 2018). Une regroupement de type HH, toutefois de moindre importance, est également visible à l’ouest avec un effet de résistance des départements vendéens dans lesquels le modèle économique dit « du boccage » (David et Jousseaume, 2015) a particulièrement bien résisté à la crise.

44Nos résultats traduisent l’existence de schémas de diffusion correspondant à un processus d’agglomération qualifié de global ou de fondé sur la distance (Di Giacento et Pagnini, 2011) au sens où leurs effets décroissent au fur et à mesure que l’on s’éloigne de leur origine. Ils révèlent également un effet domino relativement limité dans l’espace puisque les clusters, lorsqu’ils existent, concernent un nombre réduit de départements. Ce résultat est conforme à celui de Rosenthal et Strange (2003), rappelé et validé par De Silva et McComb (2012) pour qui les effets d’agglomération présentent une portée limitée.

45Si, en dépit de leur caractère circonscrit à certaines parties du territoire national, des effets de clustering peuvent être mis à jour, il est possible qu’au fur et à mesure que le temps passe, les taux de cessation observés dans les différents départements finissent par converger et que les écarts observés tendent à diminuer. Les Figures 7 et 8 confortent cette possibilité. La section suivante vise à en apprécier la nature.

46

Figure 7

Lisa* - Taux de cessation des entreprises en 2008

Lisa* - Taux de cessation des entreprises en 2008

* Significativité à 10 %
Matrice de contiguïté d’ordre 1

47

Figure 8

Lisa* - Taux de cessation des entreprises en 2013

Lisa* - Taux de cessation des entreprises en 2013

* Significativité à 10 %
Matrice de contiguïté d’ordre 1

- 5 - Détermination de l’existence d’un processus de convergence

48Afin de mettre en évidence la possible existence d’un effet de convergence entre les taux de cessation départementaux, nous choisissons de mesurer ce processus de convergence-rattrapage en procédant à des tests de racine unitaire sur données de panel. Les tests de racine unitaire sur données de panel ont l'avantage de prendre en compte les propriétés des séries chronologiques tout en examinant la convergence. Suivant Hurlin et Mignon (2005) nous utilisons ici les tests de première et deuxième génération [5]. Au sein des tests de première génération on distingue ceux qui reposent sur l'hypothèse d'homogénéité pour tous les individus du panel et ceux qui permettent une certaine force d'hétérogénéité. Les propriétés des différents tests de cette catégorie (Baltagi, 2005) nous conduisent à utiliser ici trois sortes de tests appartenant à cette série. Le test de Levin-Lin-Chu suppose l’indépendance des termes d’erreur dans la dimension individuelle ; le test de Choi teste la racine unitaire à partir d’une transformation de la série observée x_it permettant d’éliminer les corrélations inter-individuelles et les éventuelles composantes de tendance déterministes ; le test de Harris-Tzavalis qui constitue une extension des précédents toujours sous l’hypothèse d’absence d’autocorrélation des résidus et le test de Im–Pesaran–Shin (2003) qui autorise la prise en compte des corrélations de la variable entre individus. Ces tests présentant en commun le fait de reposer sur l'hypothèse d'absence de dépendance entre les différents individus du panel, ils sont utilement complétés par les tests de deuxième génération qui, contrairement aux précédents, prennent en compte une possible dépendance inter-individuelle. Cette possibilité est importante du fait de la mise en évidence d’une autocorrélation spatiale significative qui correspond à une forme d’interdépendance. Un autre test est donc introduit, celui de Pesaran (2007) qui conserve les données brutes et augmente le modèle en introduisant des termes différenciés retardés et avancés. Les cinq tests de stationnarité sont réalisés sur la valeur normalisée du taux de cessation calculée comme la différence entre le taux de cessation d’un département i au cours d’une année t donnée et le taux de cessation national au cours de cette même année.

49Le Tableau 2 présente les résultats des tests. Sous l'hypothèse nulle H₀, ils prévoient que le panel contient une racine unitaire (absence de convergence). Si l'hypothèse nulle est rejetée et que l'hypothèse alternative est acceptée (H₁: les panels sont stationnaires) cela indique la présence d’un processus de convergence.

Tableau 2 - Tests de racine unitaire sur donnés panel, taux de cessation d’entreprise 2008-2013

Tableau 2 - Tests de racine unitaire sur donnés panel, taux de cessation d’entreprise 2008-2013

50Les tests de 1^re génération donnent des résultats divergents qui légitiment que l’on privilégie les résultats du test de 2^e génération, lequel ne valide pas l’hypothèse de convergence (H₀). Dans la mesure où le test de seconde génération correspond à la structure de nos données, nous considérons son résultat comme plus robuste et concluons qu’aucune convergence ne peut être décelée dans les taux de sortie des entreprises à l’échelle des départements et, donc, qu’il existe une persistance des différences territoriales.

51Ce résultat peut être expliqué d’un point de vue économique par la typicité des tissus productifs locaux (Camagni, 2002 ; Pecqueur, 2014). La composition particulière des différents sous-ensembles qui composent le tissu productif ne permet pas d’observer une convergence au niveau de l’ensemble du territoire national ou de macro-régions. Les différents départements ou les agglomérats de départements constituant des points chauds ou froids présentent des systèmes productifs différenciés dont les effets persistent dans le temps suivant un phénomène classique de dépendance au sentier (Mahoney, 2000). Marqués par des conditions initiales qui déterminent également les évènements qui se produisent à leur niveau, les départements sont influencés par les caractéristiques socio-historiques qui guident leur évolution. La crise qui les a touchés en 2008 les a impactés différemment et n’a pas initié un mouvement de convergence des tissu productif par un processus de rattrapage.

- 6 - Conclusion

52Alors que la période post-crise a été caractérisée par une augmentation généralisée du nombre de sorties d’entreprises, cet article a mis en évidence une organisation spatiale du taux de sortie mesuré à l’échelle des 96 départements français. L’application de la méthode Esda nous a permis de rendre compte de l’existence d’effets de clustering révélés par la valeur positive prise par l’indice de Moran global et confirmée par les valeurs locales. Ces dernières rendent compte de changements au cours de la période 2008-2013. En effet, alors qu’au tout début de la crise, le regroupement de départements présentant des taux de cessation forts ou faibles est relativement limité, l’agrégation de départements semblables, caractérisés par des taux de cessation élevés ou faibles est nettement plus marquée. Il semble qu’en se prolongeant, la crise a fini par frapper l’ensemble des activités de la même manière, ce qui expliquerait cette forme de regroupement qui, comme nous l’avons montré, ne résulte pas d’un processus de convergence-rattrapage mais, plus vraisemblablement, de l’organisation des chaînes de valeur et/ou de la similitude entre les environnements économiques des départements ainsi clusterisés.

53L’autocorrélation spatiale positive qui caractérise les cessations d’entreprises mérite d’être prise en compte par les décideurs en charge de la mise en œuvre des politiques de soutien aux entreprises à l’échelle locale. Considérer isolément chaque territoire, ici les départements, risquerait en effet d’altérer les résultats visés par les politiques. Il est en effet nécessaire d’apprécier les résultats des politiques économiques locales appliquées dans un département sur la démographie des entreprises des départements voisins, pour avoir une vue complète des effets de l’action publique territorialisée. Les changements institutionnels intervenus récemment (augmentation de la taille des régions et création des métropoles, notamment) renforcent cette recommandation dans la mesure où les complémentarités et les relations entre les territoires qui les composent sont considérées comme des facteurs favorables à une résistance aux chocs externes.

54Les résultats obtenus souffrent cependant de certaines faiblesses. Le taux de cessation ici considéré pour apprécier les interrelations spatiales en matière de cessation d’entreprises est en effet un taux global. Il serait intéressant de prolonger l’analyse en croisant des données localisées et par secteur de manière à tester si l’autocorrélation spatiale observée est sensible au type d’activité considéré. Dans le même ordre d’idées, limiter le champ de l’analyse aux seules faillites permettrait également de compléter l’analyse spatiale des transformations du tissu productif et d’analyser dans quelle mesure les défaillances d’entreprises sont à même d’engendrer un effet domino spatial. Enfin, la maille géographique retenue peut influencer les résultats dégagés. À cela, il y a deux raisons. D’une part les départements sont des entités administratives et les politiques publiques sont élaborés par les régions et mises en œuvre au niveau des regroupements de communes, de l’autre la littérature a mis en évidence le risque de Maup (Modifiable Areal Unit Problem) d’après lequel le découpage spatial utilisé est susceptible d’influencer le résultat obtenu (Openshaw et Taylor, 1979). Ces limites ouvrent des perspectives de recherche futures grâce à l’utilisation de nouvelles techniques qui, comme la régression géographiquement pondérée, permettent de s’affranchir des contraintes liées au zonage.