Couverture de RECO_752

Article de revue

Le déploiement du très haut débit a-t-il favorisé la numérisation des entreprises ? Une évaluation du plan France Très Haut Débit

Pages 301 à 352

Notes

  • [1]
    La notion de zones denses et peu denses est définie précisément dans la section consacrée à la présentation du plan FTHD. La figure 1 représente les zones denses (en gris), qui regroupent essentiellement les agglomérations urbaines, et les zones peu denses (en noir).
  • [2]
    On observe généralement une corrélation positive entre usages numériques des entreprises et développement économique, que ce dernier soit envisagé en termes de croissance économique (Stanley, Doucouliagos et Steel [2018] ; Vu, Hanafizadeh et Bohlin [2020]), de création d’entreprises (Duvivier [2019]) ou de productivité (Bertschek et al. [2015]). Les effets sur l’emploi sont cependant plus ambivalents : si Internet est associé à une hausse du nombre d’emplois au niveau macroéconomique, seuls les plus qualifiés en bénéficient (Akerman, Gaarder et Mogstad [2015] ; Bertschek et al. [2015]).
  • [3]
    La faible numérisation des entreprises pose question en matière d’efficacité économique mais aussi d’équité. Avec la numérisation grandissante de la société (p. ex. : développement de l’e-administration et du recrutement en ligne), un nombre croissant d’agents risquent de ne plus pouvoir accéder à certains services de base.
  • [4]
    Les travaux sur la fibre sont rares et essentiellement focalisés sur les espaces urbains (p. ex : Falk et Hagsten [2021] ; McCoy et al. [2018]). Deller, Whitacre et Conroy [2021] et Duvivier et Bussière [2022] se concentrent sur les espaces ruraux mais examinent l’effet de la fibre sur les créations d’entreprises.
  • [5]
    Initialement, le plan FTHD visait à fournir de la fibre optique (> 100 Mbps) à 80 % des foyers français et du très haut débit (> 30 Mbps) à 20 % d’entre eux. En 2020, Cédric O, alors secrétaire d’État chargé du numérique, a annoncé que l’objectif était désormais de fournir la fibre à tous d’ici 2025.
  • [6]
    L’intensité d’utilisation d’un outil est généralement mesurée par la part des employés l’utilisant (p. ex : ordinateur, courriels) ou par la part du chiffre d’affaires obtenu grâce à cet outil (p. ex : commerce en ligne).
  • [7]
    Galliano, Lethiais et Soulié [2008] ne trouvent toutefois pas de corrélation significative entre ces deux variables.
  • [8]
    France Stratégie [2023] propose des simulations montrant comment les besoins de débits varient selon la taille et le niveau d’usage des entreprises (voir chapitre 3, section 4.2, p. 137-138).
  • [9]
    Eurostat, « Cloud Computing – Statistics on the Use by Enterprises », Statistics Explained, décembre 2021, https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Cloud_computing_-_statistics_on_the_use_by_enterprises.
  • [10]
    Sont exclus du champ de l’enquête : agriculture, sylviculture et pêche ; industries extractives ; activités financières et d’assurance ; administration publique, enseignement, santé humaine et action sociale ; arts, spectacles et activités récréatives ; autres activités de services (sauf réparation d’ordinateurs et d’équipements de communication) ; activités des ménages en tant qu’employeurs ; activités extraterritoriales.
  • [11]
    Si l’analyse de l’enquête de 2020 semble intéressante, elle répond à une autre question (l’accès au THD a-t-il favorisé l’usage numérique des entreprises dans un contexte de crise ?). Pour étudier la numérisation des entreprises pendant la période Covid, il est toutefois nécessaire d’attendre que d’autres enquêtes TIC-entreprises (2021, 2022) soient disponibles puisqu’une partie des questions (en particulier, celles sur le commerce en ligne) de l’enquête 2020 portent sur l’exercice précédent (2019). En outre, il importe de disposer de plusieurs années pour s’assurer que les effets de la crise sanitaire sur les usages numériques sont permanents.
  • [12]
    Nous avons inclus tous les usages numériques pour lesquels nous disposions au moins de deux années d’enquêtes. Quelques rares usages (p. ex : utilisation d’un intranet) ne sont pas retenus car nous ne disposons que d’une année d’observation. On exclut également l’e-administration puisque la quasi-totalité des entreprises y ont recourt. Enfin, bien qu’on parle ici d’outils « peu avancés », par opposition aux usages complexes (ou plus avancés), il convient de garder en mémoire qu’il est possible de faire une utilisation complexe de certains de ces outils (p. ex : programmer des algorithmes sur un ordinateur). L’enquête à disposition ne permet cependant pas ce type de distinction.
  • [13]
    Depuis 2019, les données de couverture Internet sont publiées par l’Autorité de régulation des communications électroniques, des postes et de la distribution de la presse (Arcep). Vu notre période d’analyse, nous ne mobilisons pas les données de l’Arcep. De plus, combiner les données de l’Agence du numérique et de l’Arcep aurait posé des problèmes de comparabilité.
  • [14]
    Les données d’effectifs sont issues de la base REE-Stock d’établissements.
  • [15]
    L’existence d’entreprises multi-établissements complique également la définition de l’échantillon puisque certaines ont des établissements à la fois situés en zone d’initiative privée (ZIPRI) et publique (ZIPU). On choisit de considérer qu’une entreprise appartient à la ZIPU dès lors que son siège social y est situé.
  • [16]
    Tous les effectifs reportés sont pondérés.
  • [17]
    L’échange de données informatisé (EDI) est un format électronique standard utilisé par les entreprises pour communiquer leurs documents commerciaux.
  • [18]
    Des travaux antérieurs ont mobilisé la méthode des variables instrumentales. Les instruments mobilisés sont basés sur un raisonnement économique du choix de déploiement et correspondent donc aux facteurs qui affectent les coûts et les revenus du déploiement d’Internet. Parmi les instruments employés, on peut citer la pente du terrain (Kolko [2012]), le réseau téléphonique historique (Czernich [2014]) et la densité de population (Mack, Anselin et Grubesic [2011]). Recourir à ces instruments ne constitue toutefois pas une solution satisfaisante dans le cadre de cette évaluation. Tout d’abord, ces variables apparaissent parfois faiblement corrélées avec l’accès à Internet, notamment lorsque l’on considère les technologies de nouvelle génération (Canzian, Poy et Schüller [2019]). De plus, ces instruments, basés sur un raisonnement économique, semblent plus pertinents pour expliquer le déploiement d’opérateurs privés qu’un déploiement public. On peut aussi s’interroger sur le caractère exogène des instruments. Par exemple, même dans un modèle incluant beaucoup de contrôles, peut-on s’assurer que l’accessibilité d’un territoire n’affecte pas les pratiques numériques de ses résidents ?
  • [19]
    À l’instar des modèles de régression classiques (p. ex. : moindres carrés ordinaires), la méthode de l’appariement repose sur l’hypothèse de sélection sur les observables (i.e. conditionnellement aux caractéristiques observables, les entreprises traitées et de contrôle ne diffèrent pas de manière systématique en termes de caractéristiques inobservables). Toutefois, comparé à une régression classique, l’appariement offre le double avantage d’écarter de l’analyse les entreprises qui sont hors du support commun et de ne pas faire d’hypothèse sur la forme fonctionnelle du modèle et la distribution des termes d’erreur.
  • [20]
    À titre de robustesse, nous proposons d’autres définitions du groupe des traitées et du groupe de contrôle dans la section « Résultats ».
  • [21]
    Comme expliqué ci-après, nous utilisons neuf variables d’appariement dont plusieurs sont continues. Cela conduit à des millions de combinaisons de caractéristiques possibles (même en introduisant des « calipers » pour les variables continues ou en transformant les variables continues en variables catégorielles).
  • [22]
    Au sein d’un RIP, le calendrier de déploiement est basé sur les caractéristiques des communes et il est peu probable que celles des entreprises aient joué un rôle. Toutefois, en ciblant prioritairement certaines communes, le plan FTHD risque de conduire certains types d’entreprises à bénéficier de la fibre de manière plus précoce (p. ex. : certains secteurs économiques sont surreprésentés dans les communes les plus peuplées).
  • [23]
    Par exemple, pour la variable « outils collaboratifs », qui n’est disponible que dans les enquêtes 2015 et 2017, nous réalisons l’appariement en incluant seulement les entreprises concernées par les vagues d’enquêtes correspondantes.
  • [24]
    L’élimination des entreprises hors support conduit à éliminer 1,6 % des traitées.
  • [25]
    L’intérêt de comparer les entreprises ayant accès à la fibre à celles ayant accès au THD (et non à toutes celles disposant d’un accès inférieur à 100 Mbps comme dans le modèle de base) est qu’on estime l’effet additionnel de la fibre par rapport au THD. De plus, exclure du groupe de contrôle les entreprises situées dans les communes disposant d’un accès inférieur à 30 Mbps permet d’éliminer des entreprises situées dans des contextes territoriaux très particuliers (communes très peu denses, etc.).
  • [26]
    Dans le modèle de base, on inclut dans le groupe des traitées toute entreprise située dans une commune disposant d’un accès à la fibre, quel que soit le taux de couverture communal, afin de ne pas imposer de seuil arbitraire pour définir le traitement (p. ex. : 5 % de locaux couverts ? 10 % ?). Toutefois, comme cela peut conduire à inclure dans le groupe des traitées des entreprises situées dans des communes où l’accès à la fibre est très limité, on propose ici une définition plus stricte du groupe de traitement.
  • [27]
    On préfère le modèle augmenté (colonne 2) au modèle de base (colonne 1) puisqu’il permet de contrôler les différences de structures organisationnelles entre traitées et non traitées. Conformément à notre hypothèse, les entreprises avec un établissement unique utilisent significativement moins les outils numériques. Toutes les analyses suivantes sont réalisées à partir du modèle augmenté.
  • [28]
    On compare en effet les entreprises ayant accès à la fibre à celles ayant accès à moins de 100 Mbps. Le groupe de contrôle inclut donc à la fois des entreprises ayant accès à du THD mais aussi des entreprises ayant accès à des débits très faibles (inférieurs à 30 Mbps, voire inférieurs à 8 Mbps).
  • [29]
    En raison de l’absence de données disponibles, nous ne pouvons pas examiner si l’effet de la fibre varie selon le niveau de capital humain de l’entreprise. Comme cela sera décrit par la suite, certains résultats obtenus semblent s’expliquer au moins partiellement par des effets de capital humain (p. ex. : effet selon le degré de ruralité des territoires).
  • [30]
    Comparé aux variables d’appariement, nous avons parfois dû regrouper les modalités de certaines variables (p. ex. : classification des secteurs d’activité) afin de conserver un nombre suffisant d’observations dans chaque catégorie.
  • [31]
    Le modèle de base (tableaux 8 à 10) a été préalablement réestimé en utilisant un modèle linéaire et les résultats sont sensiblement identiques entre les méthodes.
  • [32]
    La fibre dédiée requiert la présence d’un noeud de raccordement optique (NRO) tandis que la fibre mutualisée nécessite, en plus d’un NRO, l’existence d’un point de mutualisation. Il est donc techniquement possible d’avoir des offres de fibre dédiée (FttO) dans une commune sans avoir d’offre mutualisée (FttH).
  • [33]
    Tests de Wald (non reportés) réalisés pour tester l’égalité des coefficients entre chaque catégorie d’entreprise.
  • [34]
    Les données disponibles ne nous permettent pas d’examiner si l’effet de la fibre varie selon le niveau de concurrence et l’existence d’externalités (informationnelles et de réseau). Comme pour le capital humain, certains des résultats obtenus laissent toutefois penser que le niveau de concurrence et les externalités jouent probablement un rôle. Voir ci-après.
  • [35]
    De manière surprenante, certaines entreprises de notre échantillon, donc par définition situées dans la ZIPU du plan FTHD, sont considérées comme appartenant à un grand pôle urbain selon l’Insee. Ce résultat, qui concerne toutefois un nombre très minoritaire d’observations, s’explique par le fait que la liste des ZIPU est issue des investissements prévisionnels des opérateurs privés, eux-mêmes basés essentiellement sur un critère de densité. Ainsi, certaines communes urbaines selon le zonage de l’Insee peuvent ne pas constituer des destinations suffisamment rentables pour des opérateurs privés.
  • [36]
    Contrairement aux tests d’hétérogénéité précédents (selon les caractéristiques internes et externes des entreprises), on n’emploie pas ici de variables interactives. De ce fait, comme dans le modèle de base, on estime un modèle Tobit pour les variables d’usages en proportion et un modèle Logit pour les variables d’usages binaires. Par ailleurs, pour tester l’effet des modalités de déploiement, une autre option aurait été de recourir à la méthode du score de propension généralisé (Hirano et Imbens [2004]). Toutefois, à notre connaissance, cette méthode n’a pas été adaptée aux données d’enquête.
  • [37]
    Pour rappel, ce test est réalisé uniquement pour les entreprises mono-établissements, ce qui explique que le traitement a un effet significatif sur un nombre relativement restreint d’usages.

Introduction

1 Pour garantir à tous un accès au très haut débit (THD) et renforcer la compétitivité du pays, le gouvernement français a lancé en 2013 une politique ambitieuse de déploiement d’infrastructure numérique : le plan France Très Haut Débit (plan FTHD). L’objectif est de garantir la fibre optique (> 100 mégabits par seconde (Mbps)) à tous d’ici 2025. Pour cela, le plan mobilise acteurs publics et privés. Dans les zones denses [1], les opérateurs privés de télécommunications financent leurs propres réseaux de fibre optique. Dans les zones peu denses, pas assez rentables pour les opérateurs privés, les collectivités territoriales assurent le déploiement des infrastructures avec un soutien financier de l’État et de l’Union européenne. Le coût total du plan est estimé à 35 milliards d’euros, dont 24 milliards pour les espaces peu denses (Cour des comptes [2017]).

2 L’objectif ici est d’évaluer l’impact du plan FTHD sur l’utilisation des outils numériques (p. ex. : disposer d’un site Web, recourir au cloud computing) par les entreprises situées en zones peu denses. En d’autres termes : est-ce que le déploiement d’infrastructures THD favorise la numérisation des entreprises et, si oui, dans quelles conditions ces déploiements sont-ils les plus efficaces ?

3 Bien que le plan FTHD concerne l’intégralité du territoire français, on se focalise ici sur les espaces peu denses, qui regroupent 43 % de la population française, pour deux raisons. Premièrement, malgré les espoirs initiaux pour les espaces ruraux (Cairncross [2001] ; Friedman [2005]), les villes et les espaces intermédiaires apparaissent aujourd’hui comme les grands gagnants du numérique (Mack [2015] ; Duvivier [2019] ; Duvivier et al. [2021]). Si les retombées d’Internet dans le rural sont parfois non négligeables (Kandilov et Renkow [2010] ; Kim et Orazem [2017] ; Townsend et al. [2017]), elles sont toutefois nettement plus faibles que dans l’urbain et confinées aux contextes spatiaux les plus favorables (Duvivier et Bussière [2022]). Il semble donc essentiel d’évaluer si un investissement public massif dans les infrastructures THD contribue à la numérisation des entreprises dans ces espaces, et donc, potentiellement, à la réduction des écarts entre urbain et rural. Deuxièmement, seules ces zones font l’objet d’un déploiement de réseaux par les acteurs publics et celles-ci représentent l’essentiel du coût total du plan.

4 Par ailleurs, on examine si le plan a conduit à une hausse des usages numériques des entreprises, puisqu’il s’agit d’une condition nécessaire pour que le déploiement du THD génère des retombées économiques [2]. Cette question est essentielle puisque les travaux sur les autres pays indiquent que les outils numériques sont relativement peu utilisés par les entreprises rurales (Salemink, Strijker et Bosworth [2017] ; Thonipara et al. [2023]). Ainsi, alors que les pouvoirs publics investissent massivement pour déployer Internet, les opportunités de développement risquent de demeurer inexploitées si les entreprises ne s’emparent pas des outils numériques [3].

5 Pour évaluer l’effet du plan FTHD, on mobilise les enquêtes TIC-Entreprises de l’Insee de 2014 à 2019. Celles-ci informent sur un grand nombre de pratiques numériques des entreprises, incluant des usages « peu avancés » (p. ex. : ordinateurs, sites Web, réseaux sociaux) et plus avancés (p. ex. : cloud computing, gestion de la relation client), ainsi que le commerce en ligne. De plus, on apparie ces enquêtes avec les données de l’Agence du numérique, pour disposer d’information sur la couverture internet des communes, et avec diverses sources de données (p. ex. : répertoire Sirene, recensement de la population), pour renseigner précisément les caractéristiques et l’environnement externe des entreprises.

6 Pour identifier l’effet du plan, nous mobilisons la méthode de l’appariement par score de propension. Les résultats indiquent que le déploiement de la fibre dans les espaces peu denses a stimulé la plupart des usages numériques peu avancés et avancés des entreprises. De plus, l’impact varie significativement selon les caractéristiques des entreprises et leur contexte spatial. Ainsi, les retombées sont particulièrement positives pour les petites entreprises, les multi-établissements, et celles situées dans les espaces périurbains. L’intensité des effets varie aussi en fonction des caractéristiques du déploiement. En particulier, il apparaît qu’au-delà d’un certain seuil de locaux couverts, les déploiements additionnels n’augmentent plus la numérisation des entreprises. De plus, nous n’observons un effet significatif du déploiement d’infrastructures qu’à partir de trois années après le déploiement, probablement en raison de l’existence de délais dans l’appropriation de la fibre par les entreprises (prise de décision, externalités informationnelles et de réseau notamment).

7 Cette étude contribue à la littérature sur l’impact d’Internet de plusieurs manières. Premièrement, il n’existe quasiment pas de travaux analysant les effets de la fibre sur les espaces peu denses [4]. Pourtant, l’intérêt d’y déployer cette technologie fait débat. D’un côté, la fibre est de plus en plus nécessaire pour certaines applications (p. ex. : téléenseignement, visioconférence) dont l’utilisation a explosé ces dernières années. Ne pas fournir un accès Internet ultra-rapide et garantissant une qualité de service à l’ensemble des agents économiques risque donc de créer des inégalités. De l’autre, les difficultés financières et techniques du déploiement de la fibre dans les espaces peu denses retardent leur couverture numérique, et le déploiement de technologies alternatives (câble, montée en débit sur cuivre) y apparaît alors parfois préférable, du moins dans un premier temps (Cour des comptes [2017]). On peut également se demander si déployer cette technologie très coûteuse dans des espaces où les agents économiques ont parfois peu d’intérêt à utiliser des applications gourmandes en données en vaut vraiment la peine. Alors que le gouvernement a récemment revu à la hausse les objectifs du plan FTHD en faisant le choix du 100 % fibre [5], il semble donc opportun d’évaluer les effets de la fibre dans les espaces peu denses. Deuxièmement, nous contribuons à la littérature sur les usages numériques des entreprises en examinant dans quelle mesure l’impact du déploiement d’Internet varie selon les caractéristiques propres aux entreprises et à leur environnement, et selon les modalités du déploiement. Identifier pour quelles entreprises et dans quelles conditions le déploiement génère des effets nous permet ainsi de discuter les modalités des futures politiques de déploiement.

8 La suite de l’article est organisée de la manière suivante. La deuxième section propose une revue de littérature décrivant les différentes pratiques numériques des entreprises et l’effet de l’accès à Internet sur celles-ci. La troisième section présente le plan FTHD et la quatrième section les données. La cinquième section décrit la méthode, la sixième section discute les résultats (impact moyen du plan, tests de robustesse, hétérogénéité des effets du plan) puis la dernière section conclut.

Revue de littérature

9 Les travaux ayant examiné les usages numériques ont adopté des approches très diverses et ont suivi l’évolution de ces usages. Si certains considèrent un indice synthétique des pratiques numériques (Ruiz-Rodriguez, Lucendo-Monedero et González-Relaño [2018]), il semble préférable d’analyser les différents usages de manière séparée, puisque leurs facteurs explicatifs varient (DeStephano, De Backer et Moussiegt [2017] ; Nicoletti, Rueden et Andrews [2020]).

10 Les travaux ont d’abord porté sur l’utilisation de matériel informatique et d’Internet (Chatzoglou et al. [2010] ; Galliano et Roux [2006], [2008]) puis sur les sites Web, le commerce en ligne, l’e-administration ou les réseaux sociaux (Giotopoulos et al. [2017] ; Haller et Siedschlag [2011]). Plus récemment, les recherches ont examiné les déterminants de l’utilisation du cloud computing, de progiciels de gestion intégrés, de la gestion de la relation client (Andres et al. [2020] ; Alshamaila, Papagiannidis et Li [2013] ; Nicoletti, Rueden et Andrews [2020]) ou encore des technologies numériques de nouvelle génération telles que l’intelligence artificielle, l’Internet des objets et le big data (Cho et al. [2022]).

11 Plutôt que d’examiner les différents usages numériques séparément, certains auteurs les regroupent en fonction de leur niveau de complexité (Forman, Goldfarb et Greenstein [2005a], [2005b] ; Nicoletti, Rueden et Andrews [2020]) ou degré de nouveauté (Faquet et Malardé [2020]). Les outils sont parfois aussi classés selon les besoins auxquels ils répondent : par exemple, améliorer le fonctionnement interne d’une entreprise (p. ex. : systèmes intégrés de gestion) ou ses relations externes (p. ex. : commerce électronique) ; répondre à un besoin informationnel (p. ex. : publicité en ligne, veille concurrentielle) ou de coordination externe (p. ex. : visioconférence, outils de partage de ressources) (Galliano, Lethiais et Soulié [2008]). D’après ces travaux, les outils favorisant la coordination entre les établissements seraient particulièrement attractifs pour les entreprises rurales, qui sont plus souvent éloignées de leurs partenaires et font face à des coûts informationnels et de coordination supérieurs.

12 Enfin, certains distinguent l’adoption de l’intensité d’usage des outils [6] (Bayo-Moriones et Lera-López [2007] ; Galliano et Roux [2008] ; Haller et Siedschlag [2011]). Cette distinction semble importante, notamment lorsque l’on considère des outils qui en sont à différents stades de diffusion. En effet, si pour les technologies récentes on observe surtout des écarts en termes d’adoption, pour les outils matures, les écarts entre entreprises se situent surtout au niveau de l’intensité d’usage des technologies.

Impact de l’accès à Internet sur les usages numériques

13 Les travaux existants concluent en majorité que l’accès à une connexion rapide favorise les pratiques numériques des entreprises [7] (DeStefano, Kneller et Timmis [2018]; Galliano et Roux [2008] ; Philip et al. [2017] ; Thonipara et al. [2023] ; Townsend et al. [2017]). D’ailleurs, même si les caractéristiques socio-économiques des espaces ruraux (p. ex. : niveau de capital humain) sont souvent mises en cause, Philip et al. [2017] indiquent que le moindre développement des infrastructures Internet joue un rôle prépondérant pour expliquer les écarts d’adoption numérique entre espaces ruraux et urbains.

14 Avec la hausse du volume de données échangées et la multiplication d’applications gourmandes en données, la qualité et la vitesse de connexion devraient tout particulièrement conditionner l’adoption d’outils numériques avancés (p. ex. : cloud computing, progiciels de gestion intégrés, gestion de la relation client). Les travaux portant spécifiquement sur ces outils concluent en effet que l’accès à une connexion très haut débit et à la fibre est déterminant pour l’adoption de ces usages (Andres et al. [2020] ; DeStefano, Kneller et Timmis [2020] ; Nicoletti, Rueden et Andrews [2020]). De façon intéressante, l’accès à la fibre et la vitesse de connexion sont déterminants pour le recours aux services complexes et intermédiaires de cloud computing (p. ex. : hébergement de base de données, gestion de la relation client) mais n’ont pas d’effet sur l’adoption de services basiques de cloud computing (p. ex. : courriels, stockage, logiciels de bureautique) (DeStefano, Kneller et Timmis [2020]).

15 Si la fibre facilite ainsi l’adoption d’outils avancés avec des besoins importants de bande passante, elle devrait toutefois également favoriser un usage plus intensif des outils peu avancés. En effet, même si pris isolément la plupart de ces outils numériques ont de faibles besoins de bande passante, leur utilisation simultanée au sein des entreprises rend la fibre rapidement nécessaire (France Stratégie [2023]) [8].

Un effet conditionnel de l’accès à Internet

16 Au-delà des effets moyens évoqués ci-dessus, le déploiement d’Internet produit vraisemblablement des effets variables selon les caractéristiques des entreprises et le contexte spatial dans lequel elles évoluent.

Facteurs internes à l’entreprise

17 Un meilleur accès à Internet agira différemment sur l’adoption d’outils selon la taille des entreprises, bien que l’effet soit controversé. D’un côté, les entreprises plus grandes disposent de ressources (financières, humaines) supérieures et font face à des coûts de coordination et de surveillance plus élevés, ce qui les conduit à adopter davantage les outils numériques, et notamment les plus avancés (Cho et al. [2022] ; Giotopoulos et al. [2017] ; Nicoletti, Rueden et Andrews [2020]). De l’autre, les petites entreprises, plus flexibles, ont plus de facilités à s’adapter rapidement aux évolutions technologiques et sont davantage encouragées à adopter certains outils (p. ex. : cloud computing) pour réduire leurs investissements en capital et coûts irrécupérables (Alshamaila, Papagiannidis et Li [2013]).

18 Au-delà de la taille des entreprises, c’est aussi leur structure organisationnelle qui importe. On s’attend ainsi à ce que l’arrivée du THD génère principalement des effets sur les entreprises multi-établissements ou appartenant à un groupe, qui font face à des coûts de coordination supérieurs, et donc, ont davantage d’incitations à utiliser des outils favorisant la coordination (intranet, extranet, outils collaboratifs) (Bayo-Moriones et Lera-López [2007] ; DeStefano, De Backer et Moussiegt [2017]).

19 L’accès à Internet devrait également favoriser davantage les usages numériques des entreprises disposant d’un niveau de capital humain élevé. Une équipe dirigeante qualifiée percevra en effet davantage les bénéfices associés au numérique. De plus, une main-d’œuvre plus qualifiée retirera plus de bénéfices du numérique grâce à une utilisation plus efficiente (Akerman, Gaarder et Mogstad [2015]). L’effet du capital humain n’est pas négligeable puisque, par exemple, une PME sur trois déclare que le manque de connaissances suffisantes limite son utilisation du cloud computing [9]. Plus que le niveau de formation général de la main-d’œuvre, ce sont logiquement ses connaissances dans le domaine des TIC qui jouent un rôle déterminant (Giotopoulos et al. [2017] ; Nicoletti, Rueden et Andrews [2020]).

20 Par ailleurs, puisque les besoins des entreprises évoluent au cours du temps, un meilleur accès à Internet aura un effet différent sur leurs pratiques numériques selon leur âge. Par exemple, les entreprises récentes, qui cherchent principalement à accroître leurs ventes, devraient adopter en priorité des outils de gestion de la relation client, tandis que les entreprises plus développées mobiliseront davantage des outils visant à optimiser le fonctionnement des processus de l’entreprise (p. ex. : progiciel de gestion intégré) (Nicoletti, Rueden et Andrews [2020]). Les jeunes entreprises recourent aussi davantage au cloud computing qui constitue une option moins coûteuse pour accéder à un ensemble de services numériques (Andres et al. [2020] ; DeStefano, Kneller et Timmis [2020]).

21 Les effets du déploiement devraient aussi être extrêmement variables en fonction du secteur d’activité des entreprises puisque les usages numériques, notamment avancés, sont indispensables dans certains secteurs (p. ex. : tertiaire supérieur) et bien moins dans d’autres (p. ex. : services à la personne). Les entreprises plus innovantes, qui ont une capacité absorptive supérieure, utilisent aussi davantage les outils numériques (DeStefano, De Backer et Moussiegt [2017]). Pour Forman, Goldfarb et Greenstein [2005a] ; [2005b], le moindre usage des outils numériques dans les espaces ruraux américains s’expliquerait d’ailleurs intégralement par les différences de composition industrielle entre zones urbaines et rurales.

Facteurs externes à l’entreprise

22 Le déploiement d’infrastructures Internet devrait également avoir une incidence différente sur l’usage numérique des entreprises selon l’environnement économique dans lequel elles opèrent. Dans les espaces où la concurrence est élevée, le déploiement d’Internet devrait fortement inciter les entreprises à mobiliser des outils numériques pour accroître leur performance et chances de survie. Les résultats empiriques sont cependant contrastés, certains concluant à un effet positif de la concurrence sur l’usage de technologies (Nicoletti, Rueden et Andrews [2020]), d’autres à un effet limité, voire non significatif (Alshamaila, Papagiannidis et Li [2013] ; Galliano et Roux [2008]).

23 Par ailleurs, un meilleur accès à Internet favorise d’autant plus l’adoption d’outils numériques par une entreprise que le nombre d’utilisateurs dans son environnement (secteur industriel et/ou région) est élevé (Forman, Goldfarb et Greenstein [2005b] ; Galliano et Roux [2008] ; Haller et Siedschlag [2011]). En effet, plus le nombre d’entreprises utilisant ces outils est important, plus les externalités informationnelles et de réseau sont fortes, et plus les entreprises sont incitées à développer leurs usages numériques. D’une part, la diffusion d’informations permet de renseigner les entreprises non utilisatrices sur l’existence, les modes d’utilisation et les bénéfices des outils numériques, réduisant ainsi les incertitudes liées à leur adoption (Alshamaila, Papagiannidis et Li [2013]). D’autre part, les bénéfices associés à l’usage d’outils numériques augmentent avec le nombre d’utilisateurs au sein d’un réseau (p. ex. : une entreprise a peu d’intérêt à avoir une messagerie électronique si aucun de ses partenaires n’en possède). De plus, pour rester compétitive, une entreprise sera obligée d’utiliser les mêmes outils que ses concurrents.

24 Le déploiement d’Internet risque enfin d’avoir un impact différent sur les pratiques numériques selon le degré de ruralité des territoires. En règle générale, les usages demeurent peu développés dans le rural même lorsque les agents disposent d’un bon accès aux réseaux Internet (Galliano et Roux [2008] ; Thonipara et al. [2023] ; Salemink, Strijker et Bosworth [2017] ; Townsend et al. [2013]). En plus des facteurs déjà évoqués (p. ex. : niveau de capital humain moindre, concurrence plus faible, externalités informationnelles et de réseau inférieures, etc.), l’éloignement des fournisseurs de matériels et services informatiques risque de réduire encore davantage la capacité des entreprises rurales à s’emparer des outils numériques. En particulier, l’éloignement aux services de conseil en systèmes et logiciels informatiques risquent de freiner l’adoption d’applications complexes au sein des entreprises. Cependant, si la capacité d’adoption est moindre dans le rural, les incitations à utiliser ces outils y sont probablement supérieures, du fait de l’éloignement des partenaires et des clients. Forman, Goldfarb et Greenstein [2005b] estiment ainsi qu’une fois que la plupart des caractéristiques des espaces urbains et ruraux sont contrôlées, les entreprises rurales ont une probabilité supérieure d’utiliser des outils numériques peu avancés, et en particulier ceux répondant à un besoin de coordination entre établissements. En revanche, les entreprises rurales utilisent significativement moins les outils numériques avancés.

Le plan france très haut débit

25 En 2013, le gouvernement a mis en place le plan France Très Haut Débit dont l’objectif était de fournir de la fibre optique (> 100 Mbps) à 80 % des foyers français et du THD (> 30 Mbps) à l’ensemble d’entre eux d’ici 2022. Il était alors prévu de déployer des technologies alternatives (montée en débit DSL, technologies radio) dans les zones plus reculées où le déploiement de la fibre est trop coûteux ou techniquement compliqué. Le montant total des investissements privés et publics, initialement estimé à 20 milliards d’euros, a été revu à la hausse pour atteindre 35 milliards d’euros (Cour des comptes [2017]). En 2020, le gouvernement s’est fixé un objectif encore plus ambitieux, celui de fournir la fibre à tous d’ici 2025.

26 Pour couvrir l’intégralité des foyers, le plan FTHD s’appuie sur le déploiement de deux réseaux complémentaires. Dans les zones denses, les opérateurs privés de télécommunications déploient leurs propres réseaux de fibre optique. Dans les zones peu denses, qui n’apparaissent pas suffisamment rentables pour les opérateurs privés, les collectivités locales assurent le déploiement des infrastructures.

Figure 1

Zones d’intervention privée et publique

figure im1

Zones d’intervention privée et publique

27 Afin d’identifier les zones nécessitant le financement de réseaux publics, le gouvernement a lancé en 2011 un appel à manifestation d’intention d’investissement (AMII) auprès des opérateurs privés dans le but d’identifier les zones où les déploiements privés de fibre optique étaient envisagés dans un horizon de cinq ans. Le résultat de cet appel montre l’importance des zones délaissées par l’initiative privée (cf. figure 1). La zone d’intervention privée (gris) compte 3 548 communes (essentiellement des zones urbaines), regroupant 57 % de la population nationale. Les 33 085 communes restantes constituent la zone d’intervention publique sur laquelle nous nous focalisons ici. Au sein de cette zone, le déploiement des réseaux est mis en œuvre dans la plupart des cas au niveau des départements (plus rarement, au niveau régional). L’annexe A1 montre l’évolution de la couverture des communes françaises en fibre optique depuis 2013.

Données

Usages numériques des entreprises

28 Les informations sur les usages numériques des entreprises sont issues de l’Enquête sur les technologies de l’information et de la communication dans les entreprises (enquête « TIC-entreprises ») de l’Insee. À notre connaissance, il s’agit de la seule enquête réalisée de manière annuelle, couvrant la France entière, et portant sur un échantillon aussi large.

29 Cette enquête, qui existe depuis 2007, renseigne sur l’usage des TIC dans les entreprises d’au moins 10 employés et couvre la plupart des secteurs [10]. La définition de l’entreprise est l’unité légale ; pour les entreprises multi-établissements, l’enquête porte donc sur les usages de l’ensemble des établissements.

30 L’échantillon de l’enquête est issu d’une base de sondage construite à partir du répertoire Sirene. L’enquête est stratifiée par secteur d’activité, tranche d’effectif et chiffre d’affaires. À noter que la localisation géographique (appartenance à la zone d’initiative publique) est un élément important de notre étude mais que la stratification ne tient pas compte de la géographie.

31 L’enquête fournit, d’une part, des informations sur les usages numériques des entreprises et, d’autre part, des données de cadrage (p. ex. : numéro Siren, effectif). Le numéro Siren permet ainsi d’apparier l’enquête TIC-entreprises avec d’autres sources de données afin de disposer d’informations supplémentaires sur les entreprises et sur la couverture Internet disponible à leur lieu d’implantation.

32 Compte tenu de la disponibilité des données de couverture Internet (voir section suivante), nous utilisons ici les enquêtes TIC-entreprises publiées à partir de 2014. De plus, nous choisissons de ne pas exploiter la dernière enquête disponible (2020). En effet, la situation pour cette année est tellement particulière qu’on risquerait d’estimer des effets conjoncturels très atypiques pour 2020. En particulier, la surutilisation des outils numériques pendant la crise (p. ex. : outils collaboratifs, commerce en ligne) risquerait de surestimer l’impact du plan FTHD [11].

33 Étant donné les informations fournies dans l’enquête, nous considérerons les 10 pratiques numériques suivantes, que nous avons groupées en trois catégories [12] :

  • Usages « peu avancés » :
    • Utilisation d’ordinateur (adoption et intensité d’utilisation) ;
    • Utilisation d’Internet (adoption et intensité d’utilisation) ;
    • Présence d’un site Web ;
    • Utilisation des médias sociaux ;
  • Usages plus avancés/complexes :
    • Utilisation du cloud computing ;
    • Utilisation d’un progiciel de gestion intégré (PGI) ;
    • Recours à une gestion de la relation client (GRC) ;
    • Utilisation d’outils collaboratifs ;
  • Commerce électronique :
    • Recours au commerce électronique (achats et ventes) : adoption et intensité d’utilisation.

35 Le tableau 1 définit les variables d’usages numériques considérées dans notre analyse. Comme le tableau l’indique, si pour certains indicateurs nous disposons d’informations pour chaque année, pour d’autres les informations sont plus irrégulières. Cela sera pris en compte dans la mise en œuvre de la méthodologie.

Tableau 1

Indicateurs d’usages numériques

VariableDéfinitionAnnées disponibles
Ordinateur : adoptionVariable muette égale à 1 si l’entreprise utilise au moins un ordinateur, 0 sinon2014 à 2018
Ordinateur : intensitéPart des salariés de l’entreprise utilisant un ordinateur2014, 2015 et 2017
Internet : adoptionVariable muette égale à 1 si l’entreprise dispose d’un accès à Internet, 0 sinon2014 à 2019
Internet : intensitéPart des salariés de l’entreprise utilisant un appareil avec accès à Internet2014 à 2019
Site WebVariable muette égale à 1 si l’entreprise dispose d’un site Web, 0 sinon2014 à 2019
Médias sociauxVariable muette égale à 1 si l’entreprise dispose d’un profil utilisateur sur un réseau social (p. ex. : Facebook, LinkedIn, Xing, Viadeo, Yammer, Google+, etc.), 0 sinon2015, 2016, 2017 et 2019
Cloud computingVariable muette égale à 1 si l’entreprise achète des services de cloud computing, 0 sinon2014, 2016 et 2018
PGIVariable muette égale à 1 si l’entreprise utilise un progiciel de gestion intégré, 0 sinon2014, 2015, 2017 et 2019
GRCVariable muette égale à 1 si l’entreprise utilise une application pour la gestion de la relation client, 0 sinon2014, 2015, 2017 et 2019
Outils collaboratifsVariable muette égale à 1 si l’entreprise utilise des outils informatiques collaboratifs (vidéoconférence, groupware, etc.), 0 sinon2015 et 2017
Ventes Web-EDI : adoptionVariable muette égale à 1 si l’entreprise a reçu des commandes passées via un site/une application Web ou des messages de type EDI, 0 sinon2014 à 2019
Ventes Web-EDI : intensitéPart du chiffre d’affaires de l’entreprise issue des commandes passées via un site/une application Web ou des messages de type EDI2014 à 2019
Achats Web-EDIVariable muette égale à 1 si l’entreprise a passé des commandes via un site/une application Web ou des messages de type EDI, 0 sinon2014, 2015, 2016 et 2017
tableau im2

Indicateurs d’usages numériques

36 À notre connaissance, peu de travaux considèrent une gamme aussi large d’usages numériques. Nous considérons en effet ici à la fois des usages « peu avancés » (p. ex. : Internet) et complexes (p. ex. : cloud computing), impliquant des outils utiles pour les relations externes (p. ex. : commerce électronique) et internes (p. ex. : PGI) de l’entreprise, et répondant pour certains à un besoin informationnel (p. ex. : Internet) et pour d’autres à un besoin de coordination (p. ex. : outils collaboratifs).

Accès des entreprises au THD

37 Pour mesurer la couverture en fibre optique disponible au lieu d’implantation de l’entreprise, on mobilise les données de couverture Internet de l’Agence du numérique [13]. Ces données trimestrielles renseignent sur la couverture de l’ensemble des communes françaises du 4e trimestre 2013 au 1er trimestre 2018. Pour chaque commune, on connaît la part de locaux (logements, entreprises et sites publics) éligibles selon six classes de débit :

  • Non éligibles à Internet ;
  • Éligibles à un débit inférieur à 3 Mbps ;
  • Éligibles à un débit entre 3 et 8 Mbps ;
  • Éligibles au « bon » haut débit (entre 8 Mbps et 30 Mbps) ;
  • Éligibles au très haut débit (entre 30 Mbps et 100 Mbps) ;
  • Éligibles à la fibre (débit supérieur à 100 Mbps).

39 Pour calculer un indicateur de couverture en fibre optique pertinent pour chaque entreprise, il convient de tenir compte du fait que l’unité enquêtée est l’entreprise et non l’établissement. L’enquête renseigne donc sur les usages numériques de l’ensemble des établissements constituant l’entreprise. Prendre en compte uniquement la couverture de la commune où est situé le siège social de l’entreprise risquerait alors de conduire à des erreurs de mesure importantes dans le cas des entreprises multi-établissements.

40 De ce fait, pour chaque entreprise, nous avons calculé un indicateur de couverture tenant compte de l’accès à Internet de l’ensemble de ses établissements. De plus, pour tenir compte du fait qu’au sein d’une entreprise certains établissements sont plus importants que d’autres, la couverture Internet de l’entreprise i à l’année t est calculée comme la moyenne pondérée de la couverture de ses différents établissements k :

\(\begin{equation} \text { }CouvFibre_{i, t}=\sum_{k=1}^K \operatorname{}CouvFibre_{k, i, t} \cdot \text { }Poids_{k, i, t} \text {, }\end{equation}\) (1)

41CouvFibrek, i, t est la part de locaux éligibles à la fibre optique dans la commune où est implanté l’établissement k de l’entreprise i à l’année t, et Poidsk, i, t correspond à la part des effectifs de l’établissements k dans le total des effectifs de l’entreprise i[14], [15].

42 Bien que nous disposions d’une variable renseignant précisément le taux de locaux éligibles à la fibre au niveau communal, dans la plupart des analyses, nous utilisons une variable muette indiquant si l’entreprise est située dans une commune qui a accès à la fibre. En effet, au sein d’une commune, le déploiement de la fibre est réalisé en priorité dans les zones d’activité, impliquant ainsi que les entreprises sont les premières à en bénéficier. Pour cette raison, un taux de couverture communal relativement modéré peut en fait correspondre à un taux de couverture des entreprises relativement élevé (mais faible pour les ménages). Pour la même raison, une hausse du taux de couverture (par exemple, de 70 à 90 % des locaux couverts) conduira probablement davantage à une amélioration de la couverture des ménages qu’à une amélioration de la couverture des entreprises. Des tests additionnels (tenant compte de la part des locaux couverts) sont proposés dans l’analyse économétrique.

43 Par ailleurs, nous apparions les données de l’enquête TIC en t avec les données de couverture Internet en t – 1 pour plusieurs raisons. Premièrement, une partie des questions de l’enquête TIC-entreprises portent sur l’exercice précédent (p. ex. : commerce en ligne). Deuxièmement, il existe vraisemblablement un délai entre l’arrivée d’Internet et la modification des usages numériques des entreprises. Comme les données de couverture Internet sont disponibles à partir de 2013, nous apparions donc les enquêtes TIC-entreprises réalisées entre 2014 et 2019 avec les données de couverture de 2013 à 2018.

44 Le tableau 2 indique le nombre d’entreprises enquêtées, selon leur accès à différentes classes de débit [16]. Entre 2014 et 2019, la part des entreprises situées dans une commune disposant d’un accès à la fibre augmente de manière importante (7,3 % à 26 %), ce qui est cohérent avec la mise en œuvre du plan FTHD. Cette hausse s’explique principalement par la forte chute de la proportion d’entreprises qui ne disposent pas d’un accès au THD (34,1 % à 11,9 %). La proportion d’entreprises disposant d’un accès au THD (30-100 Mbps) connaît quant à elle un léger recul sur la période (– 3,5 points de pourcentage).

Tableau 2

Nombre d’entreprises enquêtées selon le débit maximal dans la commune d’implantation

2014201520162017201820192014-2019
Total64 63462 47063 17564 69162 21961 930379 120
Dont :
Accès à la fibre4 7126 2379 99912 43514 95816 07564 417
7,3 %10,0 %15,8 %19,2 %24,0 %26,0 %17,0 %
Pas d’accès à la fibre :
– Moins de 100 Mbps59 92256 23253 17652 25647 26245 855314 703
92,7 %90,0 %84,2 %80,8 %76,0 %74,0 %83,0 %
– Moins de 30 Mbps22 03213 91310 4938 3286 7607 38268 910
34,1 %22,3 %16,6 %12,9 %10,9 %11,9 %18,2 %
– 30-100 Mbps37 89042 31942 68343 92740 50138 473245 794
58,6 %67,7 %67,6 %67,9 %65,1 %62,1 %64,8 %
tableau im3

Nombre d’entreprises enquêtées selon le débit maximal dans la commune d’implantation

Champ : Entreprises dont le siège social est situé dans une commune de la zone d’initiative publique.
Sources : Enquêtes TIC-entreprises, Insee (2014-2019) ; données de couverture Internet de l’Agence du numérique (2013-2018).

Caractéristiques internes et externes des entreprises

45 À partir du numéro Siren des entreprises, nous apparions l’enquête TIC-entreprises avec d’autres sources de données afin de disposer d’informations supplémentaires sur les caractéristiques internes et externes des entreprises. Ces caractéristiques seront utilisées dans la suite de l’analyse comme variables de contrôle et/ou afin d’évaluer si l’effet du THD est hétérogène en fonction du type d’entreprises. Ces variables, principalement issues du répertoire Sirene et du recensement de la population, sont décrites dans la section « Méthodologie ».

Statistiques descriptives

46 Les tableaux 3 à 5 présentent les usages numériques des entreprises selon leur accès à la fibre.

47 Sur la période, les différents outils numériques en sont à des stades de diffusion très variables. Ainsi, dès 2014, plus de la moitié des entreprises disposent d’un site Web et quasiment toutes d’un ordinateur et d’Internet. L’usage des réseaux sociaux, de PGI, de GRC ou encore les achats Web et EDI [17] sont quant à eux moins répandus (environ une entreprise sur trois ou sur deux sur la période). Enfin, le cloud computing, les outils collaboratifs et les ventes Web et EDI font partis des usages les moins répandus, avec moins de 25 % des entreprises y ayant recourt sur la période. Évidemment, si la nouveauté et la complexité de certains usages expliquent leur faible utilisation (p. ex. : cloud computing), le recours relativement restreint à d’autres pratiques tient plutôt au fait qu’elles ne concernent, par définition, que certaines entreprises (p. ex. : vente en ligne). Notons que, comme les taux d’adoption des ordinateurs et d’Internet avoisinent les 100 %, notre analyse n’examinera pas les déterminants de l’adoption d’ordinateurs et d’Internet mais seulement ceux de leur intensité d’utilisation.

48 De manière attendue, la plupart des outils numériques sont utilisés par un nombre croissant d’entreprises sur la période (site Web, réseaux sociaux, cloud, commerce électronique). En particulier, on observe une hausse du cloud computing sur la période, liée au fait qu’un nombre croissant d’entreprises préfèrent louer des services en ligne adaptés à leurs besoins de stockage, traitement et logiciels plutôt que d’investir dans un parc informatique sur site qui ne sera utilisé que partiellement. On observe toutefois une baisse de la proportion de salariés utilisant un ordinateur. Il s’agit là d’une tendance bien connue, observée dans la plupart des pays, et résultant du fait que les agents se détournent progressivement des ordinateurs au profit d’appareils portables (tablette, smartphone) (DeStefano, De Backer et Moussiegt [2017]).

49 Enfin, on observe une corrélation positive entre l’accès à la fibre des entreprises et la plupart de leurs pratiques en ligne (intensité d’utilisation d’ordinateurs et d’Internet, site Web, réseau social, cloud computing, PGI, ERP, outils collaboratifs, achats Web-EDI). Si la probabilité de déclarer des ventes Web et EDI est corrélée à l’accès à la fibre certaines années, leur intensité (part du chiffre d’affaires issu des ventes Web et EDI) n’est toutefois pas associée à l’accès à la fibre.

Tableau 3

Usages peu avancés des entreprises selon leur accès à la fibre

2014201520162017201820192014-2019
Utilisation d’au moins un ordinateur
% entreprises
– Moins de 100 Mbps99,8 %99,7 %99,7 %99,9 %99,9 %100,0 %99,8 %
– Accès à la fibre (> 100 Mbps)100,0 %100,0 %100,0 %99,7 %99,7 %100,0 %99,9 %
Part des salariés utilisant un ordinateur
Valeur moyenne
– Moins de 100 Mbps40,540,7-42,3--41,1
– Accès à la fibre (> 100 Mbps)5553,5-52,4--53,2
Test de différence de moyenne
– Différence de moyenne14,51***12,80***-10,07***--12,08***
– P > |t|0,0000,000-0,000--0,000
Utilisation d’Internet
% entreprises
– Moins de 100 Mbps99,7 %98,9 %99,4 %99,7 %99,4 %99,9 %99,7 %
– Accès à la Fibre (>100 Mbps)49,648,245,547,351,752,349,5
Test de différence de moyenne
– Différence de moyenne14,49***13,29***9,51***9,76***9,54***9,52***11,75***
– P > |t|0,0000,0000,0000,0000,0000,0000,000
Présence d’un site Web
% entreprises
– Moins de 100 Mbps58 %63 %64 %63 %65 %67 %63 %
– Accès à la fibre (> 100 Mbps)69 %74 %73 %73 %73 %77 %74 %
Test de différence de moyenne
– Différence de moyenne0,112***0,109***0,092***0,096***0,083***0,094***0,106***
– P > |t|0,0030,0010,0010,0000,0010,0000,000
Utilisation des réseaux sociaux
% entreprises
– Moins de 100 Mbps-23 %26 %33 %-41 %30 %
– Accès à la Fibre (>100 Mbps)-27 %35 %40 %-49 %40 %
Test de différence de moyenne
– Différence de moyenne-0,0430,093***0,070***-0,078**0,102***
– P > |t|-0,1200,0000,006-0,0020,000
tableau im4 tableau im5

Usages peu avancés des entreprises selon leur accès à la fibre

Note : † Un test de Student a été réalisé. ‡ Un test du Chi-deux a été réalisé. * p < 0,1, ** p < 0,05, *** p < 0,01.
Champ : Entreprises dont le siège social est situé dans une commune de la zone d’initiative publique.
Lecture : En 2014, 55 % des salariés des entreprises situées dans les communes disposant d’un accès à la fibre utilisent un ordinateur.
Sources : Enquêtes TIC-entreprises, Insee (2014-2019) ; données de couverture Internet de l’Agence du numérique (2013-2018).
Tableau 4

Usages avancés des entreprises selon leur accès à la fibre

2014201520162017201820192014-2019
Cloud computing
% entreprises
– Moins de 100 Mbps7 %-11 %-12 %-10 %
– Accès à la fibre (> 100 Mbps)13 %-18 %-17 %-17 %
Test de différence de moyenne
– Différence de moyenne0,058***-0,073***-0,051***-0,069***
– P > |t|0,008-0,000-0,003-0,000
PGI
% entreprises
– Moins de 100 Mbps31 %35 %-33 %-44 %36 %
– Accès à la fibre (> 100 Mbps)50 %52 %-47 %-54 %51 %
Test de différence de moyenne
– Différence de moyenne0,181***0,170***-0,136***-0,094***0,152***
– P > |t|0,0000,000-0,000-0,0000,000
GRC
% entreprises
– Moins de 100 Mbps20 %26 %-20 %-20 %22 %
– Accès à la fibre (> 100 Mbps)34 %41 %-32 %-27 %32 %
Test de différence de moyenne
– Différence de moyenne0,148***0,146***-0,116***-0,067***0,100***
– P > |t|0,0000,000-0,000-0,0020,000
Outils collaboratifs
% entreprises
– Moins de 100 Mbps-12 %-13 %--13 %
– Accès à la fibre (> 100 Mbps)-22 %-23 %--22 %
Test de différence de moyenne
– Différence de moyenne-0,103***-0,092***--0,099***
– P > |t|-0,000-0,000--0,000
tableau im6 tableau im7

Usages avancés des entreprises selon leur accès à la fibre

Note : ‡ Un test du Chi-deux a été réalisé. * p < 0,1, ** p < 0,05, *** p < 0,01.
Champ : Entreprises dont le siège social est situé dans une commune de la zone d’initiative publique.
Lecture : En 2014, 13 % des entreprises situées dans les communes disposant d’un accès à la fibre recourent au cloud computing.
Sources : Enquêtes TIC-entreprises, Insee (2014-2019) ; données de couverture Internet de l’Agence du numérique (2013-2018).
Tableau 5

Commerce en ligne dans les entreprises selon leur accès à la fibre

2014201520162017201820192014-2019
Ventes Web ou EDI (adoption)
% entreprises
– Moins de 100 Mbps13 %20 %20 %20 %18 %18 %18 %
– Accès à la fibre (> 100 Mbps)18 %28 %24 %22 %20 %20 %22 %
Test de différence de moyenne†
– Différence de moyenne0,047*0,077***0,042*0,0270,0190,0240,036***
– P > |t|0,0630,0060,0640,1840,2940,1890,000
% du chiffre d’affaires issu des ventes Web ou EDI
Valeur moyenne
– Moins de 100 Mbps3 %4 %5 %4 %5 %5 %4 %
– Accès à la fibre (> 100 Mbps)3 %7 %5 %5 %5 %5 %5 %
Test de différence de moyenne‡
– Différence de moyenne0,0010,024**0,0070,014**0,0050,0050,011***
– P > |t|0,7970,0200,4340,0490,4510,4480,001
Achats Web ou EDI
% entreprises
– Moins de 100 Mbps23 %37 %50 %47 %--39 %
– Accès à la fibre (> 100 Mbps)31 %49 %56 %55 %--51 %
Test de différence de moyenne‡
– Différence de moyenne0,087***0,119***0,062**0,082***--0,123***
– P > |t|0,0120,0000,0270,002--0,000
tableau im8

Commerce en ligne dans les entreprises selon leur accès à la fibre

Note : † Un test de Student a été réalisé. ‡ Un test du Chi-deux a été réalisé. * p < 0,1, ** p < 0,05, *** p < 0,01.
Champ : Entreprises dont le siège social est situé dans une commune de la zone d’initiative publique.
Lecture : En 2014, 18 % des entreprises situées dans les communes disposant d’un accès à la fibre réalisent des ventes Web ou EDI.
Sources : Enquêtes TIC-entreprises, Insee (2014-2019) ; données de couverture Internet de l’Agence du numérique (2013-2018).

Méthodologie

50 Des entretiens préliminaires avec plusieurs réseaux d’initiative publique (RIP) nous ont indiqué que la fibre est déployée en priorité dans certaines communes. En particulier, les déploiements ont souvent lieu en premier dans les communes les plus peuplées et les plus accessibles puisque cela permet aux collectivités d’avoir un retour sur investissement rapide.

51 Pour tenter de contrôler ces facteurs, nous mobilisons des méthodes quasi expérimentales d’évaluation de politiques publiques. La structure des données de l’enquête TIC-entreprises correspond à des coupes répétées. Autrement dit, nous ne pouvons pas observer l’évolution d’une même entreprise au cours temps, ce qui nous empêche de contrôler pour les caractéristiques propres à chaque entreprise et constantes dans le temps. Cette structure de données apporte ses défis propres pour évaluer de façon causale l’effet de l’accès à la fibre. La méthode la plus appropriée qu’il nous est possible d’utiliser est l’appariement [18]. Comme nous l’expliquons par la suite, nous tentons ainsi de contrôler le maximum de facteurs potentiellement corrélés à la fibre. Néanmoins, les résultats doivent être interprétés avec précaution puisque certains facteurs inobservés peuvent demeurer.

52 L’hypothèse centrale de cette méthode est que les unités de contrôle sont des contrefactuels plausibles aux unités traitées conditionnellement à un ensemble de caractéristiques observables [19]. Comme détaillé par la suite, nous utilisons de nombreuses variables d’appariement pour essayer de s’approcher au mieux de la plausibilité d’une interprétation causale, celle-ci restant néanmoins, par nature, une hypothèse. Nous rappelons d’abord le principe général de la méthode avant de présenter son application aux données de l’enquête TIC-entreprises.

Principe

53 L’estimation de l’effet de l’accès à la fibre sur les usages numériques se fait en deux étapes : 1) un appariement, et 2) une estimation.

Étape 1 : appariement

54 La méthode requiert de définir deux groupes d’entreprises : le groupe des entreprises traitées et le groupe de contrôle. Le groupe des traitées est composé des entreprises implantées dans une commune disposant d’un accès à la fibre, le groupe de contrôle étant composé des autres entreprises [20]. Ensuite, chaque entreprise traitée est appariée à une entreprise de contrôle en se basant sur un ensemble de variables afin de constituer un échantillon similaire d’entreprises traitées et de contrôle.

55 Il y a de nombreuses façon de réaliser un appariement. En raison du nombre relativement élevé de variables d’appariement [21], nous recourons à un appariement par le score de propension (Rosenbaum et Rubin [1983]). Ce dernier correspond à la probabilité de faire partie du groupe de traités en fonction des caractéristiques observables. Mathématiquement :

\(\begin{equation} p\left(W_i\right)=E\left(T_i \mid W_i\right)\end{equation}\) (2)

56 avec p(Wi) le score de propension, Wi l’ensemble des variables d’appariement de l’entreprise i et Ti une indicatrice valant 1 si l’observation i est traitée, 0 sinon. Le score de propension est estimé avec un modèle Logit de telle sorte que :

\(\begin{equation} p\left(W_i\right)=E\left(T_i \mid W_i\right)=\operatorname{}Logit\left(\hat{\beta} W_i\right)\end{equation}\) (3)

57 avec\(\begin{equation}\hat{\beta}\end{equation}\) le vecteur de coefficients estimé par le modèle Logit.

58 Chaque observation traitée est ensuite appariée à l’unité de contrôle ayant le score de propension le plus proche. Le résultat de cette étape est donc un nouvel échantillon, plus restreint que l’échantillon initial, et un score de propension qui sera utilisé pour pondérer les unités de contrôle.

Étape 2 : estimation de l’impact du traitement

59 Dans la seconde étape, nous estimons le modèle suivant sur l’échantillon d’entreprises appariées :

\(\begin{equation} y_i=\alpha+\gamma T_i+\varepsilon_i \text {, }\end{equation}\) (4)

60yi est une variable caractérisant la pratique numérique (p. ex. : avoir un site Web, recourir au cloud computing) de l’entreprise i. La variable Ti vaut 1 si la commune de l’entreprise i dispose de la fibre l’année précédant l’enquête, 0 sinon. Le coefficient d’intérêt est ici γ qui correspond à l’effet du traitement pour les unités traitées (i.e. average treatment effect for the treated, ou ATT). Plus généralement, nous ne sommes pas contraints par la forme linéaire, et l’ATT peut être estimé par :

\(\begin{equation} E\left(y_i \mid T_i\right)=f\left(\alpha+\gamma T_i\right) \end{equation}\) (5)

61 avec f une fonction qui lie les variables explicatives à l’espérance de la variable dépendante, cela incluant toute forme non linéaire, comme par exemple le modèle Logit. Comme expliqué par la suite, les estimations sont pondérées à la fois par le poids lié à l’appariement et par les poids fournis dans l’enquête TIC-entreprises.

62 Si l’effet moyen du traitement peut être obtenu en calculant simplement la différence de moyenne des usages numériques entre les entreprises traitées et de contrôle appariées, nous préférons recourir ici à un modèle de régression. D’une part, cela permet de tenir compte de la structure des données mobilisées, et en particulier d’appliquer les pondérations issues de l’enquête TIC-entreprises (voir section suivante). D’autre part, le modèle de régression permet d’introduire des variables de contrôle et ainsi d’améliorer la performance des estimations, notamment lorsque de légères différences de caractéristiques persistent entre le groupe des entreprises traitées et le groupe de contrôle à la suite de la procédure d’appariement (Elder et Jepsen [2014] ; Lenis et al. [2019]). Enfin, l’estimation d’un modèle de régression permet de tester plus formellement si l’effet du traitement varie significativement entre différents groupes d’entreprises (voir section « Résultats »).

Opérationnalisation sur les données de l’enquête TIC-entreprises

Variables d’appariement

63 Pour réaliser l’appariement, on sélectionne un ensemble de variables suspectées d’être corrélées avec le déploiement de la fibre et les usages numériques des entreprises.

64 Comme le traitement (l’accès à la fibre) a lieu au niveau communal, il est nécessaire que les communes des unités traitées et de contrôle soient les plus similaires possible, car certaines caractéristiques communales peuvent affecter les usages numériques des entreprises. On introduit cinq variables d’appariement au niveau communal. Comme les communes les plus grandes ont une probabilité plus élevée d’être couvertes (en raison d’un nombre espéré d’abonnés supérieur), on contrôle pour la population totale et le nombre total d’établissements. De même, comme les communes plus accessibles devraient bénéficier de la fibre plus précocement (en raison de coûts de déploiement inférieurs), on introduit une indicatrice de zone montagneuse et de proximité à la ville moyenne la plus proche. Enfin, on s’attend à ce que les déploiements de fibre, qui s’appuient sur le réseau déjà existant, soient effectués prioritairement dans les communes déjà relativement bien couvertes en THD. De ce fait, on contrôle également pour une muette indiquant si la commune souffrait initialement d’un mauvais accès au THD (moins de 25 % des locaux couverts en THD). Ces variables sont mesurées en 2013, avant la détermination du calendrier de déploiement au sein des RIP.

65 On introduit également des variables d’appariement au niveau de l’entreprise afin de renseigner leur taille, leur structure organisationnelle (mono ou multi-établissement), leur âge et leur secteur d’activité [22]. Contrairement aux variables communales, qui sont mesurées en 2013, ces variables sont mesurées l’année du traitement (il n’est en effet pas possible de mesurer les caractéristiques de l’ensemble des entreprises en 2013 puisque certaines d’entre elles sont créées ultérieurement).

66 Enfin, pour effectuer l’appariement nous introduisons également des indicatrices pour chaque département et chaque année. Les variables d’appariement sont décrites dans le tableau A2 en annexe.

67 Par ailleurs, les variables dépendantes ne sont pas toutes disponibles pour les mêmes années (p. ex. : nous disposons d’informations annuelles sur toute la période pour les sites Web mais seulement deux années d’observations pour les outils collaboratifs ; cf. tableau 1). Cela implique que nous disposons de différents échantillons en fonction des différentes variables dépendantes. Pour chaque échantillon, nous effectuons un appariement qui prend en compte les informations pour les années disponibles. Il y a donc autant d’appariements que d’échantillons [23].

68 Une fois l’appariement réalisé, nous effectuons des estimations pour obtenir l’impact de l’accès à la fibre sur les pratiques numériques des entreprises (équation 5). Dans le cas des variables d’usages binaires (p. ex. : site Web, GRC, cloud computing), on recourt à un modèle Logit tandis que pour les variables d’usages en proportion (p. ex. : part des salariés utilisant un ordinateur) on recourt à un modèle Tobit.

Adaptation de la méthode aux données d’enquête

69 Bien que la méthode de l’appariement par le score de propension soit très répandue, peu d’indications ont été fournies sur la façon de la mettre en œuvre lorsqu’on utilise des données d’enquête. De ce fait, la plupart des travaux appliquant cette méthode à des données d’enquête ne tiennent pas compte de leur structure souvent complexe (pondération, stratification, etc.). Pourtant, la non-application des pondérations risque de compromettre la validité externe de l’analyse, puisque les effets ainsi estimés sont valables pour l’échantillon mais non représentatifs de la population cible dans son ensemble (DuGoff, Schuler et Stuart [2014]).

70 Quelques travaux fournissent toutefois des recommandations sur la façon de mettre en œuvre la méthode de l’appariement dans le cadre de données d’enquête (Austin, Jembere et Chiu [2018] ; DuGoff, Schuler et Stuart [2014] ; Lenis et al. [2019] ; Ridgeway et al. [2015] ; Zanutto [2006]). Les auteurs soulèvent plusieurs questions : faut-il utiliser les poids de l’enquête lors de l’estimation du score de propension ? lors du test d’égalité des covariables entre traités et contrôles ? lors de l’estimation de l’effet du traitement ?

71 Concernant la première question, la majorité des travaux indiquent qu’il n’est pas nécessaire de prendre en compte les poids de l’enquête lors de l’estimation du score de propension. DuGoff, Schuler et Stuart [2014] indiquent cependant qu’ajouter la variable de pondération de l’enquête parmi les variables d’appariement permet d’en améliorer la qualité. Nous retenons donc la méthode de DuGoff, Schuler et Stuart lors de l’estimation du score de propension.

72 À notre connaissance, seuls Lenis et al. [2019] ont examiné s’il était préférable d’appliquer la pondération au moment du test d’égalité des covariables entre traités et contrôles. Nous suivons donc leur recommandation selon laquelle il convient d’appliquer les poids de l’enquête lors de ce test.

73 Enfin, les travaux concluent de manière unanime qu’il est nécessaire de prendre en compte les poids de l’enquête au moment de l’estimation de l’effet moyen du traitement. De plus, dans le cas où l’appariement génère des pondérations, il convient de recalculer un poids final, égal au produit du poids de l’enquête et du poids issu de la méthode de l’appariement (DuGoff, Schuler et Stuart [2014] ; Ridgeway et al. [2015]).

Résultats

Appariement

74 Le tableau 6 examine les caractéristiques des entreprises traitées et non traitées. La colonne 1 compare les entreprises traitées à l’ensemble des entreprises non traitées tandis que la colonne 2 compare uniquement les entreprises traitées et celles du groupe de contrôle appariées. Avant appariement, les entreprises qui bénéficient du déploiement de la fibre en premier sont significativement différentes des autres : elles sont situées dans des communes plus grandes, plus accessibles (plus proches d’une ville moyenne et moins souvent en zone de montagne) et qui disposaient déjà d’un meilleur accès au THD initialement.

75 Le ciblage prioritaire des communes plus grandes et plus accessibles a logiquement conduit certains types d’entreprises à bénéficier de la fibre de manière plus précoce. Ainsi, les entreprises plus grandes, avec plusieurs établissements et dans les secteurs du commerce-transport-hébergement et du tertiaire supérieur bénéficient plus souvent de la fibre que les autres. Ce résultat n’est guère surprenant puisque ce type d’entreprises est davantage présent dans les pôles de l’espace rural.

76 Le tableau 7 présente les résultats de l’estimation des scores de propension obtenus avec un modèle Logit. L’estimation du modèle est satisfaisante avec 83 % des observations correctement classées. Les résultats obtenus sont cohérents : la probabilité de bénéficier de la fibre est positivement corrélée à la taille et à l’accessibilité de la commune, et négativement corrélée à une mauvaise couverture initiale en THD. De plus, les entreprises plus petites et appartenant au secteur manufacturier sont situées dans des communes qui bénéficient moins souvent de la fibre.

77 L’estimation du modèle Logit permet de calculer les scores de propension. Les entreprises traitées et non traitées sont ensuite appariées selon la méthode du voisin le plus proche (avec remplacement) et les entreprises hors support commun sont éliminées [24] (selon le critère du minimum-maximum). La distribution des scores de propension avant et après l’appariement indique qu’ils se chevauchent de manière satisfaisante après appariement (cf. figure A1 en annexe). De plus, une fois l’échantillon restreint aux entreprises appariées, les traitées et les non traitées ont des caractéristiques similaires, sauf que les entreprises traitées sont significativement plus souvent des entreprises mono-établissements (colonne 2 du tableau 6). Pour tenir compte de cette différence entre groupe des traitées et groupe de contrôle, nous introduisons une muette « mono-établissement » dans le modèle destiné à estimer l’impact de la fibre (voir section suivante). Notons toutefois que la surreprésentation de mono-établissements parmi les entreprises traitées pourrait conduire à un biais d’atténuation (l’hypothèse, qui sera confirmée par la suite, étant que les entreprises mono-établissements ont moins d’intérêt à utiliser les outils numériques).

Tableau 6

Comparaison des caractéristiques des entreprises traitées et non traitées

(1)
Avant appariement
(2)
Après appariement
TraitéesContrôlesDifférenceTraitéesContrôlesDifférence
Variables communales
Population8,524,344,18***7,89,12– 1,31
Stock établissements1,371,73– 0,36***1,371,4– 0,03
Proximité ville moyenne0,320,160,16***0,310,33– 0,02
Montagne0,120,15– 0,03***0,120,120
Mauvais accès THD0,550,63– 0,07***0,560,550,01
Variables au niveau entreprise
Taille
0-9 salariés0,110,15– 0,04***0,110,090,02
10-49 salariés0,640,73– 0,09***0,640,640
50-249 salariés0,190,110,09***0,190,21– 0,02
> 249 salariés0,050,010,04***0,050,06– 0,01
Mono-établissement0,460,77– 0,32***0,460,290,16
Âge
0-5 ans0,110,110,010,110,15– 0,04
6-9 ans0,090,11– 0,02***0,090,080,01
> 10 ans0,80,780,020,80,770,03
Secteur
Manufacture0,260,28– 0,02**0,270,250,02
Construction0,130,21– 0,09***0,120,16– 0,04
Commerce, transport, hébergement0,440,390,04***0,440,430,01
Tertiaire supérieur0,110,050,06***0,110,090,01
Autres services0,070,060,010,060,07– 0,01
N (non pondéré)4 30913 769-4 2292 182-
N (pondéré)64 416314 703-63 37238 036-
# hors support (non pondéré)---80--
# hors support (pondéré)---1 044--
tableau im9

Comparaison des caractéristiques des entreprises traitées et non traitées

Note : † Pour les variables continues, un test de Student a été réalisé. Pour les variables binaires, un test du Chi-deux a été réalisé. * p < 0,1, ** p < 0,05, *** p < 0,01.
Tableau 7

Estimation du score de propension (modèle Logit)

Variables au niveau communal
Population 1,058***
(0,010)
Population² 1,000
(0,000)
Stock établissements 1,021
(0,039)
Stock établissements² 0,997
(0,003)
Proximité ville moyenne 1,436***
(0,096)
Montagne 0,761***
(0,078)
Mauvais accès THD 0,770***
(0,038)
Variables au niveau entreprise
Taille (réf. : > 249)
0-9 salariés 0,277***
(0,034)
10-49 salariés 0,259***
(0,022)
50-249 salariés 0,412***
(0,030)
Mono-établissement 0,133***
(0,006)
Âge (réf. : > 10 ans)
0-5 ans 1,250**
(0,109)
6-9 ans 1,004
(0,083)
Secteur (réf. : autres services)
Manufacture 0,664***
(0,070)
Construction 0,848
(0,103)
Commerce, transport, hébergement 1,140
(0,117)
Tertiaire supérieur 1,948***
(0,242)
Pondération enquête 0,990***
(0,003)
Muettes départementsOui
Muettes annéesOui
N (non pondéré)18 078
% correctement classés83,30 %
Pseudo R20,357
tableau im10

Estimation du score de propension (modèle Logit)

Note : Rapports de cote reportés. Écarts types entre parenthèses. * p < 0,1, ** p < 0,05, *** p < 0,01.

Impact moyen du programme

78 Les tableaux 8, 9, et 10 présentent l’impact moyen du programme sur les usages peu avancés, les usages plus avancés et le commerce électronique des entreprises. Dans le cas des variables d’usages binaires (modèle Logit), on reporte les rapports des cotes.

79 Pour chaque usage, on propose quatre estimations : 1) le modèle de base, dans lequel on régresse simplement la variable binaire de traitement sur la variable d’usage numérique correspondante (colonne 1) ; 2) le « modèle de base augmenté », dans lequel on introduit en plus une indicatrice « mono-établissement » pour contrôler les différences de structures organisationnelles entre entreprises traitées et entreprises non traitées (colonne 2) ; 3) le modèle de base augmenté estimé en incluant uniquement les entreprises disposant de THD (30-100 Mbps) dans le groupe de contrôle [25] (colonne 3) ; 4) le modèle de base augmenté en excluant du groupe des traitées les entreprises situées dans une commune où moins de 5 % des locaux sont couverts en fibre [26] (colonne 4). Les colonnes 3 et 4 reportent donc les estimations de l’ATT obtenues en modifiant la définition du groupe des traitées et du groupe de contrôle.

80 D’après nos estimations, le plan FTHD encourage certaines pratiques en ligne dans les espaces peu denses. Plus précisément, les entreprises situées dans des communes ayant accès à la fibre ont à la fois des usages peu avancés (utilisation d’Internet, d’ordinateurs, site Web) et complexes (cloud computing, PGI, GRC) plus développés. Les effets ne sont pas négligeables. D’après notre spécification préférée (colonne 2) [27], l’accès à la fibre augmenterait la part des salariés utilisant un ordinateur de 8 points de pourcentage et celle des salariés utilisant Internet de 11 points de pourcentage. L’accès à la fibre augmenterait également la probabilité d’avoir un site Web, d’utiliser un PGI ou de recourir au cloud computing de 1,3, et celle d’utiliser la GRC de 1,5.

81 Si l’effet de la fibre sur l’adoption d’outils avancés n’est pas surprenant (Nicoletti, Rueden et Andrews [2020]), son impact sur les usages peu avancés, accessibles avec des débits moins rapides, est plus inattendu. Trois raisons peuvent en être à l’origine. Premièrement, en favorisant l’utilisation d’outils complexes, l’accès à la fibre accroît mécaniquement les usages peu avancés (on ne peut accéder au cloud sans utiliser Internet). Deuxièmement, la plupart des variables d’usages peu avancés affectés par la fibre sont mesurées ici en termes d’intensité et non d’adoption. Or, comme cela a été discuté dans la revue de littérature, on s’attend à ce que la fibre facilite l’adoption d’outils avancés avec des besoins importants de bande passante, mais également un usage plus intensif des outils peu avancés. Troisièmement, l’impact estimé ici (colonne 2) capte à la fois l’effet de la fibre (> 100 Mbps), du THD (30-100 Mbps) et du bon HD (8-30 Mbps) [28]. On peut donc se demander si, pour les usages peu avancés, l’impact estimé ici reflète réellement un effet pur de la fibre ou plutôt l’effet de l’accès à des classes de débit inférieures. Pour le savoir, on restreint le groupe de contrôle aux entreprises ayant accès à 30-100 Mbps (colonne 3), de sorte à ne capter que l’effet additionnel de la fibre. Si, pour la plupart des usages, modifier la définition du groupe de contrôle ne change rien, cela engendre néanmoins une diminution de l’impact du traitement pour l’utilisation d’ordinateurs et d’Internet. Ce résultat indique que ces deux usages peu avancés semblent donc dépendre non seulement de l’accès à la fibre mais aussi (surtout ?) de l’accès à des débits moindres. Notons toutefois que, même si l’impact de la fibre sur l’usage d’Internet et d’ordinateurs diminue, celui-ci demeure significatif, ce qui indique que l’accès à la fibre favorise vraisemblablement un usage plus intensif des outils peu avancés.

82 Par ailleurs, changer la définition du groupe de traitement (colonne 4) n’engendre pas de modification notable des résultats. Inclure au sein du groupe des traitées des entreprises situées dans des communes ayant un taux de couverture en fibre faible ne semble donc pas sous-estimer l’effet moyen du traitement. La question de l’effet de l’intensité de la couverture sera examinée davantage par la suite.

83 Enfin, si la fibre a un effet significatif sur une majorité d’usages, elle n’a pas d’impact sur l’utilisation des médias sociaux et des outils collaboratifs et sur le commerce en ligne. L’absence d’effet sur la probabilité d’usage des outils collaboratifs est particulièrement surprenante puisque ce type de pratique (p. ex. : visioconférence) requiert un débit rapide et symétrique. Une explication potentielle est que seules les enquêtes TIC-entreprises de 2015 et 2017 renseignent sur l’usage de ces outils, et donc, pour cet usage, on ne mesure que l’effet de la couverture fibre en 2014 et 2016 qui était alors encore très limitée. Une autre explication possible est que l’usage des outils collaboratifs requiert que les partenaires disposent également d’une connexion rapide et de qualité, ce dont notre analyse ne tient pas compte.

Tableau 8

Impact moyen de la fibre sur les usages peu avancés

(1)
Baseline
(2)
Mono-étab.
(3)
GC3 (30-100)
(4)
GT : couv. > 5 %
Ordinateur : intensité
Traitement6,610**8,378***4,974*6,527**
(2,725)(2,689)(2,764)(2,687)
Mono-établissement-– 12,991***– 11,101***– 9,654***
-(2,521)(2,724)(2,753)
N (non pondéré)2 6812 6812 6501 927
N (pondéré)47 76647 76647 47835 582
Internet : intensité
Traitement9,163***10,648***7,530***9,906***
(1,848)(1,803)(1,856)(2,202)
Mono-établissement-– 8,980***– 9,535***– 9,901***
-(1,611)(1,678)(2,151)
N (non pondéré)6 4116 4116 3394 925
N (pondéré)129 559129 559130 412105 568
Site Web
Traitement1,230*1,299**1,393***1,368**
(0,143)(0,141)(0,147)(0,190)
Mono-établissement-0,724***0,712***0,736**
-(0,076)(0,074)(0,107)
N (non pondéré)6 4116 4116 3394 925
N (pondéré)129 559129 559130 412105 568
Médias sociaux
Traitement1,0711,1061,0191,169
(0,099)(0,102)(0,102)(0,140)
Mono-établissement-0,663***0,639***0,651***
-(0,060)(0,061)(0,075)
N (non pondéré)4 5884 5884 5183 365
N (pondéré)88 98788 98787 33172 435
tableau im11

Impact moyen de la fibre sur les usages peu avancés

Note : Un modèle Tobit est estimé pour les variables d’usages en proportion (Ordinateur : intensité ; Internet : intensité). Un modèle Logit est estimé pour les variables d’usages binaires (Site Web ; Médias sociaux). Pour les modèles Logit, on reporte les rapports de cote. Écarts types entre parenthèses. * p < 0,1, ** p < 0,05, *** p < 0,01.
Tableau 9

Impact moyen de la fibre sur les pratiques plus avancées

(1)
Baseline
(2)
Mono-étab.
(3)
GC3 (30-100)
(4)
GT : couv. > 5 %
Cloud computing
Traitement1,2451,303*1,373**1,486**
(0,196)(0,200)(0,207)(0,252)
Mono-établissement-0,753*0,752**0,919
-(0,111)(0,108)(0,154)
N (non pondéré)3 0773 0773 0172 350
N (pondéré)61 16561 16559 31947 136
PGI
Traitement1,2201,304**1,425***1,460***
(0,155)(0,161)(0,178)(0,183)
Mono-établissement-0,688***0,618***0,644***
-(0,081)(0,072)(0,077)
N (non pondéré)4 0134 0133 9833 027
N (pondéré)80 08180 08179 12863 198
GRC
Traitement1,380***1,482***1,474***1,753***
(0,166)(0,180)(0,185)(0,226)
Mono-établissement-0,667***0,516***0,530***
-(0,079)(0,059)(0,065)
N (non pondéré)4 0134 0133 9833 027
N (pondéré)80 08180 08179 12863 198
Outils collaboratifs
Traitement0,8330,9061,2051,221
(0,133)(0,143)(0,177)(0,222)
Mono-établissement-0,448***0,464***0,469***
-(0,073)(0,075)(0,090)
N (non pondéré)1 9151 9152 0461 444
N (pondéré)35 04935 04937 42827 964
tableau im12

Impact moyen de la fibre sur les pratiques plus avancées

Note : Un modèle Logit a été estimé pour chacune des variables d’usages (cloud computing, PGI, GRC, outils collaboratifs). Rapports de cote reportés. Écarts types entre parenthèses. * p < 0,1, ** p < 0,05, *** p < 0,01.
Tableau 10

Impact moyen de la fibre sur le commerce électronique

(1)
Baseline
(2)
Mono-étab.
(3)
GC3Fibre (30-100)
(4)
GT : couv. > 5 %
Ventes Web-EDI : adoption
Traitement0,9160,9611,0191,104
(0,098)(0,100)(0,102)(0,133)
Mono-établissement-0,740***0,727***0,680***
-(0,071)(0,068)(0,079)
N (non pondéré)6 4116 4116 3394 925
N (pondéré)129 559129 559130 412105 568
Ventes Web-EDI : intensité
Traitement– 2,318– 0,949– 0,2612,127
(2,953)(2,859)(2,911)(3,469)
Mono-établissement-– 9,160***– 9,037***– 12,356***
-(2,629)(2,777)(3,380)
N (non pondéré)6 4116 4116 3394 925
N (pondéré)129 559129 559130 412105 568
Achats Web-EDI
Traitement1,2421,2621,1691,250
(0,214)(0,210)(0,138)(0,174)
Mono-établissement-0,8530,9050,835
-(0,117)(0,116)(0,112)
N (non pondéré)3 9313 9313 6892 764
N (pondéré)68 97568 97567 62352 046
tableau im13

Impact moyen de la fibre sur le commerce électronique

Note : Un modèle Tobit est estimé pour les variables d’usages en proportion (Ventes Web-EDI : intensité). Un modèle Logit est estimé pour les variables d’usages binaires (Ventes Web-EDI : adoption; Achats Web-EDI). Pour les modèles Logit, on reporte les rapports de cote. Écarts types entre parenthèses. * p < 0,1, ** p < 0,05, *** p < 0,01.

Hétérogénéité de l’impact du programme

84 Après avoir examiné l’effet moyen de l’accès à la fibre, nous analysons maintenant si son impact varie selon les caractéristiques internes et externes des entreprises, ainsi que selon les modalités de son déploiement.

Hétérogénéité selon les caractéristiques des entreprises

85 On examine si l’impact de la fibre varie selon les caractéristiques suivantes des entreprises : l’âge, la structure organisationnelle, la taille et le secteur d’activité [29]. Pour cela, on introduit des interactions entre la variable d’accès à la fibre et les caractéristiques des entreprises dans le modèle (équation 5). Ces variables sont décrites dans le tableau A3 en annexe [30]. Comme cela se fait couramment, nous employons ici un modèle de régression linéaire, qui permet une grande facilité d’interprétation des résultats [31].

86 Les résultats sont reportés dans les tableaux 11 (usages peu avancés) et 12 (usages avancés). Comme les résultats pour le commerce électronique indiquent que la fibre a globalement peu d’effet, et ce quels que soient le type d’entreprises, le type de communes ou les modalités du déploiement, les résultats des tests d’hétérogénéité menés pour le commerce électronique sont reportés en annexe (tableaux A4-A6). Afin de faciliter la lecture des résultats, les tableaux reportent seulement l’effet du traitement estimé pour chaque catégorie d’entreprises. Les résultats complets sont disponibles sur demande.

87 Parmi toutes les caractéristiques des entreprises, c’est la taille et la structure organisationnelle qui conditionnent le plus l’effet du traitement. Concernant la taille : si la présence de fibre accroît l’usage des outils numériques dans les petites entreprises (< 50 salariés), l’impact est moins souvent significatif pour les entreprises intermédiaires (50-249 salariés) et quasiment inexistant pour les grandes entreprises (> 250 salariés). Cela ne signifie pas que les entreprises les plus grandes font moins usages des outils numériques, bien au contraire. En effet, les coefficients associés aux variables de taille introduites additivement dans le modèle indiquent que les grandes entreprises recourent significativement plus que les autres à certains outils numériques tels que les sites Web et la vente en ligne (résultats non reportés). En revanche, nos résultats indiquent que les pratiques numériques des grandes entreprises sont peu affectées par la disponibilité de la fibre dans leur commune. Une explication probable est que nous mesurons ici l’éligibilité à des offres de fibre mutualisée et non à des offres de fibre dédiée [32]. Or, les offres de fibre mutualisée, peu onéreuses et offrant un débit important mais asymétrique, correspondent généralement bien aux besoins des petites entreprises. Les offres de fibre dédiée (pour lesquelles nous ne disposons pas de données spécifiques) sont, quant à elles, davantage adaptées aux besoins et usages des grandes entreprises puisqu’elles garantissent une qualité de service élevée (débit ultra-rapide et symétrique, garantie de temps de rétablissement, sécurisation des données, etc.).

88 Par ailleurs, si la disponibilité de la fibre accroît significativement les pratiques numériques des entreprises multi-établissements, l’effet n’est presque jamais significatif pour les entreprises mono-établissements. Logiquement, l’arrivée de la fibre engendre essentiellement un impact pour les premières, qui font face à des coûts de coordination supérieurs et ont donc davantage intérêt à s’emparer des outils numériques (et notamment de ceux, tels que les PGI, qui visent à optimiser le fonctionnement interne d’une entreprise).

Tableau 11

Effet selon les caractéristiques des entreprises – usages peu avancés

(1)
Ordinateur : intensité
(2)
Internet : intensité
(3)
Site Web
(4)
Médias sociaux
Effet selon l’âge
0-5 ans10,50511,213**– 0,0341,010
(7,618)(5,670)(0,107)(0,067)
6-9 ans4,7226,7900,0730,904
(6,469)(4,525)(0,064)(0,063)
≥ 10 ans5,916***8,813***0,063***1,041*
(2,195)(1,390)(0,021)(0,026)
N (non pondéré)2 6816 4116 4114 588
N (pondéré)47 766129 559129 55988 987
Effet selon la structure organisationnelle
Mono-établissement4,6103,322*0,0211,009
(3,438)(1,855)(0,032)(0,031)
Multi-établissement8,181***12,964***0,071**1,035
(3,077)(2,255)(0,031)(0,031)
N (non pondéré)2 6816 4116 4114 588
N (pondéré)47 766129 559129 55988 987
Effet selon la taille
< 50 salariés7,561**9,370***0,060*1,016
(3,040)(2,113)(0,032)(0,027)
50-249 salariés6,959**9,880***0,0381,079**
(3,372)(2,096)(0,024)(0,040)
> 249 salariés1,7537,895**– 0,0140,932
(3,554)(3,302)(0,018)(0,047)
N (non pondéré)2 6816 4116 4114 588
N (pondéré)47 766129 559129 55988 987
Effet selon le secteur
Manufacture, const.7,540**7,571***0,0351,055*
(3,261)(2,409)(0,037)(0,031)
Comm., transp., héb.7,990***11,206***0,068**1,015
(2,830)(1,926)(0,032)(0,036)
Services4,4885,8120,0601,008
(4,489)(3,809)(0,048)(0,054)
N (non pondéré)2 6816 4116 4114 588
N (pondéré)47 766129 559129 55988 987
tableau im14

Effet selon les caractéristiques des entreprises – usages peu avancés

Note : Modèles de régression linéaire (voir note de bas de page 31). Écarts types entre parenthèses. Le tableau reporte l’effet du traitement recalculé pour chaque catégorie d’entreprises (p. ex. : entreprises de moins de 5 ans, de 6 à 9 ans, de plus de 10 ans). Chaque modèle inclut des variables de contrôle (mono-établissement et, le cas échéant, variables muettes pour l’âge, la taille et le secteur) ; les coefficients associés à ces variables ne sont pas reportés dans le tableau. * p < 0,1, ** p < 0,05, *** p < 0,01.
Tableau 12

Effet selon les caractéristiques des entreprises – usages avancés

(1)
Cloud computing
(2)
PGI
(3)
GRC
(4)
Outils collaboratifs
Effet selon l’âge
0-5 ans1,080**1,0841,221***0,926
(0,039)(0,129)(0,075)(0,085)
6-9 ans1,0421,1341,0000,976
(0,061)(0,091)(0,085)(0,085)
≥ 10 ans1,0241,0461,067***0,993
(0,023)(0,031)(0,026)(0,031)
N (non pondéré)3 0774 0134 0131 915
N (pondéré)61 16580 08180 08135 049
Effet selon la structure organisationnelle
Mono-établissement1,0141,0080,9710,952
(0,028)(0,046)(0,036)(0,035)
Multi-établissement1,047*1,103**1,152***0,999
(0,027)(0,044)(0,034)(0,039)
N (non pondéré)3 0774 0134 0131 915
N (pondéré)61 16580 08180 08135 049
Effet selon la taille
< 50 salariés1,033*1,074**1,069**0,988
(0,019)(0,038)(0,030)(0,029)
50-249 salariés1,0271,0271,104**0,970
(0,056)(0,041)(0,048)(0,064)
> 249 salariés1,0211,0511,122*0,978
(0,071)(0,060)(0,072)(0,062)
N (non pondéré)3 0774 0134 0131 915
N (pondéré)61 16580 08180 08135 049
Effet selon le secteur
Manufacture, const.0,9831,0461,080**0,914*
(0,027)(0,062)(0,040)(0,045)
Comm., transp., héb.1,076**1,132***1,111***1,016
(0,032)(0,047)(0,037)(0,036)
Services1,0430,9671,0091,051
(0,057)(0,063)(0,061)(0,086)
N (non pondéré)3 0774 0134 0131 915
N (pondéré)61 16580 08180 08135 049
tableau im15

Effet selon les caractéristiques des entreprises – usages avancés

Note : Modèles de régression linéaire (voir note de bas de page 31). Écarts types entre parenthèses. Le tableau reporte l’effet du traitement recalculé pour chaque catégorie d’entreprises (p. ex. : entreprises de moins de 5 ans, de 6 à 9 ans, de plus de 10 ans). Chaque modèle inclut des variables de contrôle (mono-établissement et, le cas échéant, variables muettes pour l’âge, la taille et le secteur) ; les coefficients associés à ces variables ne sont pas reportés dans le tableau. * p < 0,1, ** p < 0,05, *** p < 0,01.

89 L’effet du traitement conditionnellement à l’âge est moins évident. En effet, la couverture fibre semble stimuler davantage à la fois les usages numériques des entreprises les plus jeunes (< 5 ans) et ceux des plus anciennes (> 10 ans). Cependant, de manière intéressante, la fibre favorise l’émergence d’usages différents selon l’âge des entreprises. Ainsi, elle accroît significativement plus le recours à la GRC et au cloud computing dans les entreprises les plus récentes, qui ont le plus à gagner de ces outils [33] (les jeunes entreprises bénéficient en effet particulièrement de l’adoption de la GRC, qui leur permet d’accroître leurs ventes, et du cloud computing, qui leur permet de réduire leurs investissements).

90 Enfin, les résultats par secteur indiquent que la couverture en fibre stimule significativement les usages numériques des entreprises de la manufacture-construction et du commerce-transport-hébergement mais n’a quasiment pas d’impact dans le secteur des services. Malheureusement, le manque d’observations nous a contraint à créer des catégories sectorielles très agrégées, regroupant des activités fortement hétérogènes en termes de pratiques numériques. En particulier, l’absence d’impact de la fibre pour les entreprises du tertiaire masque vraisemblablement une forte hétérogénéité entre les entreprises opérant dans des domaines qui ont beaucoup à gagner des outils numériques (p. ex. : « Information et communication ») et celles de secteurs moins numérisés (p. ex. : « Activités de services administratifs et de soutien »).

Hétérogénéité selon l’environnement externe des entreprises

91 On examine à présent si l’impact de la fibre varie selon le degré de ruralité du territoire et la présence de fournisseurs en équipements et services informatiques [34]. Comme précédemment, le test est réalisé en introduisant des variables interactives dans le modèle de régression linéaire.

92 Pour tenir compte du degré de ruralité des territoires, nous utilisons le zonage en aires urbaines de l’Insee et classons les communes en quatre types d’espaces : les grands pôles urbains, les zones périurbaines, les pôles moyens et petits, les communes rurales [35] (cf. annexe A3 pour plus de détails).

93 Les résultats sont reportés dans les tableaux 13 (usages peu avancés) et 14 (usages avancés). L’impact du plan FTHD dépend du degré de ruralité du territoire dans lequel se situent les entreprises. D’après nos estimations, la fibre est essentiellement associée à une hausse des usages numériques dans les espaces périurbains. En revanche, le plan n’a que peu d’effet dans les grands pôles urbains et les petits et moyens pôles, et aucun effet dans le rural. Ces résultats sont conformes à ceux de Mack [2015] et de Duvivier et al. [2021] selon lesquels le THD a davantage d’impact dans les espaces intermédiaires, caractérisés à la fois par une capacité d’appropriation des outils élevée (niveau de capital humain et externalités informationnelles relativement élevés) et des incitations fortes à les utiliser (en raison de l’éloignement des partenaires et des clients, et des coûts d’information et de coordination supérieurs).

94 Par ailleurs, l’impact de la fibre n’est pas plus faible pour les entreprises situées dans des bassins de vie dépourvus de fournisseurs en équipements et services informatiques. Des résultats similaires sont obtenus lorsque l’on considère séparément les fournisseurs d’équipements et de services informatiques. Ce résultat contredit donc l’idée selon laquelle l’absence de fournisseurs d’équipements et de services informatiques limite l’effet des politiques de déploiement dans les espaces peu denses.

Tableau 13

Effet selon les caractéristiques des communes – usages peu avancés

(1)
Ordinateur : intensité
(2)
Internet : intensité
(3)
Site Web
(4)
Médias sociaux
Effet selon le degré de ruralité
Grands pôles urbains8,5859,183**0,0191,021
(6,016)(4,281)(0,048)(0,048)
Périurbain6,358**9,393***0,070*1,048
(3,144)(2,029)(0,036)(0,037)
Petits et moyens pôles1,29211,110***0,107***1,006
(4,054)(2,754)(0,041)(0,046)
Rural5,3595,642*0,0120,990
(3,712)(3,053)(0,048)(0,052)
N (non pondéré)2 6816 4116 4114 588
N (pondéré)47 766129 559129 55988 987
Effet selon la présence d’équipements et de services informatiques
Présence9,096*13,415***0,0661,015
(5,478)(3,539)(0,048)(0,040)
Absence5,351**6,692***0,043*1,031
(2,187)(1,533)(0,024)(0,028)
N (non pondéré)2 6816 4116 4114 588
N (pondéré)47 766129 559129 55988 987
tableau im16

Effet selon les caractéristiques des communes – usages peu avancés

Note : Modèles de régression linéaire (voir note de bas de page 31). Écarts types entre parenthèses. Le tableau reporte l’effet du traitement recalculé pour chaque catégorie d’entreprises (p. ex. : situées dans une commune appartenant à un grand pôle urbain, au périurbain, à un petit ou moyen pôle, au rural). Chaque modèle inclut des variables de contrôle (mono-établissement et, le cas échéant, variables muettes pour le type d’espace ou la présence d’équipements et services informatiques) ; les coefficients associés à ces variables ne sont pas reportés dans le tableau. * p < 0,1, ** p < 0,05, *** p < 0,01.
Tableau 14

Effet selon les caractéristiques des communes – usages avancés

(1)
Cloud computing
(2)
PGI
(3)
GRC
(4)
Outils collaboratifs
Effet selon le degré de ruralité
Grands pôles urbains1,0271,270***1,1240,957
(0,035)(0,116)(0,096)(0,055)
Périurbain1,060**1,145***1,109***0,994
(0,027)(0,049)(0,044)(0,051)
Petits et moyens pôles1,0311,0500,9520,954
(0,061)(0,066)(0,058)(0,055)
Rural0,9841,0261,1041,006
(0,052)(0,078)(0,074)(0,065)
N (non pondéré)3 0774 0134 0131 915
N (pondéré)61 16580 08180 08135 049
Effet selon la présence d’équipements et de services informatiques
Présence1,0291,241**1,0871,025
(0,034)(0,120)(0,094)(0,046)
Absence1,0351,101***1,077**0,963
(0,025)(0,036)(0,034)(0,034)
N (non pondéré)3 0774 0134 0131 915
N (pondéré)61 16580 08180 08135 049
tableau im17

Effet selon les caractéristiques des communes – usages avancés

Note : Modèles de régression linéaire (voir note de bas de page 31). Écarts types entre parenthèses. Le tableau reporte l’effet du traitement recalculé pour chaque catégorie d’entreprises (p. ex. : situées dans une commune appartenant à un grand pôle urbain, au périurbain, à un petit ou moyen pôle, au rural). Chaque modèle inclut des variables de contrôle (mono-établissement et, le cas échéant, variables muettes pour le type d’espace ou la présence d’équipements et services informatiques) ; les coefficients associés à ces variables ne sont pas reportés dans le tableau. * p < 0,1, ** p < 0,05, *** p < 0,01.

Hétérogénéité selon les modalités du déploiement

95 On examine enfin si l’impact varie selon les modalités de déploiement, et plus particulièrement selon le taux de couverture communal (part de locaux couverts en fibre dans la commune) et le nombre d’années écoulées depuis l’arrivée de la fibre.

96 Pour cela, on scinde la variable de traitement pour distinguer différents groupes d’entreprises traitées, en fonction du taux de couverture communal ou du nombre d’années écoulées depuis l’arrivée de la fibre dans la commune [36]. Pour tester si l’effet du plan est supérieur dans les communes bénéficiant de la fibre depuis plus longtemps, on restreint l’échantillon aux entreprises mono-établissements. En effet, il serait trop complexe de calculer une durée d’exposition à la fibre pour les entreprises multi-établissements dont l’indice de couverture est une moyenne pondérée de la couverture de leurs différents établissements.

97 Les résultats sont reportés dans les tableaux 15 (usages peu avancés) et 16 (usages avancés). D’après nos estimations, l’impact du plan n’est pas plus élevé dans les communes qui bénéficient d’un niveau de couverture supérieur. Une explication possible est que les entreprises, en partie concentrées dans les zones d’activités, sont probablement les premières à profiter de l’arrivée de la fibre dans une commune, et donc l’impact du plan varie peu une fois qu’un niveau minimal de locaux est couvert. Pour donner un ordre d’idée de ce niveau minimal, il apparaît ici que les déploiements additionnels ne favorisent plus la numérisation des entreprises une fois qu’environ 1/3 des locaux d’une commune disposent de la fibre.

Tableau 15

Effet selon les modalités du déploiement – usages peu avancés

(1)
Ordinateur : intensité
(2)
Internet : intensité
(3)
Site Web
(4)
Médias sociaux
Effet selon l’intensité du déploiement
≤ Q15,679*8,336***1,545***1,051
(3,290)(2,221)(0,227)(0,131)
> Q1 & ≤ Q211,611***13,990***1,297*1,229
(3,715)(2,403)(0,188)(0,159)
> Q2 & ≤ Q313,076***11,513***1,1030,955
(3,714)(2,377)(0,153)(0,127)
> Q33,0048,620***1,282*1,209
(3,430)(2,224)(0,177)(0,163)
N (non pondéré)2 6816 4116 4114 588
N (pondéré)47 766129 559129 55988 987
Effet selon le temps écoulé depuis l’arrivée de la fibre
Trois ans ou plus10,4073,5891,280*1,162
(7,360)(2,410)(0,191)(0,205)
Deux ans– 4,357– 0,1501,0940,963
(4,802)(2,646)(0,182)(0,183)
Un an0,6830,6841,1470,955
(5,010)(2,651)(0,184)(0,189)
N (non pondéré)5472 0132 0131 399
N (pondéré)16 29854 93954 93937 253
tableau im18

Effet selon les modalités du déploiement – usages peu avancés

Note : Un modèle Tobit est estimé pour les variables d’usages en proportion (Ordinateur : intensité ; Internet : intensité). Un modèle Logit est estimé pour les variables d’usages binaires (Site Web ; Médias sociaux). Pour les modèles Logit, on reporte les rapports de cote. Écarts types entre parenthèses. Le tableau reporte l’effet du traitement en fonction du niveau de couverture ou du temps écoulé depuis l’arrivée de la fibre dans la commune. * p < 0,1, ** p < 0,05, *** p < 0,01.

98 En revanche, l’effet du plan dépend fortement du nombre d’années écoulées depuis l’arrivée de la fibre. Pour les usages numériques affectés par la fibre [37], l’effet est uniquement significatif pour les entreprises situées dans les communes qui ont bénéficié de son déploiement depuis trois ans au moins. L’impact croissant du plan au cours du temps s’explique vraisemblablement par l’existence de délais dans l’appropriation de la fibre par les entreprises (prise de décision, externalités informationnelles et de réseau notamment).

Tableau 16

Effet selon les modalités du déploiement – usages avancés

(1)
Cloud computing
(2)
PGI
(3)
GRC
(4)
Outils collaboratifs
Effet selon l’intensité du déploiement
≤ Q11,483**1,476**1,468***0,763
(0,286)(0,226)(0,213)(0,149)
> Q1 & ≤ Q21,516**1,2371,467**0,869
(0,301)(0,195)(0,224)(0,178)
> Q2 & ≤ Q31,3431,2301,628***1,095
(0,277)(0,197)(0,264)(0,241)
> Q30,8061,2701,373*0,963
(0,182)(0,204)(0,235)(0,239)
N (non pondéré)3 0774 0134 0131 915
N (pondéré)61 16580 08180 08135 049
Effet selon le temps écoulé depuis l’arrivée de la fibre
Trois ans ou plus1,912**1,998***1,681**0,481
(0,600)(0,474)(0,377)(0,242)
Deux ans1,4291,2930,9491,014
(0,565)(0,291)(0,224)(0,362)
Un an1,5851,725**1,1290,564
(0,485)(0,375)(0,254)(0,230)
N (non pondéré)8022 6162 616456
N (pondéré)23 88046 88746 88713 602
tableau im19

Effet selon les modalités du déploiement – usages avancés

Note : Un modèle Logit a été estimé pour chacune des variables d’usages (cloud computing, PGI, GRC, outils collaboratifs). Rapports de cote reportés. Écarts types entre parenthèses. Le tableau reporte l’effet du traitement en fonction du niveau de couverture ou du temps écoulé depuis l’arrivée de la fibre dans la commune. * p < 0,1, ** p < 0,05, *** p < 0,01.

Conclusion

99 Cet article évalue l’impact du plan France Très Haut Débit sur la numérisation des entreprises, en considérant des usages peu avancés, des pratiques plus avancées, ainsi que le commerce en ligne. Comme nous disposons de données en coupe répétée, nous employons une méthode d’appariement par score de propension pour identifier l’effet de la fibre.

100 Nos résultats indiquent que le déploiement de la fibre encourage les entreprises situées dans les espaces peu denses à utiliser davantage certains outils numériques. De manière intéressante, la fibre favorise un usage plus intensif des outils peu avancés (p. ex. : utilisation d’Internet, d’ordinateurs) ainsi que l’adoption de services complexes (cloud computing, PGI, GRC), ces derniers étant encore relativement peu répandus dans les espaces peu denses. En revanche, la couverture en fibre n’est pas associée à une probabilité plus élevée d’usage des médias sociaux, des outils collaboratifs et du commerce en ligne.

101 Au-delà de l’impact moyen du plan FTHD, nos résultats indiquent que la fibre a des effets hétérogènes en fonction des caractéristiques des entreprises, de leur environnement externe et des modalités du déploiement. Ainsi, la fibre accroît significativement la numérisation des petites entreprises mais pas celle des grandes, probablement parce que nous mesurons ici l’éligibilité à des offres de fibre mutualisée, davantage adaptées aux besoins des petites structures. Le déploiement de la fibre est également essentiellement bénéfique aux entreprises multi-établissements, qui ont davantage intérêt à adopter des outils numériques en raison de leurs coûts de coordination supérieurs.

102 L’environnement externe conditionne également les retombées du déploiement. La fibre bénéficie principalement aux entreprises situées dans les zones périurbaines, qui ont à la fois des incitations fortes à utiliser les outils numériques et la capacité suffisante de se les approprier. Les retombées sont en revanche quasi inexistantes dans les espaces ruraux. Les données disponibles ne nous permettent pas toutefois d’en comprendre précisément les raisons. D’après nos résultats, le fait d’être éloigné des fournisseurs d’équipements et de services informatiques ne semble pas en être à l’origine. Les raisons tiennent donc probablement à la composition sectorielle et au niveau en capital humain de ces entreprises, ainsi qu’à la faiblesse de la concurrence et des externalités informationnelles et de réseau, comme cela a été discuté dans la littérature. Ainsi, même si l’absence de données sur le capital humain, le degré de concurrence et les externalités informationnelles et de réseau nous empêche de tester directement le rôle de ces facteurs dans notre modèle économétrique, certains résultats obtenus laissent penser qu’ils agissent de manière déterminante sur la numérisation des entreprises.

103 Par ailleurs, les retombées du plan ne sont pas immédiates, avec des effets significatifs qui apparaissent trois ans environ après l’arrivée de la fibre. Enfin, au-delà d’un certain seuil de locaux couverts, le déploiement additionnel de fibre optique ne semble pas stimuler davantage l’usage d’outils numériques par les entreprises.

104 Ce dernier résultat invite à s’interroger sur la pertinence de l’objectif du 100 % fibre du plan FTHD. Du point de vue de la numérisation des entreprises au moins, cette stratégie financièrement très coûteuse ne paraît pas justifiée économiquement et un déploiement plus ciblé et plus rapide lui semble préférable. Évidemment, des travaux additionnels sont nécessaires, notamment sur les pratiques numériques des ménages, pour déterminer si une couverture en fibre plus généralisée est désirable de ce point de vue. De plus, si un déploiement ciblé semble justifié économiquement, se pose inévitablement la question de son acceptabilité sociale.

Ces travaux ont été réalisés dans le cadre du programme d’évaluation ex post du plan France Très Haut Débit conduit par France Stratégie (https://www.strategie.gouv.fr/publications/infrastructures-numeriques-amenagement-territoire-impacts-economiques-sociaux-plan) et ont bénéficié de son soutien financier. L’accès aux données utilisées dans le cadre de ce travail a été réalisé au sein d’environnements sécurisés du Centre d’accès sécurisé aux données, CASD (Réf. ANR-10-EQPX-17).

Annexe

Tableau A1

Évolution de la couverture des communes françaises en fibre optique

(1)
Part des communes couvertes
(2)
Taux de couverture communal moyen
Niveau national
20133 %1 %
20143 %2 %
20155 %3 %
20167 %4 %
20177 %4 %
201811 %7 %
201923 %14 %
202039 %27 %
202159 %44 %
Zone d’initiative publique
20131 %1 %
20141 %1 %
20152 %1 %
20164 %3 %
20174 %3 %
20188 %5 %
201918 %11 %
202034 %23 %
202155 %40 %
Zone d’initiative privée
201317 %10 %
201419 %11 %
201524 %14 %
201631 %19 %
201731 %19 %
201842 %25 %
201963 %34 %
202087 %61 %
202197 %79 %
tableau im20

Évolution de la couverture des communes françaises en fibre optique

Note : Données pour la France métropolitaine. La colonne 1 indique la proportion de communes disposant d’un accès à la fibre, quel que soit leur taux de couverture, ce qui risque de surestimer leur couverture effective. De ce fait, la colonne 2 reporte le taux de couverture communal moyen. Pour chaque année, on prend les données de couverture du 4e trimestre, sauf pour 2018 (1er trimestre) et 2019 (3e trimestre) en raison de la disponibilité des données.
Sources : Auteurs, à partir des données de l’Agence du numérique (2013-2018) et de l’Arcep (2019-2021). Attention, ces deux séries de données ne sont pas totalement comparables.
Tableau A2

Définition des variables d’appariement

VariableDéfinitionSource
Variables communales
PopulationNombre d’habitants (1000 hab.)Recensement de la population (2013)
Stock établissementsStock d’établissementsRépertoire des entreprises et des établissements (2013), Insee
Proximité ville moyenneIndicatrice égale à 1 si l’entreprise est implantée dans une commune située à moins de 20 minutes d’une ville d’au moins 20 000 habitantsRecensement de la population (2013), Insee. Calculs sur Odomatrix*
MontagneIndicatrice égale à 1 si la commune est située en zone de montagne ou de moyenne montagneCemagref
Mauvais accès THDIndicatrice égale à 1 si moins de 25 % des locaux ont accès au THD en 2013Observatoire du THD, Agence du numérique
Variables au niveau entreprise
Taille
0-9 salariésIndicatrice égale à 1 si l’entreprise a entre 0 et 9 salariésRépertoire Sirene (2014 ; 2019)
10-49 salariésIndicatrice égale à 1 si l’entreprise a entre 10 et 49 salariésRépertoire Sirene (2014 ; 2019)
50-249 salariésIndicatrice égale à 1 si l’entreprise a entre 50 et 249 salariésRépertoire Sirene (2014 ; 2019)
> 249 salariésIndicatrice égale à 1 si l’entreprise a plus de 249 salariésRépertoire Sirene (2014 ; 2019)
Mono-établissementIndicatrice égale à 1 si l’entreprise a un seul établissementRépertoire Sirene (2014 ; 2019)
Âge
0-5 ansIndicatrice égale à 1 si l’entreprise a été créée il y a moins de 5 ansRépertoire Sirene (2014 ; 2019)
6-9 ansIndicatrice égale à 1 si l’entreprise a été créée il y a 6 à 9 ansRépertoire Sirene (2014 ; 2019)
> 10 ansIndicatrice égale à 1 si l’entreprise a été créée il y a 10 ans ou plusRépertoire Sirene (2014 ; 2019)
Secteur
ManufactureIndicatrice égale à 1 si l’entreprise appartient au secteur manufacturier (NAF rév. 2, niveau A10, poste BE)Répertoire Sirene (2014 ; 2019)
ConstructionIndicatrice égale à 1 si l’entreprise appartient au secteur de la construction (NAF rév. 2, niveau A10, poste FZ)Répertoire Sirene (2014 ; 2019)
Commerce, transport, hébergementIndicatrice égale à 1 si l’entreprise appartient au secteur du commerce, transport ou hébergement (NAF rév. 2, niveau A10, poste GI)Répertoire Sirene (2014 ; 2019)
Tertiaire supérieurIndicatrice égale à 1 si l’entreprise appartient au tertiaire supérieur (NAF rév. 2, niveau A10, postes JZ, KZ, LZ et niveau A38, postes MA, MB, MC)Répertoire Sirene (2014 ; 2019)
Autres servicesIndicatrice égale à 1 si l’entreprise appartient au secteur des autres services (NAF rév. 2, niveau A10, postes OQ, RU et niveau A38, poste NZ)Répertoire Sirene (2014 ; 2019)
tableau im21

Définition des variables d’appariement

* Odomatrix, INRA UMR1041 CESEAR, d’après IGN Route 500®, BD ALTI 500®, RGC®.
Figure A1

Distribution des scores de propension avant et après appariement

figure im22

Distribution des scores de propension avant et après appariement

Tableau A3

Variables pour tester l’hétérogénéité de l’impact du programme

VariableDéfinitionSource
Variables au niveau entreprise
Taille
< 50 salariésIndicatrice égale à 1 si l’entreprise a moins de 50 salariésRépertoire Sirene (2014 ; 2019)
50-249 salariésIndicatrice égale à 1 si l’entreprise a entre 50 et 249 salariésRépertoire Sirene (2014 ; 2019)
> 249 salariésIndicatrice égale à 1 si l’entreprise a plus de 249 salariésRépertoire Sirene (2014 ; 2019)
Multi-établissement (Mono-établissement)Indicatrice égale à 1 si l’entreprise a plusieurs (un seul) établissementRépertoire Sirene (2014 ; 2019)
Âge
0-5 ansIndicatrice égale à 1 si l’entreprise a été créée il y a moins de 5 ansRépertoire Sirene (2014 ; 2019)
6-9 ansIndicatrice égale à 1 si l’entreprise a été créée il y a 6 à 9 ansRépertoire Sirene (2014 ; 2019)
> 10 ansIndicatrice égale à 1 si l’entreprise a été créée il y a 10 ans ou plusRépertoire Sirene (2014 ; 2019)
Secteur
Manufacture, constructionIndicatrice égale à 1 si l’entreprise appartient au secteur manufacturier ou de la constructionRépertoire Sirene (2014 ; 2019)
Commerce, transport, hébergementIndicatrice égale à 1 si l’entreprise appartient au secteur du commerce, transport ou hébergementRépertoire Sirene (2014 ; 2019)
ServicesIndicatrice égale à 1 si l’entreprise appartient au secteur tertiaireRépertoire Sirene (2014 ; 2019)
Environnement externe de l’entreprise
Degré de ruralité
Grands pôles urbainsIndicatrice égale à 1 si l’entreprise est située dans un grand pôle (> 10 000 emplois) (catégorie 111 du zonage en aires urbaines)Zonage en aires urbaines, Insee (2010)
PériurbainIndicatrice égale à 1 si l’entreprise est située dans une commune appartenant à la couronne d’un grand pôle ou dans une commune multipolarisée des grandes aires urbaines (communes dont au moins 40 % de leurs résidents travaillent dans les grands pôles urbains voisins) (catégories 112 et 120 du zonage en aires urbaines)Zonage en aires urbaines, Insee (2010)
Petits et moyens pôlesIndicatrice égale à 1 si l’entreprise est située dans un petit ou moyen pôle (1 500-10 000 emplois) (catégories 211 et 221 du zonage en aires urbaines)Zonage en aires urbaines, Insee (2010)
RuralIndicatrice égale à 1 si l’entreprise est située dans la couronne d’un petit ou moyen pôle, une autre commune multipolarisée ou une commune isolée (catégories 212, 222, 300 ou 400 du zonage en aires urbaines)Zonage en aires urbaines, Insee (2010)
Présence d’équipements et de services informatiques
Présence (Absence)Indicatrice égale à 1 si l’entreprise est située dans un bassin de vie où il existe au moins un (aucun) établissement spécialisé dans les équipements et/ou services informatiques (NAF rév. 2, Sous-classes : 4651Z, 4652Z, 4741Z, 4742Z, 6201Z, 6202A, 6202B, 6203Z, 6209Z, 7733Z, 9512Z)Répertoire Sirene (2014 ; 2019)
Variables caractérisant les modalités du déploiement
Intensité du déploiement
≤ Q1Variable de traitement égale à 1 si l’entreprise est située dans une commune dont le taux de couverture est inférieur au premier quartileObservatoire du THD, Agence du numérique (2013-2018)
> Q1 & ≤ Q2Variable de traitement égale à 1 si l’entreprise est située dans une commune dont le taux de couverture est supérieur au premier quartile et inférieur au taux de couverture médianObservatoire du THD, Agence du numérique (2013-2018)
> Q2 & ≤ Q3Variable de traitement égale à 1 si l’entreprise est située dans une commune dont le taux de couverture est supérieur au taux de couverture médian et inférieur au troisième quartileObservatoire du THD, Agence du numérique (2013-2018)
> Q3Variable de traitement égale à 1 si l’entreprise est située dans une commune dont le taux de couverture est supérieur au troisième quartileObservatoire du THD, Agence du numérique (2013-2018)
Temps écoulé depuis l’arrivée de la fibre
Trois ans ou plusVariable de traitement égale à 1 si l’entreprise est située dans une commune où la fibre a été déployée depuis trois ans ou plusObservatoire du THD, Agence du numérique (2013-2018)
Deux ansVariable de traitement égale à 1 si l’entreprise est située dans une commune où la fibre a été déployée depuis deux ansObservatoire du THD, Agence du numérique (2013-2018)
Un anVariable de traitement égale à 1 si l’entreprise est située dans une commune où la fibre a été déployée depuis un anObservatoire du THD, Agence du numérique (2013-2018)
tableau im23 tableau im24 tableau im25

Variables pour tester l’hétérogénéité de l’impact du programme

Tableau A4

Effet selon les caractéristiques des entreprises – commerce électronique

(1)
Ventes Web-EDI : adoption
(2)
Ventes Web-EDI : intensité
(3)
Achats Web-EDI
Effet selon l’âge
0-5 ans0,0554,277**1,245*
(0,064)(1,916)(0,149)
6-9 ans– 0,066– 1,3581,005
(0,051)(2,987)(0,074)
≥ 10 ans– 0,014– 1,141*1,019
(0,017)(0,607)(0,026)
N (non pondéré)6 4116 4113 931
N (pondéré)129 559129 55968 975
Effet selon la structure organisationnelle
Mono-établissement– 0,033– 0,1641,093**
(0,022)(0,729)(0,041)
Multi-établissement0,008– 0,5581,043
(0,026)(0,889)(0,062)
N (non pondéré)6 4116 4113 931
N (pondéré)129 559129 55968 975
Effet selon la taille
< 50 salariés0,005– 0,3601,078
(0,019)(0,619)(0,054)
50-249 salariés– 0,065*– 0,8021,002
(0,035)(1,586)(0,042)
> 249 salariés0,022– 0,7401,011
(0,058)(2,558)(0,049)
N (non pondéré)6 4116 4113 931
N (pondéré)129 559129 55968 975
Effet selon le secteur
Manufacture, construction0,005– 2,071*1,167*
(0,031)(1,171)(0,096)
Commerce, transport, hébergement– 0,0130,9480,950
(0,028)(1,064)(0,033)
Services– 0,0130,4491,138**
(0,029)(0,585)(0,064)
N (non pondéré)6 4116 4113 931
N (pondéré)129 559129 55968 975
tableau im26

Effet selon les caractéristiques des entreprises – commerce électronique

Note : Modèles de régression linéaire (voir note de bas de page 31). Écarts types entre parenthèses. Le tableau reporte l’effet du traitement recalculé pour chaque catégorie d’entreprises (p. ex. : entreprises de moins de 5 ans, de 6 à 9 ans, de plus de 10 ans). Chaque modèle inclut des variables de contrôle (mono-établissement et, le cas échéant, variables muettes pour l’âge, la taille et le secteur) ; les coefficients associés à ces variables ne sont pas reportés dans le tableau. * p < 0,10, ** p < 0,05, *** p < 0,01.
Tableau A5

Effet selon les caractéristiques des communes – commerce électronique

(1)
Ventes Web-EDI : adoption
(2)
Ventes Web-EDI : intensité
(3)
Achats Web-EDI
Effet selon le degré de ruralité
Grands pôles urbains– 0,0100,7421,137
(0,041)(1,140)(0,117)
Périurbain0,0090,3241,061
(0,025)(0,958)(0,041)
Petits et moyens pôles– 0,010– 1,2130,960
(0,036)(1,005)(0,049)
Rural– 0,012– 4,155*1,025
(0,044)(2,128)(0,065)
N (non pondéré)6 4116 4113 931
N (pondéré)129 559129 55968 975
Effet selon la présence d’équipements et de services informatiques
Présence– 0,0040,3581,113
(0,035)(1,013)(0,104)
Absence– 0,006– 0,8101,035
(0,019)(0,773)(0,029)
N (non pondéré)6 4116 4113 931
N (pondéré)129 559129 55968 975
tableau im27

Effet selon les caractéristiques des communes – commerce électronique

Note : Modèles de régression linéaire (voir note de bas de page 31). Écarts types entre parenthèses. Le tableau reporte l’effet du traitement recalculé pour chaque catégorie d’entreprises (p. ex. : situées dans une commune appartenant à un grand pôle urbain, au périurbain, à un petit ou moyen pôle, au rural). Chaque modèle inclut des variables de contrôle (mono-établissement et, le cas échéant, variables muettes pour le type d’espace ou la présence d’équipements et services informatiques) ; les coefficients associés à ces variables ne sont pas reportés dans le tableau. * p < 0,10, ** p < 0,05, *** p < 0,01.
Tableau A6

Effet selon les modalités du déploiement – commerce électronique

(1)
Ventes Web-EDI : adoption
(2)
Ventes web-EDI : intensité
(3)
Achats Web-EDI
Effet selon l’intensité du déploiement
≤ Q11,1242,5071,304
(0,143)(3,518)(0,263)
> Q1 & ≤ Q20,965– 1,0961,520**
(0,129)(3,804)(0,317)
> Q2 & ≤ Q30,828– 4,2181,062
(0,112)(3,728)(0,197)
> Q30,901– 1,9301,178
(0,124)(3,891)(0,210)
N (non pondéré)6 4116 4113 931
N (pondéré)129 559129 55968 975
Effet selon le temps écoulé depuis l’arrivée de la fibre
Trois ans ou plus1,1162,7161,242
(0,183)(4,920)(0,299)
Deux ans1,0593,2311,383
(0,194)(5,522)(0,304)
Un an1,124– 0,1780,944
(0,201)(5,210)(0,182)
N (non pondéré)2 0132 013957
N (pondéré)54 93954 93924 243
tableau im28

Effet selon les modalités du déploiement – commerce électronique

Note : Un modèle Tobit est estimé pour les variables d’usages en proportion (Ventes Web-EDI: intensité). Un modèle Logit est estimé pour les variables d’usages binaires (Ventes Web-EDI: adoption ; Achats Web-EDI). Pour les modèles Logit, on reporte les rapports de cote. Écarts types entre parenthèses. Le tableau reporte l’effet du traitement en fonction du niveau de couverture ou du temps écoulé depuis l’arrivée de la fibre dans la commune. * p < 0,10, ** p < 0,05, *** p < 0,01.

Bibliographie

Références bibliographiques

  • Akerman A., Gaarder I. et Mogstad M. [2015], « The Skill Complementarity of Broadband Internet », The Quarterly Journal of Economics, 130 (4), p. 1781-1824.
  • Alshamaila Y., Papagiannidis S. et Li F. [2013], « Cloud Computing Adoption by SMEs in the North East of England : A Multi-Perspective Framework », Journal of Enterprise Information Management, 26, p. 250-275.
  • Andres R., DeStefano T., Niebel T. et Viete S. [2020], « Capital Incentive Policies in the Age of Cloud Computing : An Empirical Case Study », ZEW-Centre for European Economic Research Discussion Paper, 20-036.
  • Austin P. C., Jembere N. et Chiu M. [2018], « Propensity Score Matching and Complex Surveys », Statistical Methods in Medical Research, 27 (4), p. 1240-1257.
  • Bayo-Moriones A. et Lera-López F. [2007], « A Firm-Level Analysis of Determinants of ICT Adoption in Spain », Technovation, 27, p. 352-366.
  • Bertschek I., Briglauer W., Hüschelrath K., Kauf B. et Niebel T. [2015], « The Economic Impacts of Broadband Internet : A Survey », Review of Network Economics, 14 (4), p. 201-227.
  • Cairncross F. [2001], The Death of Distance 2.0 : How the Communications Revolution Will Change Our Lives, Brighton (Mass.), Harvard Business School Press.
  • Canzian G., Poy S. et Schüller S. [2019], « Broadband Upgrade and Firm Performance in Rural Areas : Quasi-Experimental Evidence », Regional Science and Urban Economics, 77, p. 87-103.
  • Chatzoglou P. D., Vraimaki E., Diamantidis A. et Sarigiannidis L. [2010], « Computer Acceptance in Greek SMEs », Journal of Small Business and Enterprise Development, 17 (1), p. 78-101.
  • Cho J., DeStefano T., Kim H., Kim I. et Paik J. H. [2022], « What’s Driving the Diffusion of Next-Generation Digital Technologies ? », Technovation, 119, art. 102477.
  • Cour des comptes [2017], Les réseaux fixes de haut et très haut débit. Un premier bilan, Paris, La Documentation française.
  • Czernich N. [2014], « Does Broadband Internet Reduce the Unemployment Rate ? Evidence for Germany », Information Economics and Policy, 29, p. 32-45.
  • Deller S., Whitacre B. et Conroy T. [2022], « Rural Broadband Speeds and Business Startup Rates », American Journal of Agricultural Economics, 104 (3), p. 999-1025.
  • DeStefano T., De Backer K. et Moussiegt L. [2017], « Determinants of Digital Technology Use by Companies », OECD Science, Technology and Industry Policy Papers, 40.
  • DeStefano T., Kneller R. et Timmis J. [2018], « Broadband Infrastructure, ICT Use and Firm Performance : Evidence for UK firms », Journal of Economic Behavior & Organization, 155, p. 110-139.
  • DeStefano T., Kneller R. et Timmis J. [2020], « Cloud Computing and Firm Growth », CESifo Working Paper, 8306.
  • DuGoff E. H., Schuler M. et Stuart E. A. [2014], « Generalizing Observational Study Results : Applying Propensity Score Methods to Complex Surveys », Health Services Research, 49 (1), p. 284-303.
  • Duvivier C. [2019], « Broadband and Firm Location : Some Answers to Relevant Policy and Research Issues Using Meta-analysis », Canadian Journal of Regional Science, 42 (1), p. 24-45.
  • Duvivier C. et Bussière C. [2022], « The Contingent Nature of Broadband as an Engine for Business Startups in Rural Areas », Journal of Regional Science, 62 (5), p. 1329-1357.
  • Duvivier C., Cazou E., Truchet-Aznar S., Brunelle C. et Dubé J. [2021], « When, Where, and For What Industries Does Broadband Foster Establishment Births ? », Papers in Regional Science, 100 (6), p. 1377-1401.
  • Elder T. et Jepsen C. [2014], « Are Catholic Primary Schools More Effective than Public Primary Schools ? », Journal of Urban Economics, 80, p. 28-38.
  • Falk M. et Hagsten E. [2021], « Impact of High-Speed Broadband Access on Local Establishment Dynamics », Telecommunications Policy, 45 (4), art. 102104.
  • Faquet R. et Malardé V. [2020], « Numérisation des entreprises françaises », Trésor-Éco, 271.
  • Forman C., Goldfarb A. et Greenstein S. [2005a], « Geographic Location and the Diffusion of Internet Technology », Electronic Commerce Research and Applications, 4, p. 1-13.
  • Forman C., Goldfarb A. et Greenstein S. [2005b], « How Did Location Affect Adoption of the Commercial Internet ? Global Village vs. Urban Leadership », Journal of Urban Economics, 58, p. 389-420.
  • France Stratégie [2023], Infrastructures numériques et aménagement du territoire. Impacts économiques et sociaux du Plan France très haut débit, Paris, France Stratégie.
  • Friedman T. L. [2005], The World Is Flat : A Brief History of the Twenty-First Century, New York, Farrar, Straus and Giroux.
  • Galliano D., Lethiais V. et Soulié N. [2008], « Faible densité des espaces et usages des TIC par les entreprises : besoin d’information ou de coordination ? », Revue d’économie industrielle, 121, p. 41-64.
  • Galliano D. et Roux P. [2006], « Les inégalités spatiales dans l’usage des TIC. Le cas des firmes industrielles françaises », Revue économique, 57, p. 1449-1475.
  • Galliano D. et Roux P. [2008], « Organisational Motives and Spatial Effects in Internet Adoption and Intensity of Use : Evidence from French Industrial Firms », The Annals of Regional Science, 42, p. 425-448.
  • Giotopoulos I., Kontolaimou A., Korra E. et Tsakanikas A. [2017], « What Drives ICT Adoption by SMEs ? Evidence from a Large-Scale Survey in Greece », Journal of Business Research, 81, p. 60-69.
  • Haller S. A. et Siedschlag I. [2011], « Determinants of ICT Adoption : Evidence from Firm-Level Data », Applied Economics, 43, p. 3775-3788.
  • Hirano K. et Imbens G. W. [2004], « The Propensity Score with Continuous Treatment », dans A. Gelman et X. L. Meng (dir.), Applied Bayesian Modelling and Causal Inference from Missing Data Perspectives, New York, Wiley, p. 73-84.
  • Kandilov I. T. et Renkow M. [2010], « Infrastructure Investment and Rural Economic Development : An Evaluation of USDA’s Broadband Loan Program », Growth and Change, 41 (2), p. 165-191.
  • Kim Y. et Orazem P. F. [2017], « Broadband Internet and New Firm Location Decisions in Rural Areas », American Journal of Agricultural Economics, 99, p. 1-18.
  • Kolko J. [2012], « Broadband and Local Growth », Journal of Urban Economics, 71 (1), p. 100-113.
  • Lenis D., Nguyen T. Q., Dong N. et Stuart E. A. [2019], « It’s All About Balance : Propensity Score Matching in the Context of Complex Survey Data », Biostatistics, 20 (1), p. 147-163.
  • McCoy D., Lyons S., Morgenroth E., Palcic D. et Allen L. [2018], « The Impact of Broadband and Other Infrastructure on the Location of New Business Establishments », Journal of Regional Science, 58 (3), p. 509-534.
  • Mack E. A. [2015], « Variations in the Broadband-Business Connection across the Urban Hierarchy », Growth and Change, 46 (3), p. 400-423.
  • Mack E. A., Anselin L. et Grubesic T. H. [2011], « The Importance of Broadband Provision to Knowledge Intensive Firm Location », Regional Science Policy & Practice, 3 (1), p. 17-35.
  • Nicoletti G., Rueden C. von et Andrews D. [2020], « Digital Technology Diffusion : A Matter of Capabilities, Incentives or Both ? », European Economic Review, 128, art. 103513.
  • Philip L., Cottrill C., Farrington J., Williams F. et Ashmore F. [2017], « The Digital Divide : Patterns, Policy and Scenarios for Connecting the “Final Few” in Rural Communities across Great Britain », Journal of Rural Studies, 54, p. 386-398.
  • Ridgeway G., Kovalchik S. A., Griffin B. A. et Kabeto M. U. [2015], « Propensity Score Analysis with Survey Weighted Data », Journal of Causal Inference, 3 (2), p. 237-249.
  • Rosenbaum P. R. et Rubin D. B. [1983], « The Central Role of the Propensity Score in Observational Studies for Causal Effects », Biometrika, 70 (1), p. 41-55.
  • Ruiz-Rodríguez F., Lucendo-Monedero A. L. et González-Relaño R. [2018], « Measurement and Characterisation of the Digital Divide of Spanish Regions at Enterprise Level : A Comparative Analysis with the European Context », Telecommunications Policy, 42, p. 187-211.
  • Salemink K., Strijker D. et Bosworth G. [2017], « Rural Development in the Digital Age : A Systematic Literature Review on Unequal ICT Availability, Adoption, and Use in Rural Areas », Journal of Rural Studies, 54, p. 360-371.
  • Stanley T. D., Doucouliagos H. et Steel P. [2018], « Does ICT Generate Economic Growth ? A Meta-Regression Analysis », Journal of Economic Surveys, 32 (3), p. 705-726.
  • Thonipara A., Sternberg R., Proeger T. et Haefner L. [2023], « Digital Divide, Craft Firms’ Websites and Urban-Rural Disparities : Empirical Evidence from a Web-Scraping Approach », Review of Regional Research, 43, p. 69-99.
  • Townsend L., Sathiaseelan A., Fairhurst G. et Wallace C. [2013], « Enhanced Broadband Access as a Solution to the Social and Economic Problems of the Rural Digital Divide », Local Economy, 28, p. 580-595.
  • Townsend L., Wallace C., Fairhurst G. et Anderson A. [2017], « Broadband and the Creative Industries in Rural Scotland », Journal of Rural Studies, 54, p. 451-458.
  • Vu K., Hanafizadeh P. et Bohlin E. [2020], « ICT as a Driver of Economic Growth : A Survey of the Literature and Directions for Future Research », Telecommunications Policy, 44 (2), art. 101922.
  • Zanutto E. L. [2006], « A Comparison of Propensity Score and Linear Regression Analysis of Complex Survey Data », Journal of Data Science, 4 (1), p. 67-91.

Mots-clés éditeurs : Internet à haut débit, rural, entreprises, numérisation, fibre optique

Mise en ligne 07/05/2024

https://doi.org/10.3917/reco.752.0301

Notes

  • [1]
    La notion de zones denses et peu denses est définie précisément dans la section consacrée à la présentation du plan FTHD. La figure 1 représente les zones denses (en gris), qui regroupent essentiellement les agglomérations urbaines, et les zones peu denses (en noir).
  • [2]
    On observe généralement une corrélation positive entre usages numériques des entreprises et développement économique, que ce dernier soit envisagé en termes de croissance économique (Stanley, Doucouliagos et Steel [2018] ; Vu, Hanafizadeh et Bohlin [2020]), de création d’entreprises (Duvivier [2019]) ou de productivité (Bertschek et al. [2015]). Les effets sur l’emploi sont cependant plus ambivalents : si Internet est associé à une hausse du nombre d’emplois au niveau macroéconomique, seuls les plus qualifiés en bénéficient (Akerman, Gaarder et Mogstad [2015] ; Bertschek et al. [2015]).
  • [3]
    La faible numérisation des entreprises pose question en matière d’efficacité économique mais aussi d’équité. Avec la numérisation grandissante de la société (p. ex. : développement de l’e-administration et du recrutement en ligne), un nombre croissant d’agents risquent de ne plus pouvoir accéder à certains services de base.
  • [4]
    Les travaux sur la fibre sont rares et essentiellement focalisés sur les espaces urbains (p. ex : Falk et Hagsten [2021] ; McCoy et al. [2018]). Deller, Whitacre et Conroy [2021] et Duvivier et Bussière [2022] se concentrent sur les espaces ruraux mais examinent l’effet de la fibre sur les créations d’entreprises.
  • [5]
    Initialement, le plan FTHD visait à fournir de la fibre optique (> 100 Mbps) à 80 % des foyers français et du très haut débit (> 30 Mbps) à 20 % d’entre eux. En 2020, Cédric O, alors secrétaire d’État chargé du numérique, a annoncé que l’objectif était désormais de fournir la fibre à tous d’ici 2025.
  • [6]
    L’intensité d’utilisation d’un outil est généralement mesurée par la part des employés l’utilisant (p. ex : ordinateur, courriels) ou par la part du chiffre d’affaires obtenu grâce à cet outil (p. ex : commerce en ligne).
  • [7]
    Galliano, Lethiais et Soulié [2008] ne trouvent toutefois pas de corrélation significative entre ces deux variables.
  • [8]
    France Stratégie [2023] propose des simulations montrant comment les besoins de débits varient selon la taille et le niveau d’usage des entreprises (voir chapitre 3, section 4.2, p. 137-138).
  • [9]
    Eurostat, « Cloud Computing – Statistics on the Use by Enterprises », Statistics Explained, décembre 2021, https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Cloud_computing_-_statistics_on_the_use_by_enterprises.
  • [10]
    Sont exclus du champ de l’enquête : agriculture, sylviculture et pêche ; industries extractives ; activités financières et d’assurance ; administration publique, enseignement, santé humaine et action sociale ; arts, spectacles et activités récréatives ; autres activités de services (sauf réparation d’ordinateurs et d’équipements de communication) ; activités des ménages en tant qu’employeurs ; activités extraterritoriales.
  • [11]
    Si l’analyse de l’enquête de 2020 semble intéressante, elle répond à une autre question (l’accès au THD a-t-il favorisé l’usage numérique des entreprises dans un contexte de crise ?). Pour étudier la numérisation des entreprises pendant la période Covid, il est toutefois nécessaire d’attendre que d’autres enquêtes TIC-entreprises (2021, 2022) soient disponibles puisqu’une partie des questions (en particulier, celles sur le commerce en ligne) de l’enquête 2020 portent sur l’exercice précédent (2019). En outre, il importe de disposer de plusieurs années pour s’assurer que les effets de la crise sanitaire sur les usages numériques sont permanents.
  • [12]
    Nous avons inclus tous les usages numériques pour lesquels nous disposions au moins de deux années d’enquêtes. Quelques rares usages (p. ex : utilisation d’un intranet) ne sont pas retenus car nous ne disposons que d’une année d’observation. On exclut également l’e-administration puisque la quasi-totalité des entreprises y ont recourt. Enfin, bien qu’on parle ici d’outils « peu avancés », par opposition aux usages complexes (ou plus avancés), il convient de garder en mémoire qu’il est possible de faire une utilisation complexe de certains de ces outils (p. ex : programmer des algorithmes sur un ordinateur). L’enquête à disposition ne permet cependant pas ce type de distinction.
  • [13]
    Depuis 2019, les données de couverture Internet sont publiées par l’Autorité de régulation des communications électroniques, des postes et de la distribution de la presse (Arcep). Vu notre période d’analyse, nous ne mobilisons pas les données de l’Arcep. De plus, combiner les données de l’Agence du numérique et de l’Arcep aurait posé des problèmes de comparabilité.
  • [14]
    Les données d’effectifs sont issues de la base REE-Stock d’établissements.
  • [15]
    L’existence d’entreprises multi-établissements complique également la définition de l’échantillon puisque certaines ont des établissements à la fois situés en zone d’initiative privée (ZIPRI) et publique (ZIPU). On choisit de considérer qu’une entreprise appartient à la ZIPU dès lors que son siège social y est situé.
  • [16]
    Tous les effectifs reportés sont pondérés.
  • [17]
    L’échange de données informatisé (EDI) est un format électronique standard utilisé par les entreprises pour communiquer leurs documents commerciaux.
  • [18]
    Des travaux antérieurs ont mobilisé la méthode des variables instrumentales. Les instruments mobilisés sont basés sur un raisonnement économique du choix de déploiement et correspondent donc aux facteurs qui affectent les coûts et les revenus du déploiement d’Internet. Parmi les instruments employés, on peut citer la pente du terrain (Kolko [2012]), le réseau téléphonique historique (Czernich [2014]) et la densité de population (Mack, Anselin et Grubesic [2011]). Recourir à ces instruments ne constitue toutefois pas une solution satisfaisante dans le cadre de cette évaluation. Tout d’abord, ces variables apparaissent parfois faiblement corrélées avec l’accès à Internet, notamment lorsque l’on considère les technologies de nouvelle génération (Canzian, Poy et Schüller [2019]). De plus, ces instruments, basés sur un raisonnement économique, semblent plus pertinents pour expliquer le déploiement d’opérateurs privés qu’un déploiement public. On peut aussi s’interroger sur le caractère exogène des instruments. Par exemple, même dans un modèle incluant beaucoup de contrôles, peut-on s’assurer que l’accessibilité d’un territoire n’affecte pas les pratiques numériques de ses résidents ?
  • [19]
    À l’instar des modèles de régression classiques (p. ex. : moindres carrés ordinaires), la méthode de l’appariement repose sur l’hypothèse de sélection sur les observables (i.e. conditionnellement aux caractéristiques observables, les entreprises traitées et de contrôle ne diffèrent pas de manière systématique en termes de caractéristiques inobservables). Toutefois, comparé à une régression classique, l’appariement offre le double avantage d’écarter de l’analyse les entreprises qui sont hors du support commun et de ne pas faire d’hypothèse sur la forme fonctionnelle du modèle et la distribution des termes d’erreur.
  • [20]
    À titre de robustesse, nous proposons d’autres définitions du groupe des traitées et du groupe de contrôle dans la section « Résultats ».
  • [21]
    Comme expliqué ci-après, nous utilisons neuf variables d’appariement dont plusieurs sont continues. Cela conduit à des millions de combinaisons de caractéristiques possibles (même en introduisant des « calipers » pour les variables continues ou en transformant les variables continues en variables catégorielles).
  • [22]
    Au sein d’un RIP, le calendrier de déploiement est basé sur les caractéristiques des communes et il est peu probable que celles des entreprises aient joué un rôle. Toutefois, en ciblant prioritairement certaines communes, le plan FTHD risque de conduire certains types d’entreprises à bénéficier de la fibre de manière plus précoce (p. ex. : certains secteurs économiques sont surreprésentés dans les communes les plus peuplées).
  • [23]
    Par exemple, pour la variable « outils collaboratifs », qui n’est disponible que dans les enquêtes 2015 et 2017, nous réalisons l’appariement en incluant seulement les entreprises concernées par les vagues d’enquêtes correspondantes.
  • [24]
    L’élimination des entreprises hors support conduit à éliminer 1,6 % des traitées.
  • [25]
    L’intérêt de comparer les entreprises ayant accès à la fibre à celles ayant accès au THD (et non à toutes celles disposant d’un accès inférieur à 100 Mbps comme dans le modèle de base) est qu’on estime l’effet additionnel de la fibre par rapport au THD. De plus, exclure du groupe de contrôle les entreprises situées dans les communes disposant d’un accès inférieur à 30 Mbps permet d’éliminer des entreprises situées dans des contextes territoriaux très particuliers (communes très peu denses, etc.).
  • [26]
    Dans le modèle de base, on inclut dans le groupe des traitées toute entreprise située dans une commune disposant d’un accès à la fibre, quel que soit le taux de couverture communal, afin de ne pas imposer de seuil arbitraire pour définir le traitement (p. ex. : 5 % de locaux couverts ? 10 % ?). Toutefois, comme cela peut conduire à inclure dans le groupe des traitées des entreprises situées dans des communes où l’accès à la fibre est très limité, on propose ici une définition plus stricte du groupe de traitement.
  • [27]
    On préfère le modèle augmenté (colonne 2) au modèle de base (colonne 1) puisqu’il permet de contrôler les différences de structures organisationnelles entre traitées et non traitées. Conformément à notre hypothèse, les entreprises avec un établissement unique utilisent significativement moins les outils numériques. Toutes les analyses suivantes sont réalisées à partir du modèle augmenté.
  • [28]
    On compare en effet les entreprises ayant accès à la fibre à celles ayant accès à moins de 100 Mbps. Le groupe de contrôle inclut donc à la fois des entreprises ayant accès à du THD mais aussi des entreprises ayant accès à des débits très faibles (inférieurs à 30 Mbps, voire inférieurs à 8 Mbps).
  • [29]
    En raison de l’absence de données disponibles, nous ne pouvons pas examiner si l’effet de la fibre varie selon le niveau de capital humain de l’entreprise. Comme cela sera décrit par la suite, certains résultats obtenus semblent s’expliquer au moins partiellement par des effets de capital humain (p. ex. : effet selon le degré de ruralité des territoires).
  • [30]
    Comparé aux variables d’appariement, nous avons parfois dû regrouper les modalités de certaines variables (p. ex. : classification des secteurs d’activité) afin de conserver un nombre suffisant d’observations dans chaque catégorie.
  • [31]
    Le modèle de base (tableaux 8 à 10) a été préalablement réestimé en utilisant un modèle linéaire et les résultats sont sensiblement identiques entre les méthodes.
  • [32]
    La fibre dédiée requiert la présence d’un noeud de raccordement optique (NRO) tandis que la fibre mutualisée nécessite, en plus d’un NRO, l’existence d’un point de mutualisation. Il est donc techniquement possible d’avoir des offres de fibre dédiée (FttO) dans une commune sans avoir d’offre mutualisée (FttH).
  • [33]
    Tests de Wald (non reportés) réalisés pour tester l’égalité des coefficients entre chaque catégorie d’entreprise.
  • [34]
    Les données disponibles ne nous permettent pas d’examiner si l’effet de la fibre varie selon le niveau de concurrence et l’existence d’externalités (informationnelles et de réseau). Comme pour le capital humain, certains des résultats obtenus laissent toutefois penser que le niveau de concurrence et les externalités jouent probablement un rôle. Voir ci-après.
  • [35]
    De manière surprenante, certaines entreprises de notre échantillon, donc par définition situées dans la ZIPU du plan FTHD, sont considérées comme appartenant à un grand pôle urbain selon l’Insee. Ce résultat, qui concerne toutefois un nombre très minoritaire d’observations, s’explique par le fait que la liste des ZIPU est issue des investissements prévisionnels des opérateurs privés, eux-mêmes basés essentiellement sur un critère de densité. Ainsi, certaines communes urbaines selon le zonage de l’Insee peuvent ne pas constituer des destinations suffisamment rentables pour des opérateurs privés.
  • [36]
    Contrairement aux tests d’hétérogénéité précédents (selon les caractéristiques internes et externes des entreprises), on n’emploie pas ici de variables interactives. De ce fait, comme dans le modèle de base, on estime un modèle Tobit pour les variables d’usages en proportion et un modèle Logit pour les variables d’usages binaires. Par ailleurs, pour tester l’effet des modalités de déploiement, une autre option aurait été de recourir à la méthode du score de propension généralisé (Hirano et Imbens [2004]). Toutefois, à notre connaissance, cette méthode n’a pas été adaptée aux données d’enquête.
  • [37]
    Pour rappel, ce test est réalisé uniquement pour les entreprises mono-établissements, ce qui explique que le traitement a un effet significatif sur un nombre relativement restreint d’usages.
bb.footer.alt.logo.cairn

Cairn.info, plateforme de référence pour les publications scientifiques francophones, vise à favoriser la découverte d’une recherche de qualité tout en cultivant l’indépendance et la diversité des acteurs de l’écosystème du savoir.

Avec le soutien de

Retrouvez Cairn.info sur

18.97.14.90

Accès institutions

Rechercher

Toutes les institutions