La prise en compte (ou plutôt la neutralisation) des spécificités sectorielles dans le comportement des variables économiques se fait souvent à l’aide de modèles à effets variables et à effets fixes (par l’adjonction de variables muettes sectorielles). La plus répandue des deux procédures est la seconde qui consiste à introduire une variable muette par secteur. Cette technique présente cependant deux inconvénients majeurs. Le premier tient à la multiplication du nombre de variables exogènes à introduire dans le modèle (autant que de secteurs moins 1). Le second problème est plutôt d’ordre théorique dans la mesure où les coefficients associés aux variables muettes permettent de mesurer des différences intersectorielles mais pas d’en expliquer l’origine. D’un certain point de vue ces coefficients mesurent l’ampleur de notre ignorance.
Dans notre cas nous avons souligné231 l’existence d’une forte corrélation entre la structure sectorielle des comportements innovants (la variable endogène) et la proportion de firmes innovantes dans ces mêmes secteurs. Autrement dit, il serait possible d’utiliser la variable ’proportion sectorielle de firmes innovantes’ plutôt qu’un ensemble d’indicatrices sectorielles. Le pouvoir explicatif de ce modèle allégé serait moindre mais d’une part son traitement statistique serait plus facile (du fait de la réduction du nombre de variables exogènes) et d’autre part une interprétation économique des résultats serait possible en termes d’intensité des opportunités technologiques sectorielles.
A titre de comparaison entre ces deux méthodes nous reproduisons les résultats obtenus dans un modèle logistique multinomial dont la variable dépendante est le type de comportement innovant adopté par les firmes innovantes. Il prend trois modalités {innovation de produit uniquement, innovation de procédé uniquement, innovation de produit & procédé}. Les variables exogènes sont dans un premier temps un jeu de 23 variables muettes sectorielles et dans un second temps la ’proportion sectorielle de firmes innovantes’ évaluée pour le secteur d’appartenance de chaque firme au niveau de la NAF à deux indices. En résumé nous reproduisons les estimations issues de deux spécifications :
Y=f(constante + 22 indicatrices sectorielles) dont les coefficients estimés et le tableau de prédiction sont respectivement reportés dans le tableau 86 et le tableau 87.
Y=f(constante + ’proportion sectorielle de firmes innovantes’) dont les coefficients estimés et le tableau de prédiction sont respectivement reportés dans le tableau 88 et le tableau 89.
*: significatif à 10 %, ** à 5%, *** à 1%, **** à 0,1% Secteur |
NAF | P(Iprod/ Iprod&proc) | P(Iproc/ Iprod&proc) | |
Constante | -1,85*** | 0,29 | ||
Autres industries extractives | s14 | 1,346* | -0,04 | |
Industrie textile | s17 | 1,372** | -0,636** | |
Industrie de l’habillement et des fourrures | s18 | 2,23**** | 0,239 | |
Industrie du cuir et de la chaussure | s19 | 1,438** | 0,32 | |
Travail du bois et fabrication d’articles en bois | s20 | 1,26* | -0,641* | |
Industrie du papier et du carton | s21 | 1,246* | -1,004*** | |
Edition, imprimerie, reproduction | s22 | 1,127* | 0,528* | |
Cokéfaction, raffinage, industries nucléaires | s23 | 1,334* | -1,997**** | |
Industrie chimique | s24 | 1,573** | -1,63**** | |
Pharmacie | s244 | 1,412** | -1,025*** | |
Industrie du caoutchouc et des plastiques | s25 | 0,859 | -1,885**** | |
Fabrication d’autres produits minéraux non métalliques | s26 | 1,528** | -0,912*** | |
Métallurgie | s27 | 1,109* | -0,243 | |
Travail des métaux | s28 | 1,43** | -0,433 | |
Fabrication de machines et équipements | s29 | 1,848*** | -1,155**** | |
Fabrication de machines et appareils électriques | s31 | 1,642*** | -2,559**** | |
Fabrication d’équipements de radio, télévision et communication | s32 | 1,82*** | -0,858** | |
Fabrication d’instruments médicaux, de précision, d’optique et d’horloge | s33 | 1,707*** | -3,169**** | |
Industrie automobile | s34 | 1,688*** | -1,161**** | |
Fabrication d’autres matériels de transport | s35 | 1,804*** | -0,795** | |
Aéronaut | s353 | 0,23 | -0,912** | |
Fabrication de meubles ; industries diverses | s36 | 1,298** | -1,059**** | |
Nombre d’observations = 1648 firmes innovantes L0 (Log vraisemblance initiale)=-9648,9373 L1 (Log vraisemblance finale) = -9 032,21 |
chi2(44) = 1233,45 Prob > ; chi2 = 0.0000 Pseudo R² (1-L1/L0) =0,0639 |
|||
NB : le secteur 261 a été retranché afin de permettre l’estimation d’une constante | ||||
* : significatif à 10 %, ** à 5%, *** à 1%, **** à 0,1% | ||||
Source : CIS1 SESSI |
Prédiction | ||||
Procédé | Produit & procédé | Total | ||
Observé | Produit | 39 | 443 | 482 |
8 | 92 | 100 | ||
17 | 31 | 29 | ||
Procédé | 100 | 256 | 356 | |
28 | 72 | 100 | ||
43 | 18 | 22 | ||
Produit & procédé | 91 | 719 | 810 | |
11 | 89 | 100 | ||
40 | 51 | 49 | ||
Total | 230 | 1 418 | 1 648 | |
14 | 86 | 100 | ||
100 | 100 | 100 | ||
Taux de bonne prédiction : 50% | ||||
Source : modèle du tableau 86 |
P(Iprod/ Iprod&proc) | P(Iproc/ Iprod&proc) | ||
Constante | -0,701**** | 1,156**** | |
Proportion de firmes innovantes dans le secteur | 0,775* | -4,144**** | |
Nombre d’observations: 1648 firmes innovantes L0 (Log vraisemblance initiale)=-9648,9373 L1 (Log vraisemblance finale)= -9 312,91 |
chi2(2) =672,06 Prob > ; chi2 = 0.0000 Pseudo R² (1-L1/L0) =0,0348 |
||
NB : le secteur 261 a été retranché afin de permettre l’estimation d’une constante | |||
* : significatif à 10 %, ** à 5%, *** à 1%, **** à 0,1% Source : CIS1 SESSI |
Prédiction | ||||
Procédé | Produit & procédé | Total | ||
Observé | Produit | 28,00 | 454 | 482 |
5,81 | 94,19 | 100 | ||
21,71 | 29,89 | 29,25 | ||
Procédé | 49,00 | 307 | 356 | |
13,76 | 86,24 | 100 | ||
37,98 | 20,21 | 21,6 | ||
Produit & procédé | 52,00 | 758 | 810 | |
6,42 | 93,58 | 100 | ||
40,31 | 49,90 | 49,15 | ||
Total | 129,00 | 1519 | 1648 | |
7,83 | 92,17 | 100 | ||
100 | 100,00 | 100 | ||
Taux de bonne prédiction : 49% | ||||
Source : modèle du tableau 88 |
Au regard des résultats il est clair que l’emploi d’une seule variable plutôt que d’un jeu d’indicatrices sectorielles entraîne une chute importante du gain de vraisemblance (de l’ordre de 46%) mais beaucoup moins forte du pouvoir prédictif du modèle (de l’ordre de 1%). Pour prédire le type de comportement innovant adopté par une firme lorsque le nombre de variables explicatives incorporables dans un modèle est restreint (du fait du trop faible nombre d’observations) et/ou que l’on désire expliciter l’origine de certains phénomènes, il peut donc être avantageux de préférer l’emploi de la variable ’ Proportion de firmes innovantes dans le secteur’ plutôt que d’indicatrices sectorielles.
Taille | Nb. | Distribution des firmes innovantes | ||||
Quantile (2) | Obs.(1) | INNO(3) | PROD(4) | PROC(4) | PROD & PROC(4) | |
1 Petite | 64 | 20,5% | 29,2% | 38,9% | 31,9% | |
2 | 28 | 27,2% | 32,9% | 30,5% | 36,6% | |
3 | 7 | 31,0% | 27,0% | 34,2% | 38,8% | |
4 | 11 | 30,7% | 37,7% | 25,1% | 37,2% | |
5 Médiane | 19 | 36,5% | 42,1% | 26,9% | 31,0% | |
6 | 12 | 41,7% | 38,5% | 31,0% | 30,5% | |
7 | 11 | 41,4% | 30,8% | 24,1% | 45,1% | |
8 | 24 | 44,4% | 35,9% | 19,7% | 44,4% | |
9 | 37 | 49,5% | 23,1% | 23,4% | 53,5% | |
10 Grande | 259 | 65,9% | 21,7% | 13,2% | 65,2% | |
Total | 1 648 | |||||
Proportion dans l’échantillon | 43% | 31% | 25% | 44% | ||
Proportions moyennes (moyennes des 10 quantiles) | 38,9% | 31,9% | 26,7% | 41,4% | ||
(1) Nb. Obs. : effectif brut de firmes innovantes observées dans chaque classe de taille. (2) Les quantiles sont définis au niveau sectoriel de la NAF à deux indices. On en a calculé 10 (10*10%) sur la base des Chiffres d’affaires hors taxes en 1992 de l’ensemble des firmes répertoriées dans l’EAE et composant chacun des secteurs pris en compte dans l’étude. (3) Le pourcentage de firmes innovantes est défini par rapport à l’ensemble des firmes sondées (innovantes + non innovantes). (4) Les pourcentages de firmes innovantes en produits, procédés et produits & procédés sont uniquement définis par rapport à l’ensemble des firmes innovantes. Source : CIS1 SESSI EAE 1992 |
Voir tableau 78.