Navigation – Plan du site

AccueilNuméros170L’(in)efficience des universités ...

L’(in)efficience des universités françaises dans un contexte de forte compétition nationale : une analyse semi-paramétrique

The efficiency of the French Universities in a context of strong competition: a semiparametric analysis
Jordan Moureaux, Gabriel Figueiredo de Oliveira et Alexandra Schaffar
p. 111-150

Résumés

Cet article propose d’étudier l’efficience des universités françaises dans leurs missions de formation et de recherche. Ce travail se différencie de la littérature existante par la définition du concept d’efficience, par son champ géographique et par l’hypothèse que le territoire joue un rôle déterminant sur l’efficience des universités. En premier lieu, nous estimons des scores d’efficience des universités françaises via un modèle DEA (Data Envelopment Analysis). Les résultats montrent que le classement d’efficience des universités françaises diverge de ceux établis par un ensemble de classements internationaux controversés. Dans un second temps, à l’aide d’un modèle empirique, nous explorons les facteurs explicatifs de l’efficience des universités françaises. Les résultats montrent que certaines variables territoriales mais aussi un environnement compétitif dans favorisent l’efficience des universités.
Classification JEL : H52, I23, O43, R11.

Haut de page

Texte intégral

1. Introduction

1Les universités sont des entités atypiques dans le monde économique contemporain. Bien qu’elles apparaissent comme des institutions à but non lucratif générant des outputs non marchands, leur rôle est déterminant dans la formation du capital humain individuel et collectif. La renommée et/ou la performance des universités permettent de caractériser et de mesurer le potentiel et la valeur du capital humain généré.

2L’objectif de cet article est de mesurer et d’analyser l’efficience des universités françaises. Or la mesure de la performance des universités relève d’une équation historiquement complexe. La première étape de la complexification de la mission des universités se produit à la fin du XIXe siècle, lorsque la fonction de recherche s’ajoute à la fonction traditionnelle d’enseignement (Leydesdorff, 2000). À la fin de la Deuxième Guerre mondiale, la deuxième étape de cette complexification survient avec l’importance accordée aux interactions entre l’université et la société civile (Molas-Gallart et al., 2002). À partir du milieu des années 1980, les universités s’imposent progressivement comme un déterminant fondamental de la compétitivité industrielle et régionale (Florax, 1992 ; Florida, 1999 ; Gunasekara, 2006).

3L’étude de l’efficience des universités permet d’analyser la façon dont chaque établissement utilise ses ressources propres mais aussi mobilise les ressources régionales afin d’améliorer et augmenter la production de connaissances et sa diffusion. Le terme efficience est préféré à celui d’efficacité, au moins en France où les universités ne sont pas des entreprises à but lucratif (contrairement aux États-Unis ou au Royaume-Uni). De ce fait, l’optimisation doit se faire via la réalisation d’une production conjointe en termes d’enseignement et de recherche, réalisée sous des contraintes budgétaires et humaines qui ne sont pas toujours maîtrisées par chaque établissement (Akviran 2001 ; Abott et Doucouliagos, 2003 ; Casu et Thanassoulis, 2006). Johnes et al. (2017) mettent en évidence un paradoxe qui consiste, pour les universités, à devoir fournir un service d’éducation le plus efficient et compétitif possible sous un régime de financement public.

4Les universités entrepreneuriales aux États-Unis et au Royaume-Uni sont considérées comme plus autonomes économiquement et leurs relations avec l’industrie sont nombreuses (Saxenian, 1996 ; Clark, 2001). Les activités relatives à la société civile sont exprimées par la production universitaire de connaissances et leur exploitation commerciale (Philpott, 1994). Ces transferts technologiques sont souvent corrélés avec une augmentation du financement des universités par les firmes, mais dépendent également des dispositifs nationaux en matière de financement public ou les droits de propriété intellectuelle (Agrawal, 2001). Au Royaume-Uni, un nouveau clivage apparaît entre les universités axées sur l’enseignement (payant) et celles axées sur la recherche orientée vers la valorisation et la commercialisation des connaissances scientifiques. À l’opposé, les universités françaises se consacrent davantage à leurs missions d’enseignement et de recherche, avec une moindre diversification des financements et une dépendance plus forte aux dotations de l’État, bien que ceci change progressivement. Le contexte universitaire français apparaît comme relativement atypique face aux universités du monde anglo-saxon et il convient d’en retracer l’histoire afin de mieux cerner leurs problématiques spécifiques.

5Dans le milieu des années 1960, la France fait face à une première vague de massification étudiante et aux manifestations de Mai 1968. La loi Faure, votée en 1968, engendre une vague de création d’universités permettant de répondre aux problèmes de congestion liés à l’arrivée de flux importants de nouveaux étudiants. En créant le statut d’établissement public à caractère scientifique et culturel (EPSC), la loi Faure vise à rendre les universités des entités autonomes et pluridisciplinaires. L’enseignement supérieur reste toutefois divisé en deux ensembles distincts : les grandes écoles et les universités qui apparaissent comme des fédérations d’UER (UFR, par la suite).

6Dans les années 1980, la France connaît une seconde vague de massification de l’enseignement supérieur avec un accroissement conséquent du nombre d’étudiants. Le ministère de l’Enseignement supérieur engage les négociations avec les universités sur la base d’une politique contractuelle qui marque une véritable rupture avec les pratiques passées en accordant plus d’autonomie aux universités et annonce les prémices des réformes postérieures (Musselin, 2017).

7À partir des années 2000, les pratiques et les objectifs affichés dans le passé laissent place à un discours politique marquant la différenciation des universités et matérialisé par la mise en place de procédures d’évaluation à tous les niveaux. La pression des classements nationaux et internationaux médiatisés dans la presse (comme le classement de Shanghai) a des effets concrets sur la politique universitaire avec, d’une part, l’avènement des stratégies d’excellence (PIA, IDEX) et, d’autre part, une modification des principes de gestion des universités et la progression du New Public Management (NPM) dans le secteur de l’enseignement et de la recherche (Musselin, 2017).

  • 1 Les IDEX ne sont pas pris en compte dans notre analyse puisqu’ils concernent des dotations pluriann (...)

8Les politiques d’excellence ne sont pourtant pas nouvelles dans le paysage universitaire français ; elles démarrent dans les années 1980 avec les programmes Université 2000 et Université du 3e Millénaire (Milard et Grossetti, 2019). Cependant, ce n’est qu’à partir de 2010, sous la pression des classements internationaux, que la France rejoint la tendance européenne en matière de politique d’excellence de la recherche avec le Programme d’Investissements d’Avenir (PIA). Le programme d’IDEX apparaît comme la dernière étape de cette politique et concerne une vingtaine de sites (IDEX + I-SITE), pour la plupart des COMUE ou des universités unifiées comme Montpellier1.

9L’objectif de cet article est de mesurer les performances des universités françaises et d’identifier, à l’aide d’un modèle DEA, les déterminants de leur efficience pour les fonctions d’enseignement et de recherche pour l’année 2014. Il propose de se focaliser sur le rôle des facteurs territoriaux et régionaux dans les performances des universités afin d’interpréter les différences d’efficience affichées entre les établissements. Il montre que de nombreuses universités françaises sont caractérisées par une forte inefficience.

10Cet article est organisé de la manière suivante : la section 2 fournit une revue de la littérature sur la question de l’efficience des universités. La section 3 détaille la méthodologie employée et présente les données utilisées. La section 4 présente et discute les résultats du modèle en termes de classement des universités. La section 5 analyse et discute les déterminants de l’(in)efficience. La section 6 conclut.

2. Revue de la littérature

  • 2 Voir l’Annexe 1 pour un tableau récapitulatif des travaux dans ce domaine.

11Les premières recherches sur l’efficience des universités se focalisent sur la fonction de l’enseignement supérieur (Cave et al., 1989 ; Johnes, 1996). Plusieurs travaux s’emparent de cette problématique et questionnent les systèmes d’enseignement supérieur en Australie (Avkiran, 2001 ; Abbott et Doucouliagos, 2003 ; Williams et Van Dyke, 2004 ; Carrington et al., 2005 ; Worthington et Lee, 2008 ; Lee et Worthington, 2016), aux États-Unis (Sav, 2012 ; Guironnet et Peypoch, 2018), au Royaume-Uni (Johnes et Johnes, 1995 ; Izadi et al., 2002 ; Flegg et al., 2004), en Italie (Bonaccorsi et al., 2006 ; Agasisti et Salerno 2007 ; Abramo et al., 2008 ; Agasisti et Bonomi, 2014 ; Agasisti et al., 2016 ; Barra et al., 2017) ou en Allemagne (Warning, 2004 ; Fandel, 2007 ; Kempkes et Pohl, 2010). Certaines études comparent les performances des universités de plusieurs pays de l’Union européenne afin d’identifier les déterminants de leur efficience, en gommant néanmoins, les effets de spécificité nationale (Agasisti et Pérez-Esparrells, 2010 ; Agasisti et Wolszczak-Derlacz, 2015 ; Lehmann et al., 2018)2.

12À la suite de Beasley (1995) qui souligne la difficulté de proportionner des ressources partagées entre l’activité de l’enseignement et l’activité de recherche, plusieurs travaux ont cherché à différencier l’efficience des deux fonctions principales de l’université du fait de leur nature bien distincte mais aussi des problèmes sous-jacents à l’évaluation de chacune d’entre elles (Bonaccorsi et al., 2007 ; Johnes et al., 2008 ; Sagarra et al., 2017).

13Dans un travail de comparaison de plusieurs universités européennes, Bonaccorsi et al. (2007) montrent que les niveaux d’efficience dans l’enseignement et la recherche sont liés à la taille de l’université : les universités de taille importante apparaissent comme moins efficientes en ce qui concerne la mission de formation en raison d’un personnel universitaire plus dévoué à l’activité de recherche. Leurs résultats vont à contre-courant des effets de taille attendus et souvent imaginés par les étudiants comme par les pouvoirs publics. Ils s’expliquent par les choix stratégiques différents entre les grandes universités et celles de taille plus modérée.

14La tension qui résulte de la compétition entre les universités peut aussi expliquer les différents degrés d’efficience. Selon Johnes (2006), les hauts niveaux d’efficience des universités britanniques sont dus à la forte pression concurrentielle que connaissent les établissements d’éducation supérieure dans ce pays, afin d’attirer des étudiants qui par leurs frais de scolarité élevés alimentent des fonds supplémentaires pour la recherche. Plusieurs travaux défendent l’idée que la mise en compétition permet d’améliorer l’efficience des universités : dans leur comparaison des institutions universitaires britanniques et italiennes, Agasisti et Johnes (2009) montrent que l’efficience supérieure des premières est liée à un environnement plus compétitif et à une dépendance vis-à-vis des financements publics plus faible. En travaillant sur un panel de 340 facultés de 48 universités italiennes, durant la période 2004-2008, Bergantino et al. (2015) montrent que l’introduction d’un environnement davantage concurrentiel incite à une plus grande efficacité en matière d’enseignement.

15Il convient toutefois de distinguer les effets de l’exposition à la mise en compétition nationale par rapport à la concurrence internationale. En étudiant les universités australiennes et néo-zélandaises, Abbott et Doucouliagos (2009) montrent que les premières attirent de nombreux étudiants étrangers, contrairement aux secondes. L’exposition à une concurrence internationale pour des étudiants étrangers augmente considérablement le degré d’efficience des universités australiennes par rapport à leurs homologues néo-zélandaises qui sont davantage réservées au vivier estudiantin national.

16D’autres travaux mettent en exergue le rôle des territoires (et des inégalités régionales) comme un déterminant de l’efficience des universités. Kempkes et Pohl (2010) évaluent l’efficience des universités allemandes en distinguant celles de l’Ouest et celles de l’Est dont le financement dépend davantage des dotations publiques. Ils considèrent que l’efficience peut se mesurer également par la capacité des universités de solliciter et obtenir ces financements publics.

17De façon étonnante, les universités françaises ne font pas l’objet de telles études, hormis quelques exceptions comme le travail de Curi et al. (2012) qui propose une évaluation du transfert de technologies opéré par les universités françaises sur la période 2003-2007. Curi et al. (2012) trouvent un niveau d’efficience relativement faible pour l’ensemble des universités françaises, résultat qu’ils expliquent, d’une part, par les écarts grandissants entre les différentes catégories d’universités (les universités spécialisées dans les sciences et l’ingénierie apparaissant comme étant les plus efficientes) et, d’autre part, par un ensemble de facteurs institutionnels dont certains affichent une connotation régionale. Les sections suivantes ont comme objectif de remédier à cette absence.

3. Méthodologie et données

  • 3 On prend en considération les universités, les universités technologiques, les grandes Écoles, les (...)

18Dans ce travail, nous considérons, dans un premier temps, uniquement les universités françaises, en excluant les établissements privés, comme les écoles d’ingénieurs et les écoles de commerce3. Toutefois nous intégrons, dans un deuxième temps, l’ensemble des établissements d’enseignement supérieur habilités par le ministère de l’Enseignement supérieur et de la Recherche par le biais d’une variable de mise en compétition afin d’explorer les déterminants territoriaux de l’efficience.

19Les universités françaises comptent 1 485 212 étudiants en 2013-2014. Elles enregistrent une forte croissance de leurs effectifs, avec une augmentation de 76 374 étudiants en 8 ans, soit un taux de variation de 5,42 % entre les années universitaires 2006-2007 et 2013-2014. Au cours de cette période, il n’y a aucune création d’université ; à l’inverse, des regroupements d’universités se sont produits, ce qui pose légitimement la question de la (nouvelle) localisation des étudiants, de la capacité d’accueil des universités et de l’impact de ces fusions sur l’efficience technique des établissements concernés.

20L’Analyse d’Enveloppement des Données (DEA) est l’outil le plus couramment utilisé pour évaluer l’efficience relative d’une unité décisionnelle (DMU) lorsque celle-ci transforme des inputs en outputs. Elle permet de déterminer empiriquement la frontière de production, sans qu’il ne soit nécessaire de définir, au préalable, la forme que doit prendre cette fonction. Nous suivons la méthodologie en deux étapes, initiée par Simar et Wilson (2007), qui permet de prendre en considération le rôle de différents facteurs externes dans le processus de production des universités afin de contrôler leur influence positive ou négative sur l’efficience (Bergantino et al., 2015 ; Wolszczak-Derlacz, 2017 ; Yang et al., 2018).

Si n représente le nombre d’universités que l’on cherche à évaluer, nous faisons l’hypothèse que chacune d’entre elles consomme un ensemble d’inputs Image 100000000000003200000015CC0099E2162EB813.png pour produire Image 10000000000000320000001575F42384AA32D1F8.png. L’ensemble des points 𝚿 susceptibles d’être réalisés est formulé comme suit :

Image 100000000000018600000017A1FB1364C7D4BCF6.png

21La technologie de production disponible représente l’ensemble des outputs pouvant être produits pour un niveau d’inputs donné. Elle est déduite de la manière suivante :

Image 10000000000001620000001627103FDB188A0C9B.png

22Le niveau de production maximale détermine la frontière de production efficiente :

Image 100000000000019100000016D7A5C51E21613BAE.png

23Le score d’efficience estimée pour un point (x0y0) ∈ 𝚿 est exprimé par l’équation :

Image 10000000000001710000001663426F54943D0153.png

24Comme l’ensemble de production 𝚿 n’est pas observé, les scores d’efficacité estimés sont obtenus à partir du programme suivant :

Image 10000000000001B800000032CAA3A3013C318C1A.png

Le score d’efficience de chaque unité décisionnelle est calculé par des méthodes non paramétriques. Par la suite, nous cherchons à déterminer le rôle d’un ensemble de variables environnementales sur l’(in)efficience (scores d’inefficience (Image 1000000000000012000000139A224FB8E9B82D89.png) obtenus lors de la première étape du modèle DEA) :

Image 10000000000001320000002CC57348C2D1820F0A.png

  • 4 Simar et Wilson (2007) proposent un recours aux modèles de troncature. Ils montrent que les estimat (...)
  • 5 Cette procédure est répliquée 1000 fois et la fréquence des estimations du bootstrap est utilisée p (...)

Nous suivons Simar et Wilson (2007) qui recommandent de procéder à un bootstrap, afin d’obtenir des coefficients non biaisés et des intervalles de confiance valides4. L’équation (6) est estimée par la méthode de maximum de vraisemblance tronquée. Pour chaque observation, un ensemble de 𝜀k d’une distribution Image 100000000000003A000000124630A603CDDCD710.png et une troncature à 1 – 𝛽zk sont utilisés afin de calculer Image 100000000000006400000014561F5A5E4F834000.png.5

25La réalisation d’un DEA exige, dans une première étape, la sélection des variables d’inputs et d’outputs permettant de retranscrire les ressources et les productions de l’université. Pour chacun des modèles testés, nous avons sélectionné quatre inputs et deux outputs. Le tableau 1 présente les statistiques descriptives relatives aux inputs et aux outputs utilisés dans le modèle retenu.

Tableau 1. Statistiques descriptives pour la première étape (DEA)

Universités

Moyenne

Écart-type

Min

Max

INPUTS

Budget (M €)

56

170,79

110,13

45,05

478,82

Nombre d’enseignants

56

1425

935,5

363

4350

Nombre d’étudiants

56

23897,5

13946

6524

67380

Typologie (1/2/3/4)

56

1

4

OUTPUTS

Nombre de publications

56

1557,85

1867,62

119,90

9188,30

Réussite L3 en 3 ans %

56

53,37

6,84

37,10

69,60

Source : Auteurs

26Ces statistiques proviennent de la base de données du ministère de l’Enseignement supérieur, de la Recherche et de l’Innovation, à l’exception de la variable réussite en Licence 3 en 3 ans qui est issue de données d’enquête réalisées par le ministère.

27La sélection d’inputs tels que le nombre d’enseignants et d’étudiants est assez classique dans la littérature économique concernant l’efficience des universités, puisqu’ils permettent de prendre en compte les ressources humaines nécessaires au bon fonctionnement d’un établissement (Katharaki et Katharakis, 2010 ; Berbegal et Solé Parellada, 2012 ; Göksen et al., 2015). La variable budget est obtenue à partir des données sur les subventions pour charge du service public des universités françaises (programme P 150 de la LOLF). Cette variable est moins fréquente dans la littérature sur l’efficience des universités car elle n’est pas tout le temps disponible pour tous les établissements, notamment pour les écoles et universités privées (Kuah et Wong, 2011) ; dans notre modèle, elle permet de mesurer approximativement les ressources financières des universités (voir aussi Johnes, 2006).

28La variable typologie des universités permet de contrôler l’effet « structure » des universités. Les différentes catégories d’universités ont des niveaux d’efficience différents. Cette variable permet, par exemple, de tenir compte de la spécificité des universités à dominante médicale. Les catégories 1, 2, 3, 4 correspondent respectivement aux universités pluridisciplinaires hors santé, les universités pluridisciplinaires avec un pôle santé, les universités scientifiques et/ou médicales et les universités tertiaires.

29Le choix de recourir à la variable réussite en Licence en 3 ans s’explique par la volonté d’utiliser une variable reflétant la qualité de la formation sur la durée indépendamment de la taille de l’université. Par le choix de cette variable, nous nous distinguons du reste de la littérature et cherchons à obtenir une mesure plus pertinente de l’efficacité des universités dans la réalisation de leur mission de formation. La plupart des travaux dans ce domaine prennent comme critère le nombre total de diplômés en Licence, Master et Doctorat, ce qui pose deux problèmes concomitants : d’une part, il balaie un grand nombre de diplômes existants au cours du cursus universitaire ; d’autre part, il est biaisé par les taux de réussite très élevés pour les étudiants en années de Master.

  • 6 Voir projet IPERU de l’OST de l’HCERES.

30L’évaluation de la mission recherche repose sur la variable concernant le nombre de publications scientifiques. Elle revêt un caractère quantitatif puisqu’elle recense le nombre des publications, mais aussi un aspect qualitatif puisqu’elle ne considère que les articles publiés dans les revues internationales les mieux classées : la base de données utilisée provient du Web of Science (WoS) de Clarivate Analytics, qui est l’une des bases de référence les plus reconnues pour les études bibliométriques6. Cette base recense en priorité les revues scientifiques les plus influentes au niveau international. Cependant, même si cette base reste une référence bibliométrique indéniable, il convient de signaler que son défaut majeur concerne sa faible représentativité dans certaines disciplines comme l’informatique et l’ingénierie où une part importante des informations circule par d’autres canaux que les revues scientifiques internationales. Un deuxième souci méthodologique que pose l’utilisation de cette base est qu’elle n’est pas disponible pour les universités présentant moins de 100 publications par an (pour l’année 2014), ce qui nous a amenés à réduire le nombre d’observations de notre modèle DEA de 71 à 56 établissements. D’autres variables, comme le nombre de doctorants, le volume des projets scientifiques ou les dépôts de brevets, auraient pu être utilisées pour évaluer la production des universités en matière d’activité de recherche, mais elles semblent beaucoup moins pertinentes que les publications scientifiques ou les bases de données sont fortement incomplètes (par exemple pour les brevets).

31La seconde étape du modèle DEA se focalise sur les déterminants territoriaux de l’efficience des universités. On admet trois types de variables : les variables propres aux universités, les variables environnementales et les variables de mise en compétition. Pour les premières, les données proviennent de la même source que les variables utilisées dans la première étape, à savoir la base de données du ministère de l’Enseignement supérieur, de la Recherche et de l’Innovation. Les variables environnementales permettent de caractériser les territoires et proviennent du recensement général de l’INSEE. Les variables de mise en compétition ont été construites à partir de l’indice de Herfindahl-Hirschmann (HHI) qui mesure la concentration des établissements d’enseignement supérieur et leurs parts de marché. Elle peut être utilisée comme un proxy de l’environnement concurrentiel des établissements d’enseignement supérieur.

32Pour calculer les indices de Herfindahl-Hirschmann (HHI), nous avons dans un premier temps recueilli des informations sur le nombre d’étudiants pour les 221 établissements rattachés au ministère français de l’Enseignement supérieur, de la Recherche et de l’Innovation (MESRI), puis nous avons estimé la distance orthodromique entre chaque établissement d’enseignement supérieur. Dans un second temps, nous avons identifié les établissements inclus dans diverses distances géographiques définies dans 10 rayons de voisinage différents pour une distance variant de 0 à 500 km, avec un incrément de 25 km. L’indice de concentration HHI est calculé comme suit :

Image 100000000000006300000028AEB8DB416355B909.png

où 𝜂ijk est la part de marché de l’université k en termes de nombre d’étudiants sur le marché défini par la distance j de l’établissement i. N est le nombre d’établissements pour la configuration j. L’Indice (HHI) va de 1 / N (concurrence pure) à 1 (monopole).

33Les universités évoluent dans des territoires hétérogènes ; la sélection des variables territoriales a pour objectif de tester l’incidence des disparités territoriales sur l’efficience des universités. La variable (pop_m) permet de tenir compte des différences de la taille de la population entre les départements et donc de capter l’effet des tailles des villes dans les lesquelles sont localisées les universités (Bergantino et al., 2015). Le taux de pauvreté (tx_pauv) a pour objectif de caractériser la population du département selon le niveau de vie. D’autres articles (Barra et al., 2017 ; Wolszczak-Derlacz, 2017) utilisent la variable du PIB par département pour capter l’effet richesse, mais cette variable n’est pas disponible au niveau départemental, en France.

34La variable (tx_s_etud_1524) établit la capacité des départements à attirer des étudiants de 15 à 24 ans, ce qui reflète la mobilité des étudiants dans le supérieur mais également celle des étudiants potentiels. Le taux d’attractivité (tx_att_dep_limit) est une variable plus originale, moins présente au sein de la littérature, et apparaît comme un proxy de la capacité d’attraction des universités. On admet que les universités qui ont une capacité à attirer les néo-bacheliers des départements limitrophes soient plus efficientes que celles qui n’y parviennent pas.

35Enfin, la variable (anc_nouv_univ) permet de tester la relation entre le moment de création de l’université et son efficience. On admet l’hypothèse que les nouvelles universités soient plus efficientes que les anciennes universités, et cela grâce à une flexibilité supérieure en dépit d’une réputation et d’une histoire qui peuvent être moindres.

36D’autres variables ont été testées dans ce travail : nous avons, d’abord, introduit une variable d’accessibilité qui mesure la qualité des infrastructures de transport, calculée par le nombre d’aéroports et de gares par département. Ensuite, nous avons utilisé une variable qui mesure la part de la population diplômée de chaque département, correspondant au nombre de personnes non scolarisées de 15 ans ou plus titulaires d’un diplôme de l’enseignement supérieur. Par ailleurs, nous avons testé le rôle du revenu médian par département. Enfin, en suivant Barra et al. (2017), nous avons testé le rôle de la part du genre féminin dans la population estudiantine de chaque université. Aucune de ces variables n’a été retenue à cause de sa non-significativité. L’inclusion ou l’exclusion de ces variables n’a aucun effet sur le modèle présenté et donc sur la significativité des autres variables exogènes. Le tableau 2 fournit les statistiques descriptives principales pour les variables utilisées.

Tableau 2. Statistiques descriptives des variables utilisées dans la seconde étape

  • 7 Nous avons construit la variable ancienne/nouvelle université (0/1) à partir de la date de création (...)

Variable

Description

Effectif

Moyenne

Écart-type

Min

Max

Pop_m

Population du département en millions

47

1,2149

0,5978

0,3762

2,6035

Tx_pauv

Taux de pauvreté au niveau départemental

47

14,8748

4,0895

9,5

28,6

Tx_s_etud_1524

Solde migratoire des étudiants par département

47

1,4371

2,4271

−2,7693

4,9782

Tx_att_dep_limit

Inscription d’étudiants avec bac obtenu dans département limitrophe

47

23,6609

8,3653

8,5980

41,1677

L_hhi_near_25

Indice de Herfindahl-Hirschmann (en log) pour un périmètre de 25 km

47

8,3533

1,0990

6,2766

9,2103

Variable

Description

Effectif

Nbe de 0

Nbe de 1

Min

Max

Univ_19687

Universités créées avant ou après 1968 (0/1)

47

18

29

0

1

Source : Auteurs

4. Résultats : classement en termes d’efficience

37Les quatre inputs sélectionnés permettent de capturer les ressources financières et humaines nécessaires à la bonne réalisation des deux missions de l’université. En revanche, au niveau des outputs, des tests ont été effectués afin de déterminer quel ensemble permettrait de retranscrire le plus fidèlement possible la production émanant de l’université en matière d’activité d’enseignement et de recherche. Le tableau 3 permet de synthétiser les informations et les combinaisons inputs-outputs des quatre modèles testés.

38Le modèle 1 n’est pas retenu, car la variable relative au nombre de diplômés peut être critiquée en raison du fort taux de réussite dans les années diplômantes dans le système LMD (78,3 % en L3 et 87,7 % en M2 en 2014). Bien que cette variable reflète la génération de capital humain par les universités, elle n’est pas représentative en termes de qualité d’enseignement et ne permet pas de différentier les universités sous l’angle de l’efficience.

Tableau 3. Ensembles d’inputs et d’outputs pour les différents modèles d’efficience des universités

Modèles

1

2

3

4

INPUTS

Budget (M€)

X

X

X

X

Nombre d’enseignants

X

X

X

X

Nombre d’étudiants

X

X

X

X

Typologie des universités

X

X

X

X

OUTPUTS

Nombre de publications

X

X

X

Publications par chercheurs

X

Nombre de diplômés (LMD)

X

Taux de passage L1/L2

X

Taux de réussite en L3 en 3 ans

X

X

Source : Auteurs

39Le modèle 3 recourt à la variable taux de passage de la L1 à la L2. Comme le baccalauréat conduit à une inscription quasi automatique à l’université, le taux de réussite en L1 apparaît comme le véritable indicateur de sélection et permet d’identifier la réussite des étudiants. Toutefois, cette variable présente le défaut d’être très sensible à la discipline enseignée et sa variation peut-être relativement élevée d’une année sur l’autre. La variable réussite en L3 en 3 ans permet de prendre en compte une temporalité plus longue et se révèle également plus stable.

40La variable Publications par Chercheurs représente le nombre total de publications scientifiques pondérées par le nombre de chercheurs (enseignants-chercheurs + doctorants). Cette variable mesure la productivité scientifique de chaque établissement. Cependant, la pondération par le nombre de chercheurs peut conduire à des conclusions discutables et plus difficiles à interpréter lorsque l’on évalue l’activité de la recherche dans son ensemble (une petite université avec quelques chercheurs fort publiants affiche des meilleurs résultats qu’une université avec un volume de publications plus élevé, mais partagé entre un nombre conséquent de chercheurs) ce qui conduit à écarter le modèle 4.

41Pour faire face à d’éventuels problèmes de robustesse du fait de la prise en compte d’une seule année (2014) dans cette étude, nous avons procédé à des tests de robustesse (annexes 2 à 5). Le modèle DEA a été testé pour les années 2013 à 2017, la variable publication est la seule fixée dans le temps, avec les données de 2014. Nous observons une grande stabilité sur les années, avec un coefficient de corrélation de Spearman très élevé, ce qui signifie que la modification du rang des universités dans le temps est très faible.

42Le tableau 4 présente les scores ainsi que les rangs pour les différents modèles. Le coefficient de Spearman montre une forte corrélation entre les rangs des modèles 2, 3 et 4. Les scores d’efficience de ces modèles sont relativement proches. Nous faisons le choix de retenir le modèle 2 pour expliquer l’inefficience des universités françaises via la seconde étape de notre modélisation. Ce modèle fait ressortir 8 universités efficientes sur l’ensemble des 56 établissements considérés (soit 14,29 % des universités de notre échantillon).

  • 8 Les universités ayant un score de 1 sont efficientes et sont premières dans le classement. Les rang (...)

Tableau 4. Efficience des universités françaises pour l’année 20148

Image 100000000000054200000853B2FE5A38FD3F018F.png

Source : Auteurs

43Les universités les plus efficientes, selon le modèle 2, sont différenciées par leur taille ou par leur localisation : on trouve en pole position certaines universités parisiennes (Université Paris-Descartes, Université Paris-Diderot, Sorbonne Université) et des universités régionales de petite taille (Université d’Avignon, Université de Savoie, Université Bretagne-Sud, Université de Haute-Alsace, Université d’Angers). A contrario, parmi les universités les moins efficientes, nous retrouvons également certaines universités parisiennes (Université Paris 8, Université Paris 13) ainsi que des universités régionales de taille intermédiaire (Université de Rouen, Université de Reims Champagne-Ardenne).

44Un deuxième constat est que ce classement privilégie et/ou désavantage certaines catégories d’universités : les universités pluridisciplinaires hors santé présentent des scores d’efficience élevés, compris entre 0,80 et 1. Les universités avec une activité dans le domaine médical et/ou de la santé affichent des taux de réussite plus faibles.

45La relation entre les scores d’efficience et le budget des universités, fait ressortir des résultats intéressants : trois universités sur les huit qui sont efficientes fonctionnent avec un budget inférieur à 100 millions d’euros. L’efficience moyenne de ces établissements est de 0,9111, alors que pour les établissements ayant un budget entre 100 et 200 millions d’euros, elle tombe à 0,7926. Le résultat est logique étant donné le lien existant entre les ressources budgétaires et la taille de l’établissement. Comme pour la relation entre la taille de l’université et l’efficience, les petites universités ont une gestion plus contrôlée de leurs ressources financières.

46La lecture plus précise de ce tableau conduit à s’interroger sur les causes de l’efficience/inefficience. L’Université d’Avignon et des pays de Vaucluse, une université pluridisciplinaire hors santé de petite taille, avec un budget de 45 millions d’euros, 363 enseignants titulaires et non permanents pour 6524 étudiants inscrits et 190 publications référencées en 2014, est en tête du classement des universités en matière d’efficience. À l’autre bout, l’Université de Lille, parmi les plus grandes universités pluridisciplinaires françaises hors santé avec 67 380 étudiants, 3441 enseignants titulaires et non permanents, un budget de 416 millions d’euros et une forte activité scientifique avec 2165 articles publiés, figure dans la fin du classement en matière d’efficience.

47La carte 1 permet de combiner à la fois le niveau d’efficience et la taille des universités françaises. Les plus grandes universités ne présentent pas nécessairement les scores d’efficience les plus élevés. En revanche, les universités de petite taille arrivent mieux à optimiser le rapport entre les ressources et les outputs. Ceci est conforme aux résultats de Bonaccorsi et al. (2007). Cette conclusion va à l’encontre de l’opinion de nombreux jeunes bacheliers qui dans leurs choix d’études associent souvent la qualité de l’enseignement à la taille de l’établissement. Par le nombre de diplômes distribués, mais aussi par le volume de formations, les universités de grande taille génèrent davantage d’effets externes positifs que les petites sur leur territoire d’accueil mais aussi sur un plan national ; cependant, ceci ne rime pas nécessairement avec une plus grande efficience.

Carte 1. Efficience et taille des universités françaises

Image 10000000000003E8000002060982A766DB6CE337.pngSource : Auteurs, à partir des données du MESRI

48On voit, en second lieu, que la répartition des universités sur le territoire français, quelle que soit leur taille, est homogène à l’exception de la région Île-de-France qui affiche une très forte concentration d’établissements d’enseignement supérieur. Avec 14 universités et 341 068 étudiants inscrits, l’efficience moyenne de l’Île-de-France est de 0,8506. La région qui affiche l’efficience moyenne la plus importante est Auvergne-Rhône-Alpes avec 0,8944, alors que la région Bourgogne-Franche-Comté présente l’efficience moyenne la plus basse avec 0,7620.

49Ces résultats contrastent avec ceux d’autres classements comme celui de Shanghai. Il convient de rappeler que parmi les 21 premiers établissements français présents dans le classement de Shanghai, 5 ne sont pas des universités. Les critères utilisés pour établir ce classement sont contestés (Harfi et Mathieu, 2006 ; Billaut et al., 2010 ; Éloire, 2010 ; Musselin, 2017) : par exemple, les indicateurs de la qualité de la formation dépendent du nombre de prix Nobel et de médailles Fields obtenus par les anciens élèves et/ou le personnel de chaque établissement. Ces récompenses prestigieuses ne concernent cependant que certaines disciplines universitaires comme la Physique, la Chimie, la Médecine, l’Économie et les Mathématiques.

Tableau 5. Classement de Shanghai 2014 et comparaison avec le modèle DEA

Image 100000000000053E000003D586E9D3AEE39A92BB.png

Source : Données de ARWU – Shanghai Ranking et du MESRI, Auteurs

50De même, les articles publiés dans les revues Nature et Science représentent 20 % de la note en recherche ; or ces revues ne concernent que les articles publiés en sciences « dures » au détriment des sciences humaines et sociales. Les critères du classement de Shanghai ont trait à la réputation de l’université et non pas à son efficience en termes d’enseignement et de recherche, ce qui s’avère être favorable aux universités anglo-américaines de grande taille, puisqu’ils avantagent les établissements qui recourent à des sources financières externes et au recrutement de personnels prestigieux, comme des scientifiques nobélisés.

  • 9 Pour ces trois variables, la moyenne du sous-groupe Shanghai représente plus de 80 % de la répartit (...)

51Le tableau 5 permet de confronter les résultats du modèle DEA au classement de Shanghai pour les universités françaises. Les universités françaises présentes dans ce classement se caractérisent par une taille supérieure (mesurée par le nombre d’étudiants, les effectifs salariés et/ou le budget) à la moyenne des 56 universités de notre échantillon9..Aucune université pluridisciplinaire hors santé sur les 16 de notre échantillon n’est présente dans le classement de Shanghai. Les cinq universités scientifiques et/ou médicales de l’échantillon sont présentes dans le classement de Shanghai.

5. Résultats : les déterminants de l’(in)efficience

52À partir des scores d’efficience préalablement obtenus, nous cherchons à comprendre quels sont les déterminants territoriaux, universitaires et de mise en compétition susceptibles d’expliquer les différentes performances des établissements français mais aussi la faible efficience du parc universitaire français dans son ensemble. Le tableau 6 donne les résultats de la régression mettant en lien l’(in)efficience des universités avec un ensemble de facteurs territoriaux et de mise en compétition, considérés au niveau du département.

53En premier lieu, on observe qu’une mise en compétition de proximité – celle entre une université et d’autres établissements d’enseignement supérieur présents dans un rayon de 225 km – affecte positivement l’efficience, ce qui est consistant avec les résultats de Bergantino et al. (2015).

54La carte 2 fait état de la localisation des 211 établissements publics et privés – universités comprises – rattachés au ministère français de l’Enseignement supérieur, de la Recherche et de l’Innovation (MESRI) sur le territoire français (hors DOM-TOM), en mettant en exergue leur proximité éventuelle. Les universités efficientes et inefficientes sont différenciées en fonction des scores d’efficience obtenus via le modèle DEA.

  • 10 Ce travail n’examine pas le rôle des antennes universitaires mais il convient de rappeler qu’elles (...)

55La carte 2 permet de constater les phénomènes de forte polarisation dans le département de Paris avec la présence de 40 établissements. Elle permet également d’observer une continuité entre les départements comptant des effectifs importants d’étudiants inscrits dans différents établissements. Cette contiguïté s’explique par la concentration des établissements de recherche et d’enseignement autour des universités, qui sont elles-mêmes implantées dans les grandes villes françaises. Enfin, on constate que 43 départements n’affichent pas d’étudiants inscrits, ce qui s’explique par la comptabilité des effectifs par le siège de l’établissement et non pas par l’unité d’inscription (les antennes des universités)10. Les universités efficientes sont localisées dans les zones assez denses en termes d’étudiants et caractérisées par un environnement compétitif.

Carte 2. Localisation des établissements de l’Enseignement supérieur

Image 10000000000003E80000023F50966F5863621CFB.png

Source : Auteurs, à partir des données du MESRI

56Les résultats du tableau 6 montrent que les universités entrent en compétition pour attirer les meilleurs étudiants et les meilleurs chercheurs. La proximité géographique des établissements rejaillit sur l’efficience de l’enseignement dispensé et sur la recherche. La proximité géographique permet aux chercheurs d’enseigner dans plusieurs universités, mais aussi de croiser les enseignements avec ceux dispensés dans les grandes écoles et les écoles d’ingénieur. Cette proximité est également bénéfique pour l’activité de recherche car elle favorise les collaborations entre chercheurs de laboratoires différents et permet la mise en place d’événements scientifiques susceptibles de valoriser les travaux de recherche. En ce sens, sans parler de cluster d’enseignement supérieur et de recherche (terme éventuellement réservé à la région Île-de-France qui affiche une densité élevée d’établissements d’enseignement supérieur), on constate que la proximité géographique des universités, dans un périmètre de 225 km, génère des synergies qui augmentent leur niveau d’efficience tout en augmentant leur dimension compétitive.

Tableau 6. Les déterminants de l’efficience des universités

Image 1000000000000541000004B9E74287A8FDB02859.png

Écart-type entre parenthèses. * p < 0.10, ** p < 0.05, *** p < 0.01

57En deuxième lieu, la date de création des universités permet de différencier d’un côté les universités avec un héritage historique important et de l’autre les établissements créés après la mise en application de la Loi Faure de 1968. Les universités créées post-Mai 1968 semblent plus enclines à une efficience élevée liée à une gestion optimisée mais aussi par leurs choix de localisation.

58En troisième lieu, la localisation des universités à un impact sur leur efficience du fait qu’elles puissent bénéficier des effets externes d’échelle ou de variété présents dans un territoire. Les territoires les plus peuplés présentent des avantages indéniables pour les universités : ils disposent d’un réservoir d’étudiants important, d’un espace de production plus volumineux et différencié et d’une efficacité de l’appareil institutionnel souvent élevée.

59On observe une corrélation entre la taille des grandes villes d’une part et l’efficience des universités d’autre part : ceci pourrait être lié à plusieurs séries d’interactions entre ces établissements et le secteur privé : des intervenants du secteur privé viennent dispenser plus facilement des cours dans les universités ; les entreprises locales offrent une palette diversifiée de stages professionnalisants aux étudiants ; les liens entre la recherche universitaire appliquée et les secteurs R&D des entreprises sont plus denses et formalisés.

60La mobilité des étudiants des départements limitrophes est appréhendée par la variable tx_att_dep_limit qui mesure le nombre d’étudiants en première inscription universitaire ayant obtenu leur baccalauréat dans un département limitrophe. Cette variable affecte positivement l’efficience des universités car elle désigne l’aire de marché estudiantin des universités. Dans la majorité des cas, ce sont les étudiants les plus prometteurs qui opèrent ce type de mobilité.

61Enfin, en dernier lieu, la variable taux de pauvreté (tx_pauv) affecte négativement l’efficience des universités. Le choix de cette variable, censée mesurer les performances économiques et sociales d’un département, peut paraître étonnant ; or il convient de noter d’une part que les variables de type PIB, revenu par habitant ou le taux de chômage sont plus volatiles dans le temps ; d’autre part, le taux de pauvreté paraît comme un bon indicateur du niveau des inégalités d’un espace donné. Bergantino et al. (2015) ou Barra et al. (2017) recourent dans leurs études à la classe sociale des parents des étudiants afin de prendre en compte la richesse du territoire ou ses caractéristiques sociales. Les résultats du modèle, dans le tableau 6, montrent qu’un territoire avec un degré de pauvreté plus élevé est moins porteur de synergies positives entre les acteurs locaux affecte négativement l’efficience d’une université.

6. Conclusion et discussion

62Ce travail propose une étude originale de l’efficience des universités françaises. Les résultats obtenus conduisent à la conclusion que les universités françaises présentent, dans leur ensemble, un faible niveau d’efficience. Les universités de petite taille souffrent moins d’un manque d’efficience, contrairement aux grandes universités. Ce résultat peut paraître étonnant, car il va à l’encontre des politiques d’excellence menées par les différents gouvernements en Europe. Ce résultat met en cause à la fois les critères de classement dominants (comme le classement de Shanghai) et les politiques d’enseignement supérieur et de recherche associées qui affichent un objectif de concentration de moyens, de réorganisation géographique des établissements et de promotion de l’excellence internationale. Les universités créées post-1968 sont plus efficientes.

63Les caractéristiques du territoire et l’environnement compétitif affectent le niveau d’efficience des universités françaises. Comme attendu, le potentiel démographique et le dynamisme économique contribuent favorablement à l’efficience des universités. À l’inverse des hypothèses communément admises, la mise en compétition entre établissements semble favoriser l’efficience car elle permet des synergies entre établissements et une optimisation des processus de gestion. Dans ce travail, nous focalisons notre recherche sur la mise en compétition directe, c’est-à-dire la mise en compétition sur un plan national et infranational, or il est nécessaire d’intégrer également la concurrence internationale avec les universités étrangères.

64Une première piste pour un travail futur consiste à ajouter les structures privées, comme les écoles de commerce et d’ingénieurs, qui ne sont pas rattachées au ministère de l’Enseignement supérieur et de la Recherche, dans l’analyse. Cependant, il faut rappeler que ces structures imposent une sélection à l’entrée et pour certaines d’entre elles un coût élevé supporté par les étudiants.

65Une deuxième piste concerne la distinction des performances entre la mission d’enseignement et la mission de recherche. Il serait ainsi intéressant de différencier les universités efficientes dans une des deux missions seulement et identifier les déterminants de cette efficience. En même temps, une telle analyse encourt le risque de conduire à une dissociation entre les établissements de recherche et ceux spécialisés dans l’enseignement.

66Enfin, une dernière piste conduit à l’intégration, dans l’évaluation de l’efficience des universités françaises, des dépôts de brevets, des contrats de recherche avec le monde socio-économique mais aussi des thèses en entreprise. Un tel prolongement exige, cependant, d’une part la construction de bases de données non disponibles de façon centralisée et l’introduction de nouveaux critères dans l’évaluation des performances des établissements universitaires.

Haut de page

Bibliographie

Abbott, M. et Doucouliagos, C. (2003). « The efficiency of Australian universities: a data envelopment analysis ». Economics of Education Review, 22(1), 89-97.

Abbott, M. et Doucouliagos, C. (2009). « Competition and efficiency: overseas students and technical efficiency in Australian and New Zealand universities ». Education Economics, 17(1), 31-57.

Abramo, G., D’Angelo, C. A. et Pugini, F. (2008). « The measurement of Italian universities’ research productivity by a non parametric-bibliometric methodology ». Scientometrics, 76(2), 225.

Agasisti, T. et Salerno, C. (2007). « Assessing the cost efficiency of Italian universities ». Education Economics, 15(4), 455-471.

Agasisti, T. et Johnes, G. (2009). « Beyond frontiers: comparing the efficiency of higher education decision-making units across more than one country ». Education Economics, 17(1), 59-79.

Agasisti, T. et Pérez-Esparrells, C. (2010). « Comparing efficiency in a cross-country perspective: the case of Italian and Spanish state universities ». Higher Education, 59(1), 85-103.

Agasisti, T. et Bonomi, F. (2014). « Benchmarking universities’ efficiency indicators in the presence of internal heterogeneity ». Studies in Higher Education, 39(7), 1237-1255.

Agasisti, T. et Wolszczak-Derlacz, J. (2015). « Exploring efficiency differentials between Italian and Polish universities, 2001-11 ». Science and Public Policy, 43(1), 128-142.

Agasisti, T., Barra, C. et Zotti, R. (2016). « Evaluating the efficiency of Italian public universities (2008-2011) in presence of (unobserved) heterogeneity ». Socio-Economic Planning Sciences, 55, 47-58.

Agrawal, A. K. (2001). « University-to-industry knowledge transfer: Literature review and unanswered questions ». International Journal of Management Reviews, 3(4), 285-302.

Avkiran, N. K. (2001). « Investigating technical and scale efficiencies of Australian universities through data envelopment analysis ». Socio-Economic Planning Sciences, 35(1), 57-80.

Barra, C., Lagravinese, R. et Zotti, R. (2017). « Does econometric methodology matter to rank universities? An analysis of Italian higher education system ». Socio-Economic Planning Sciences, 62, 104-120.

Beasley, J. E. (1995). « Determining teaching and research efficiencies ». Journal of the Operational Research Society, 46(4), 441-452.

Berbegal J. et Solé Parellada, F. (2012). « What are we measuring when evaluating universities’ efficiency ». Regional and Sectoral Economics Studies, 12(3), 31-46.

Bergantino, A. S., Capozza, C. et Porcelli, F. (2015). « Hotelling competition and teaching efficiency of Italian university faculties. A semi-parametric analysis ».

Billaut, J. C., Bouyssou, D. et Vincke, P. (2010). « Faut-il croire le classement de Shangaï ? Une approche fondée sur l’aide multicritère à la décision ». Revue de la régulation. Capitalisme, institutions, pouvoirs (8).

Bonaccorsi, A., Daraio, C. et Simar, L. (2006). « Advanced indicators of productivity of universitiesAn application of robust nonparametric methods to Italian data ». Scientometrics, 66(2), 389-410.

Bonaccorsi, A., Daraio, C. et Simar, L. (2007). « Efficiency and productivity in European universities: exploring trade-offs in the strategic profile ». In A. Bonaccorsi et C. Daraio (eds.), Universities and Strategic Knowledge Creation (Chapter 5), Edward Elgar Publishing.

Carrington, R., Coelli, T. I. M. et Rao, D. P. (2005). « The performance of Australian universities: Conceptual issues and preliminary results ». Economic Papers:
A Journal of Applied Economics and Policy
, 24(2), 145-163.

Casu, B. et Thanassoulis, E. (2006). « Evaluating cost efficiency in central administrative services in UK universities ». Omega, 34(5), 417-426.

Cave, M., Kogan, M. et Hanney, S. (1989). « Performance measurement in higher education ». Public Money & Management, 9(1), 11-16.

Charnes, A., Cooper, W. W. et Rhodes, E. (1978). « Measuring the efficiency of decision making units ». European Journal of Operational Research, 2(6), 429-444.

Clark, B. (2001). « The entrepreneurial university: New foundations for collegiality, autonomy, and achievement ». Higher Education Management, 13(2).

Curi, C., Daraio, C. et Llerena, P. (2012). « University technology transfer: how (in) efficient are French universities? ». Cambridge Journal of Economics, 36(3), 629-654.

Duclert, V. (2006). « Le colloque de Caen, second temps de l’engagement mendésiste. Le Gouvernement de la Recherche ». Histoire d’un engagement politique, de Pierre Mendès France à Chrles de Gaulle (1953-1969), 81-100.

Éloire, F. (2010). « Le classement de Shanghai. Histoire, analyse et critique ». L’Homme la Société, (4), 17-38.

Fandel, G. (2007). « On the performance of universities in North Rhine-Westphalia, Germany: Government’s redistribution of funds judged using DEA efficiency measures ». European Journal of Operational Research, 176(1), 521-533.

Flegg, A. T., Allen, D. O., Field, K. et Thurlow, T. W. (2004). « Measuring the efficiency of British universities: a multi-period data envelopment analysis ». Education Economics, 12(3), 231-249.

Florax, R. J. (1992). The university: a regional booster? Economic impacts of academic knowledge infrastructure. Aldershot, Avebury

Florida, R. (1999). « The role of the university: leveraging talent, not technology ». Issues in Science and Technology, 15(4), 67-73.

Grossetti, M., Losego, P. et Milard, B. (2009). « La territorialisation comme contrepoint à l’internationalisation des activités scientifiques. L’internationalisation des systèmes de recherche en action ». Les cas français et suisse, 281-300.

Grossetti, M., Eckert, D., Gingras, Y., Jegou, L., Lariviere, V. et Milard, B. (2014). « Cities and the geographical deconcentration of scientific activity: A multilevel analysis of publications (1987–2007) ». Urban Studies, 51(10), 2219-2234.

Gunasekara, C. S (2006). « Reframing the role of universities in the development of regional innovation systems ». The Journal of Technology Transfer, 31(1), 101-113.

Guironnet, J. P. et Peypoch, N. (2018). « The geographical efficiency of education and research: The ranking of US universities ». Socio-Economic Planning Sciences, 62, 44-55.

Harfi, M. et Mathieu, C. (2006). « Classement de Shanghai et image internationale des universités : quels enjeux pour la France ? ». Horizons stratégiques, (2), 100-115.

Izadi, H., Johnes, G., Oskrochi, R. et Crouchley, R. (2002). « Stochastic frontier estimation of a CES cost function: The case of higher education in Britain ». Economics of Education Review, 21(1), 63-71.

Johnes, G., Camanho, A. S. et Portela, M. S. (2008). « Assessing efficiency of Portuguese universities through parametric and non-parametric methods ». Portuguese Journal of Management Studies, 13(1), 39-66.

Johnes, G. et Tone, K. (2017). « The efficiency of Higher Education Institutions in England revisited: comparing alternative measures ». Tertiary Education and Management, 23(3), 191-205.

Johnes, J. (1996). « Performance assessment in higher education in Britain ». European Journal of Operational Research, 89(1), 18-33.

Johnes, J. (2006). « Data envelopment analysis and its application to the measurement of efficiency in higher education ». Economics of Education Review, 25(3), 273-288.

Johnes, J. et Johnes, G. (1995). « Research funding and performance in UK university departments of economics: a frontier analysis ». Economics of Education Review, 14(3), 301-314.

Katharaki, M. et Katharakis, G. (2010). « A comparative assessment of Greek universities’ efficiency using quantitative analysis ». International Journal of Educational Research, 49(4-5), 115-128.

Kempkes, G. et Pohl, C. (2010). « The efficiency of German universities–some evidence from nonparametric and parametric methods ». Applied Economics, 42(16), 2063-2079.

Kuah, C. T. et Wong, K. Y. (2011). « Efficiency assessment of universities through data envelopment analysis ». Procedia Computer Science, 3, 499-506.

Lee, B. L. et Worthington, A. C. (2016). « A network DEA quantity and quality-orientated production model: An application to Australian university research services ». Omega, 60, 26-33.

Lehmann, E. E., Meoli, M., Paleari, S. et Stockinger, S. A. (2018). « Approaching effects of the economic crisis on university efficiency: a comparative study of Germany and Italy ». Eurasian Business Review, 8(1), 37-54.

Levy, R., Sibertin-Blanc, M. et Jégou, L. (2013). « La production scientifique universitaire dans les villes françaises petites et moyennes (1980-2009) ». M@ ppemonde, 2, 110.

Leydesdorff, L. (2000). « The triple helix: an evolutionary model of innovations ». Research Policy, 29(2), 243-255.

Losego, P., Beslay, C. et Grossetti, M. (2003). « Des laboratoires de recherche dans des antennes ? ». Dans P. Losego et M. Grossetti (dir.), La territorialisation de l’enseignement supérieur et de la recherche. France, Espagne et Portugal (pp. 259-288). Paris, L’Harmattan.

Molas-Gallart, J., Salter, A., Patel, P., Scott, A. et Duran, X. (2002). « Measuring third stream activities ». Final report to the Russell Group of Universities. Brighton: SPRU, University of Sussex.

Musselin, C. (2001). La longue marche des universités françaises. Paris, PUF.

Musselin, C. (2017). La grande course des universités. Paris, Presses de Sciences Po.

Philpott, R. F. (1994). Commercializing the university: The costs and benefits of the entrepreneurial exchange of knowledge and skills. PhD Thesis.

Sagarra, M., Mar-Molinero, C. et Agasisti, T. (2017). « Exploring the efficiency of Mexican universities: Integrating data envelopment analysis and multidimensional scaling ». Omega, 67, 123-133.

Sav, G. T. (2012). « Productivity, efficiency, and managerial performance regress and gains in United States universities: a Data Envelopment Analysis ». Advances in Management and Applied Economics, 2(3), 13.

Saxenian, A. (1996). Regional advantage. Harvard University Press.

Simar, L. et Wilson, P. W. (2007). « Estimation and inference in two-stage, semi-parametric models of production processes ». Journal of Econometrics, 136(1), 31-64.

Warning, S. (2004). « Performance differences in German higher education: Empirical analysis of strategic groups ». Review of Industrial Organization, 24(4), 393-408.

Williams, R. et Van Dyke, N. (2004). The international standing of Australian universities. Melbourne: Melbourne Institute of Applied Economic and Social Research.

Wolszczak-Derlacz, J. (2017). « An evaluation and explanation of (in) efficiency in higher education institutions in Europe and the US with the application of two-stage semi-parametric DEA ». Research Policy, 46(9), 1595-1605.

Worthington, A. C. et Lee, B. L. (2008). « Efficiency, technology and productivity change in Australian universities, 1998-2003 ». Economics of Education Review, 27(3), 285-298.

Yang, G. L., Fukuyama, H. et Song, Y. Y. (2018). « Measuring the inefficiency of Chinese research universities based on a two-stage network DEA model ». Journal of Informetrics, 12(1), 10-30.

Haut de page

Annexe

Annexe 1. Tableau récapitulatif des résultats clés des différentes études sur l’efficience des Universités

Auteurs

Pays
d’étude

Période d’étude

Périmètre
d’étude

Résultat clé

Cave, Kogan, Hanney (1989)

Royaume-Uni

Universités

Recensement des indicateurs les plus pertinents pour mesurer l’enseignement et la recherche.

Johnes et Johnes (1995)

Royaume-Uni

1984-88

Facultés d’économie

36 universités

Le rôle des financements externes comme input dans la performance de la recherche scientifique.

Johnes (1996)

Royaume-Uni

Décennie 1980

41 Universités

Importance de la prise en compte des inputs lorsque l’on compare la performance des universités.

Avkiran (2001)

Australie

1995

36 Universités

La méthode DEA permet d’opérer un benchmarking et comprendre les différences d’efficience.

Izadi, Johnes, Oskrochi, Crouchley (2002)

Royaume-Uni

1994-95

99 Universités

Efficience des universités et autonomie, comparaison avec plusieurs méthodes d’estimation

Abbott et Doucouliagos (2003)

Australie

1995

Universités publiques

Forte efficience des universités australiennes, avec plusieurs combinaisons d’inputs et d’outputs.

Flegg, Allen, Field, Thurlow (2004)

Royaume-Uni

1980-81 à 1992-93

45 Universités

Croissance de l’efficience des universités et de la productivité totale des facteurs de 51,5 %

Warning (2004)

Allemagne

1997-99

76 Universités publiques

Efficience liée à l’environnement et aux caractéristiques de l’université mais aussi à ses stratégies

Williams et Van Dyke (2004)

Australie

2004

39 Universités

Le classement des universités australiennes par rapport au positionnement international

Carrington, Coelli, Rao

(2005)

Australie

1996-2000

35 Universités

Enseignement supérieur efficient : une croissance de la productivité supérieure aux autres secteurs

Bonaccorsi, Daraio, Simar (2006)

Italie

1995-99

45 Universités

L’efficience dans la mission d’enseignement ne détériore pas celle de la recherche universitaire

Agasisti et Salerno (2007)

Italie

2002-03

52 Universités publiques

Biais dans la mesure de l’efficience lorsque l’existence de facultés de médecine n’est pas contrôlée

Fandel (2007)

Allemagne (Rhénanie du Nord-Westphalie)

1993-96

15 Universités

L’impact de la redistribution des fonds publics sur l’efficience des universités

Abramo, D’Angelo, Pugini (2008)

Italie

2001-03

77 Universités

Mesure de la performance de l’activité de recherche publique via la bibliométrie

Worthington et Lee (2008)

Australie

1998-2003

35 Universités

Croissance de la productivité dans la recherche et enseignement due aux progrès technologiques

Agasisti et

Pérez-Esparrells

(2010)

Espagne et Italie

2004-05

135 Universités espagnoles et italiennes

Rôle des réformes politiques et des changements technologiques dans l’efficience des universités

Kempkes et Pohl (2010)

Allemagne

1998-2003

72 Universités publiques

Rôle de la compétition et de la géographie sur l’efficience des universités allemandes

Sav (2012)

États-Unis

2005-09

133 Universités

Changements d’efficience et de productivité des universités avant et pendant la crise financière

Agasisti et Bonomi (2014)

Italie

(Lombardie)

2009-10

12 Universités

(64 facultés)

Différence des scores d’efficience entre l’université et ses facultés et/ou ses écoles

Agasisti et Wolszczak-Derlacz (2015)

Italie et Pologne

2001-11

Universités italiennes et polonaises

La frontière d’efficience s’est davantage améliorée en Italie qu’en Pologne dans le temps.

Agasisti, Barra, Zotti (2016)

Italie

2008-11

53 Universités publiques

Les politiques compétitives favorisent l’efficience des universités

Lee et Worthington (2016)

Australie

2004-11

37 Universités

Efficience de la recherche en Australie, étude de la qualité et la quantité des publications

Barra, Lagravinese, Zotti (2017)

Italie

2008-11

53 Universités publiques

Les niveaux d’efficience ne varient pas de façon significative lorsque les méthodes d’estimation changent

Guironnet et Peypoch (2018)

États-Unis

2012-13

165 Universités publiques et privées

Étude de l’efficience en distinguant zones urbaines et rurales et universités publiques et privées

Lehmann, Meoli, Paleari, Stockinger (2018)

Allemagne et Italie

2006-11

133 Universités allemandes

et italiennes

Étude comparative de l’efficience des universités allemandes et italiennes après la crise de 2008

Annexe 2. Coefficient de corrélation de Spearman pour le modèle DEA calculé pour chaque année

Rang 2014

Rang 2013

Rang 2015

Rang 2016

Rang 2017

Rang 2014

1,0000

Rang 2013

0,9212

1.0000

Rang 2015

0,9124

0,9687

1,0000

Rang 2016

0,9101

0,9401

0,9668

1,0000

Rang 2017

0,9183

0,9101

0,9228

0,9225

1,0000

Annexe 3. Nombre d’universités efficientes pour chaque modèle DEA calculé pour chaque année, avec le % d’efficients

DEA 2014

DEA 2013

DEA 2015

DEA 2016

DEA 2017

Universités efficientes

8

12

10

10

11

% efficience

14,29 %

21,43 %

17,86 %

17,86 %

19,64 %

Annexe 4. Coefficient de corrélation de Spearman pour le modèle DEA calculé avec l’analyse Windows

Rang 2014

Rang 2013

Rang 2015

Rang 2016

Rang 2017

Rang 2014

1,0000

Rang 2013

0,9403

1.0000

Rang 2015

0,9208

0,9790

1,0000

Rang 2016

0,9339

0,9446

0,9559

1,0000

Rang 2017

0,9113

0,9170

0,9147

0,9184

1,0000

Annexe 5. Nombre d’universités efficientes pour chaque modèle DEA calculé avec l’analyse Windows, avec le % d’efficients

DEA 2014

DEA 2013

DEA 2015

DEA 2016

DEA 2017

Universités efficientes

6

8

6

6

4

% efficience

10,71 %

14,29 %

10,71 %

10,71 %

7,14 %

Annexe 6. Comparaison des statistiques du sous-groupe Shanghai et des universités françaises présentes dans le modèle DEA

Échantillon Total

Observations

Moyenne

Écart-type

Min

Max

Effectif étudiant

56

23897,5

13946

6524

67380

Effectif enseignant

56

1425

935,5

363

4350

Budget (M€)

56

170,79

110,13

45,05

478,82

Typologie

Nombre

Part

Universités pluridisciplinaires hors santé

16

28,57 %

Universités pluridisciplinaires avec santé

28

50 %

Universités scientifiques
et/ou médicales

5

8,93 %

Universités tertiaires

7

12,5 %

Sous-groupe Shanghai

Observations

Moyenne

Écart-type

Min

Max

Effectif étudiant

16

35851,6

12822,9

10237

59158

Effectif enseignant

16

2414,6

968,4

590

4350

Budget (M€)

16

288,52

110,91

53,36

478,82

Typologie

Nombre

Part

Universités pluridisciplinaires hors santé

0

0 %

Universités pluridisciplinaires avec santé

10

62,5 %

Universités scientifiques et/ou médicales

5

31,25 %

Universités tertiaires

1

6,25 %

Haut de page

Notes

1 Les IDEX ne sont pas pris en compte dans notre analyse puisqu’ils concernent des dotations pluriannuelles allouées en 2017, soit a posteriori à la date de référence de notre étude qui est celle de l’année 2014. Néanmoins, les IDEX ne doivent pas nécessairement être perçus comme des récompenses pour des universités efficientes. Cependant, ils contribuent à amplifier la différenciation des universités en insistant sur des logiques de regroupement ou d’internationalisation.

2 Voir l’Annexe 1 pour un tableau récapitulatif des travaux dans ce domaine.

3 On prend en considération les universités, les universités technologiques, les grandes Écoles, les Écoles Normales Supérieures, les Écoles Centrales, l’INSA (Institut National des Sciences Appliquées) et les autres Écoles d’ingénieur.

4 Simar et Wilson (2007) proposent un recours aux modèles de troncature. Ils montrent que les estimateurs Tobit sont biaisés pour deux raisons : d’abord, comme la véritable frontière ne peut pas être observée et comme les scores d’efficacité sont remplacés par des valeurs estimées, (Image 100000000000001100000011A6364DD7B895D003.png), il peut y avoir une corrélation des erreurs ; ensuite, il existe une corrélation potentielle entre les variables Z et le terme d’erreur, car les variables dites environnementales peuvent être corrélées aux inputs utilisés dans la première étape.

5 Cette procédure est répliquée 1000 fois et la fréquence des estimations du bootstrap est utilisée pour fournir l’inférence pour 𝛽2.

6 Voir projet IPERU de l’OST de l’HCERES.

7 Nous avons construit la variable ancienne/nouvelle université (0/1) à partir de la date de création de la plus ancienne composante de l’université. Les universités créées avant 1960 prennent la valeur de 0 alors que les universités nées post-1968 prennent la valeur de 1. Le choix de l’année 1968 coïncide avec la Loi Faure et la vague de création des universités qui en a découlé.

8 Les universités ayant un score de 1 sont efficientes et sont premières dans le classement. Les rangs suivants sont définis par le score d’efficience compris entre 0 et 1, plus une université affiche un score proche de 1, mieux elle est classée.

9 Pour ces trois variables, la moyenne du sous-groupe Shanghai représente plus de 80 % de la répartition statistique de notre échantillon (annexe 6).

10 Ce travail n’examine pas le rôle des antennes universitaires mais il convient de rappeler qu’elles représentent des structures où il y a de la recherche scientifique (Losego et al., 2003 ; Lévy et al., 2013) et de l’enseignement dispensé. Ces antennes participent à la déconcentration de la recherche (Grossetti et al., 2014) et à la mise en compétition générale des établissements d’enseignement supérieur sur le territoire français.

Haut de page

Pour citer cet article

Référence papier

Jordan Moureaux, Gabriel Figueiredo de Oliveira et Alexandra Schaffar, « L’(in)efficience des universités françaises dans un contexte de forte compétition nationale : une analyse semi-paramétrique »Revue d'économie industrielle, 170 | 2020, 111-150.

Référence électronique

Jordan Moureaux, Gabriel Figueiredo de Oliveira et Alexandra Schaffar, « L’(in)efficience des universités françaises dans un contexte de forte compétition nationale : une analyse semi-paramétrique »Revue d'économie industrielle [En ligne], 170 | 2e trimestre 2020, mis en ligne le 06 janvier 2023, consulté le 12 décembre 2025. URL : http://journals.openedition.org/rei/9123 ; DOI : https://doi.org/10.4000/rei.9123

Haut de page

Auteurs

Jordan Moureaux

LEAD, Université de Toulon

Gabriel Figueiredo de Oliveira

LEAD, Université de Toulon

Alexandra Schaffar

LEAD, Université de Toulon

Articles du même auteur

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont susceptibles d’être soumis à des autorisations d’usage spécifiques.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search