1Le concept d’industrie culturelle a été introduit par Adorno et Horkheimer (1948) au milieu du XXe siècle afin de décrire l’ensemble des activités de création, de production et de distribution de produits culturels dans les sociétés des pays industrialisés. Depuis cette première définition, le concept d’industrie culturelle s’est étoffé en intégrant progressivement l’industrie des médias, les réseaux de distribution de produits culturels de plus en plus sophistiqués, la mode et la publicité mais aussi l’économie de l’internet qui a permis non seulement une diffusion mondiale des produits culturels audiovisuels mais aussi l’émergence de nouvelles formes dématérialisées de production culturelle. Dans son ouvrage de référence dans le domaine de l’économie culturelle, Caves (2000) examine le fonctionnement d’un large éventail d’arts visuels et du spectacle – y compris le cinéma et la télévision, le théâtre, la musique, l’édition et les jeux – afin d’étudier comment la théorie des contrats et l’organisation économique affectent la production de biens complexes qui nécessitent des équipes d’artistes et des talents divers.
2Le concept d’industrie culturelle a été associé à celui d’industrie créative à partir du milieu des années 1990, pour mettre l’accent sur le rôle de la créativité et de l’innovation technologique et sociale dans les processus de croissance économique observables au sein de certaines régions et grandes villes (Hesmondalgh et Pratt, 2005 ; Markusen et al., 2008 ; Pratt, 2008 ; Cooke et Lazzeretti, 2008 ; Bouquillion et Le Corf, 2010). Les industries culturelles et créatives englobent un ensemble d’activités qui mobilisent des talents individuels et des compétences pour créer de la richesse et des emplois à plus grande échelle, tout en restant compétitives au sein d’un marché mondialisé.
- 1 Le débat autour de l’économie des brevets dépasse néanmoins largement le cadre de cette analyse. Po (...)
3Les travaux sur les industries culturelles et créatives déplacent le curseur de l’économie de la connaissance et du capital humain vers l’étude de la propriété intellectuelle et du brevet d’innovation, en soulignant, par ce biais, l’institutionnalisation du processus de l’activité créative et la création d’avantages compétitifs favorisant l’emploi (Azaïs et al., 2001 ; Greffe, 2002 ; Gorz, 2003 ; Landry, 2008)1. Selon les rapports de l’ONU (2008) et de l’UNESCO (2013), les industries culturelles et créatives enregistrent, depuis le début du XXIe siècle, des taux de croissance extrêmement élevés, à la fois en termes de valeur ajoutée et d’emplois nouveaux, dans les pays industrialisés mais aussi dans les pays émergents : au Royaume-Uni, les industries culturelles et créatives comptent pour 5 % du PIB et emploient 1,4 million de personnes ; aux États-Unis, leur contribution au PIB est estimée entre 7 % et 9 % (Brinkhoff, 2006 ; Siwek, 2006 ; Markusen et al., 2008) tandis qu’en Chine, en Australie ou en Afrique du Sud, cette contribution se situe entre 3 % et 5 % du PIB (Yusuf et Nabeshima, 2005 ; Cunningham et al., 2008).
4Bien qu’associées à différentes échelles spatiales, les industries culturelles et créatives semblent fortement ancrées sur un plan territorial. Florida (2002) pointe les liens entre territoires et créativité et soutient que le dynamisme économique et social d’un espace dépend de sa capacité à former une classe créative, en attirant des personnes qui exercent des activités culturelles et/ou qui entreprennent des innovations technologiques et sociales, telles que les artistes, les écrivains, les universitaires, les scientifiques, les ingénieurs. Les notions de ville intelligente, de ville créative ou de région connectée (Krätke, 2006 ; De Propris et al., 2009 ; Picard et Karlsson, 2011) témoignent de la dimension spatiale infranationale qui régit la structuration des industries culturelles et créatives. Dans le rapport de la Commission européenne, ces activités apparaissent comme un moteur essentiel de la dynamique économique locale et régionale en Europe dans les années à venir (Monfardini et al., 2012).
5L’objectif de ce travail est d’étudier le rôle des industries culturelles et créatives dans les performances économiques de 226 régions NUTS-2 (2013) de l’Union européenne. En utilisant des données de panel extraites d’Eurostat pour la période 2006-2013, ce travail met en évidence deux processus distincts : en premier lieu, les industries culturelles et créatives enregistrent une croissance continue – mesurée par le nombre d’emplois créés – tout au long de la période et ne sont guère impactées par la crise économique de la fin de la dernière décennie ; ces activités restent fortement concentrées dans des clusters métropolitains, ce qui conduit à un renforcement des disparités entre les capitales et/ou les régions à caractère fortement métropolitain d’un côté et les régions périphériques de l’autre côté. En second lieu, la diffusion technologique des effets structurants des industries culturelles et créatives, mesurée via la construction d’un indice de connectivité original, affecte non seulement la richesse d’une région mais aussi la richesse de ses régions voisines. La prise en considération des effets de voisinage montre la formation de deux blocs assez distincts, avec d’un côté les régions fortement connectées de l’Ouest et du Nord de l’Europe et, de l’autre côté, les régions moins connectées du Sud et de l’Est. La diffusion des effets indirects structurants des industries culturelles et créatives s’estompe, néanmoins, avec la crise économique de 2008.
6Cet article est construit comme suit : la section suivante entreprend un bref rappel de la littérature sur les industries culturelles et créatives et sur leur rôle dans la formation de la richesse régionale, mesurée par le PIB par habitant. La troisième section propose une étude descriptive du poids et de la distribution de ces activités dans les régions européennes à l’aide d’un indice de connectivité original. La quatrième section aborde les modèles économétriques utilisés pour mesurer le poids de ces industries dans la richesse régionale européenne et explique le choix des spécifications spatiales utilisées. La cinquième section présente et discute les résultats des modèles. La dernière section conclut.
7Les concepts d’économie culturelle et d’économie créative ont été popularisés dans les années 1990 par les travaux de Landry (1990), Caves (2000), Howkins (2001) et de Florida (2002), afin de mettre en exergue l’importance des travailleurs créatifs et de la propriété intellectuelle dans les nouveaux processus de croissance économique des villes et des régions.
8Une première série de travaux met en évidence le rôle des externalités d’agglomération dans la formation de clusters d’industries culturelles et créatives et/ou de systèmes créatifs locaux (Krätke, 2006 ; Capone, 2008 ; Picard et Karlsson, 2011). Ces travaux insistent sur les avantages technologiques et pécuniaires qui découlent de la concentration spatiale des industries créatives (Amin et Thrift, 2004). En étudiant respectivement les clusters cinématographiques américain et britannique, Scott (2004) et Turok (2003) montrent que ces avantages sont liés d’une part à la formation d’un marché local de compétences et de qualifications spécialisées et d’autre part aux échanges denses d’informations et d’idées, pas toujours marchands mais de plus en plus institutionnalisés, facilités par la proximité géographique.
9Freeman (2007), Knell et Oakley (2007) dessinent la géographie des clusters des industries culturelles et créatives dans le Royaume-Uni. Ils montrent que le degré de concentration et/ou de dispersion de ces industries varie fortement. Les industries culturelles et certaines industries créatives telles que la publicité (Pratt, 2008), les médias (Nachum et Keeble, 2003) et la mode (Sunley et al., 2008) sont les plus concentrées spatialement et se localisent essentiellement dans la métropole londonienne. De Propris et al. (2009) arrivent à des résultats similaires en examinant la distribution géographique de l’emploi généré par ce type d’industries dans le Royaume-Uni.
10En France, le rapport du ministère de la Culture (2006) indique que les seules industries de publicité, de cinématographie, de théâtre, des musées et des autres produits culturels et services associés occupent plus de 500 000 personnes (soit 4 % de l’emploi total). L’Île-de-France concentre 33,7 % des industries culturelles françaises, suivie par la Région PACA (11,7 %) et Rhône-Alpes (9,6 %). Baumont et Boiteux-Orain (2005) montrent que l’emploi dans le secteur culturel stricto sensu représente 2,8 % de l’emploi total en Île-de-France, avec une concentration des deux tiers des emplois à Paris. Lacour et Puissant (2008) examinent la distribution des industries créatives, définies de façon assez large (activités artistiques, services à la production, management, informatique et analyse de données, recherche et développement, transports et télécommunications), dans les aires urbaines en France. Ils montrent, d’une part, la spécialisation de Paris dans les activités artistiques mais aussi dans les services à la production culturelle et ils expliquent, d’autre part, que ces activités profitent des externalités d’urbanisation présentes dans les grandes métropoles. Plusieurs travaux confirment les liens entre ce type d’activités et les autres secteurs économiques dans les grandes métropoles (Capone, 2008 ; Boschma et Fritsch, 2009 ; De Propris et al., 2009 ; Glaeser, 2011).
11Une seconde série de travaux examine le rôle de ces industries dans les performances économiques des différentes régions et pays. Ces travaux se focalisent sur l’influence des industries culturelles et créatives sur la productivité, la croissance économique et/ou la richesse d’un territoire (Boix et al., 2016).
12Cunningham et Potts (2010) et Cunningham et Flew (2010) considèrent que les industries créatives entraînent l’économie d’un territoire dans un processus de croissance par l’innovation et par la diffusion de nouveaux savoirs et de nouvelles idées. Abeledo et al. (2014) examinent les liens entre les industries créatives et les autres secteurs d’une économie régionale. Ils décrivent un cercle vertueux où la croissance du PIB par habitant conduit, dans un premier temps, d’une part à une augmentation du niveau de capital humain des travailleurs et d’autre part à une augmentation des dépenses publiques en faveur des biens et des services créatifs et du stock de capital culturel. Selon ces auteurs, ce processus conduit, dans un deuxième temps, à une prolifération des innovations et à une augmentation de l’emploi dans les industries culturelles et créatives, ainsi qu’à un accroissement de la productivité du travail qui contribue à une nouvelle augmentation du PIB par habitant.
13Mommaas (2004), O’Connor (2010) et Monfardini et al. (2012) considèrent de façon plus générale que les industries culturelles et créatives favorisent l’émergence d’une économie de la connaissance. L’élaboration de politiques économiques locales spécifiques est souvent à l’origine de l’implantation et de la croissance des industries créatives dans un territoire (Hesmondhalgh, 2008). Les industries culturelles et créatives apparaissent comme un secteur émergent mais aussi déterminant de la croissance économique dans de nombreuses régions européennes, à la fois par leur contribution à l’emploi mais aussi par la dynamique induite en matière d’innovation et de diffusion technologique (Monfardini et al., 2012).
14Néanmoins, certains auteurs rappellent que la localisation de ces industries peut aussi être source d’inégalités. Florida (2018) explique que la gentrification accentue les disparités spatiales existantes, car les ménages aisés déménagent au centre-ville, tandis que les résidents à faible revenu se retrouvent cantonnés dans des régions périphériques difficilement accessibles. Le retour des riches vers les centres urbains est lié à la présence d’équipements de luxe haut de gamme et des aménités urbaines produites par les industries culturelles comme le théâtre, les événements sportifs et d’autres divertissements. La sélection des habitants se fait par le mécanisme des prix fonciers qui ne cessent d’augmenter dans les centres-villes de toutes les grandes métropoles (Florida, 2018)
15La prolifération des industries culturelles et créatives en Europe a été mesurée par la Commission européenne (cf. annexe 1 : Détails de la nomenclature) grâce au Cluster Mapping Tool2. Cet outil statistique, développé par l’Union européenne permet d’identifier le nombre de personnes employées dans les industries culturelles et créatives en reconstruisant tous les emplois « équivalent temps plein » référencés dans un ensemble de secteurs qualifiés d’émergents (les industries culturelles et créatives, les industries maritimes, les industries biopharmaceutiques, les industries de la mobilité, les industries de la médecine personnalisée ou encore les industries environnementales). Le secteur des industries culturelles et créatives comprend plusieurs sous-secteurs : logiciels et applications, architecture, artisanat et mode, audiovisuel et multimédia, patrimoine culturel, arts et spectacles vivants, publicité mais également éditions de livres et de presse. Le tableau 1 permet de visualiser ces données pour les 226 régions européennes pour lesquelles les données sont disponibles (cf. annexe 2).
Tableau 1. Emplois ETP dans les industries culturelles et créatives en Europe 2006-2013
|
2006
|
2007
|
2008
|
2009
|
2010
|
2011
|
2012
|
2013
|
|
Nombre total d’emplois en milliers
|
7 605,2
|
7 966,5
|
7 942,6
|
8 429,5
|
8 469,1
|
8 617,3
|
8 712,4
|
8 946,8
|
|
Nombre moyen d’emplois par région
|
33 602
|
33 871
|
35 076
|
37 228
|
37 401
|
38 055
|
38 475
|
39 505
|
|
Médiane
|
18 743
|
19 612
|
20 328
|
21 399
|
21 541
|
21 948
|
23 196
|
22 433
|
|
Écart-type
|
54 251
|
55 130
|
56 662
|
57 917
|
58 277
|
59 221
|
59 627
|
60 422
|
|
Région la mieux dotée
|
Île-de-France
|
Île-de-France
|
Île-de-France
|
Île-de-France
|
Île-de-France
|
Île-de-France
|
Île-de-France
|
Île-de-France
|
|
Nombre
d’emplois
|
627 418
|
645 484
|
659 759
|
651 821
|
652 662
|
656 661
|
659 855
|
665 322
|
|
Région la
moins dotée
|
Murcia
|
Castilla Mancha
|
Foral de Navarra
|
Murcia
|
Murcia
|
Foral de Navarra
|
Murcia
|
Murcia
|
|
Nombre
d’emplois
|
1330
|
1270
|
1170
|
1240
|
1290
|
1220
|
1350
|
1510
|
Note : ETP : équivalent temps plein
Source : Auteurs, données Eurostat, European Mapping Tool
16Les industries culturelles et créatives représentent environ 8,94 millions de postes d’emplois équivalent temps plein en Europe en 2013, ce qui correspond à une moyenne de 39 500 emplois par région NUTS 2. Des grandes différences existent entre, d’une part, les régions des capitales de l’Union européenne, comme l’Île-de France – région leader avec 665 322 emplois –, l’agglomération londonienne et certaines régions riches telles que la Lombardie ou Rhône-Alpes, caractérisées par la présence de métropoles dynamiques fortement dotées en industries culturelles et créatives et, d’autre part, des régions périphériques telles que l’Epire, Murcia ou Foral de Navarra qui comptent à peine plus de 1 000 emplois dans ce type d’activités.
17Des clusters d’industries culturelles et créatives apparaissent dans toutes les régions des capitales européennes, y compris dans les pays de l’Europe de l’Est : c’est le cas de la région Közèp-Magyarorszàg (Budapest) en Hongrie, de Mazowieckie (Varsovie) en Pologne et de Bucures,ti Ilfov (Bucarest) en Roumanie (carte 1). Les régions capitales comptabilisent environ 45 % des emplois des industries culturelles et créatives en Europe (Eurostat Mapping Tool, 2017).
Carte 1. Nombre d’emplois dans les industries culturelles et créatives par région européenne en 2013
Source : Auteurs, données Eurostat, Mapping Tool 2017
18Par la suite, un indice de connectivité qui mesure la diffusion du numérique et des nouvelles technologies dans l’économie pour les régions européennes est construit. Comme l’indiquent Cooke et Schwartz (2007), le développement d’une région créative réside en sa capacité à générer, diffuser et valoriser des connaissances et du savoir. Ainsi, ils soulignent l’importance de quatre éléments : la présence d’activités culturelles et d’industries culturelles et créatives sur le territoire ; l’entrepreneuriat de la connaissance qui peut se mesurer par la création de valeur marchande, l’innovation et les activités intensives en connaissance via un système régional d’innovation ainsi que le transfert de connaissances (Lazerri, 2017). Song et al. (2019) utilisent également une méthodologie semblable sur 291 villes de Chine en calculant un indice de diffusion des Nouvelles Technologies d’Information et de Communication (NTIC), ainsi plusieurs variables sont sélectionnées comme les dépôts de brevet, l’utilisation d’internet ou encore le taux de pénétration des ordinateurs et téléphones portables dans l’économie.
- 3 OEB : Office Européen des Brevets, organisation qui délivre des brevets au sein de l’Union européen (...)
19Dans ce travail, l’indice de connectivité est construit en utilisant une analyse en composantes principales normée (ACP) et en mobilisant quatre variables : la première variable mesure la connectivité des individus et comptabilise le nombre de ménages ayant accès à internet à domicile (en % de la population de la région) ; la deuxième mesure le poids des nouvelles technologies dans l’activité productive en recensant les emplois utilisant directement des procédés de haute technologie à la fois dans les secteurs manufacturiers et dans les services (en % du nombre total des emplois dans la région) ; la troisième mesure l’esprit innovant et le poids des innovations et affiche le nombre de demandes de brevets de haute technologie déposées auprès de l’OEB3 dans chaque région (corrigée par le nombre d’habitants de la région) ; enfin, la dernière variable mesure le poids que les institutions régionales accordent à la formation aux nouvelles technologies et comptabilise le nombre de personnes entre 25 et 64 ayant recours à une formation professionnelle dans les nouvelles technologies (en % de la population active de chaque région). Cet indice permet de mesurer la diffusion de la connectivité dans les territoires régionaux par l’implication de toutes les variables qui le composent et qui interfèrent avec les industries culturelles et créatives. Les données sont fournies par Eurostat, ce qui permet d’avoir une homogénéité des mesures utilisées.
20Le tableau 2 montre que les corrélations entre les quatre variables centrées et réduites restent inférieures à 53 %, ce qui permet de les conserver toutes dans la construction d’un indice général de connectivité des régions européennes qui permet de mesurer les effets de la diffusion de la créativité en Europe.
Tableau 2a. Analyse des variables qui composent l’indice de connectivité
|
Description des variables
|
IACC
|
HTEC
|
DBTIC
|
EDUCFORM
|
|
Ménages ayant accès à l’internet à domicile en % de la population totale (IACC)
|
1,000
|
|
|
|
|
Emploi dans les secteurs de haute technologie en % de l’emploi total (HTEC)
|
0,399
|
1,000
|
|
|
|
Nombre de brevets de haute technologie
par habitant (DBTIC)
|
0,409
|
0,456
|
1,000
|
|
|
Participation à la formation dans les nouvelles technologies des 25-64 ans en % de la population (EDUCFORM)
|
0,526
|
0,317
|
0,249
|
1,000
|
Source : Auteurs, données Eurostat
Tableau 2b. Contributions de chacune des variables à l’indice de connectivité
|
Variables actives
|
Axe 1
|
Axe 2
|
|
Identifiant
|
Contribution
|
Coordonnée
|
Contribution
|
Qualité
|
Coord.
|
Contr.
|
Qlté
|
|
IACC
|
19,40
|
0,81
|
29,7
|
64,8
|
-0,27
|
9,1
|
72,4
|
|
HTEC
|
20,90
|
0,73
|
24,6
|
53,8
|
0,38
|
17,2
|
68
|
|
DBTIC
|
27,20
|
0,71
|
23
|
50,2
|
0,51
|
31,4
|
76,2
|
|
EDUCFORM
|
32,50
|
0,7
|
22,7
|
49,5
|
-0,59
|
42,3
|
84,6
|
Source : Auteurs, données Eurostat
21En tenant compte des résultats de l’ACP (tableau 3) et en se basant sur les critères de Kaiser (les axes conservés doivent avoir une valeur propre supérieure à 1 et conservés au moins 50 à 70 % de la variance cumulée – cf. annexe), le calcul de l’indice pour chaque individu et chaque année prend la forme suivante :
22Par la suite, un indice annuel est calculé pour chaque région sur la période 2006-2013, puis normalisé afin de faciliter la comparaison entre les différentes régions européennes. Le tableau 3 présente quelques statistiques descriptives tandis que la carte 2 dessine les 226 régions européennes en fonction de la valeur de cet indice.
Tableau 3. Statistiques sur l’indice de connectivité 2006-2013
|
2006
|
2007
|
2008
|
2009
|
2010
|
2011
|
2012
|
2013
|
|
Moyenne
|
0,357
|
0,376
|
0,376
|
0,377
|
0,377
|
0,380
|
0,371
|
0,375
|
|
Médiane
|
0,336
|
0,358
|
0,360
|
0,361
|
0,361
|
0,365
|
0,356
|
0,353
|
|
Écart-type
|
0,195
|
0,197
|
0,185
|
0,181
|
0,181
|
0,183
|
0,180
|
0,177
|
|
Région la plus connectée
|
Noord-Brabant
|
Stockholm
|
Stockholm
|
Stockholm
|
Stockholm
|
Stockholm
|
Stockholm
|
Stockholm
|
|
Région la moins connectée
|
Sud-Vest Oltenia
|
Sud – Muntenia
|
Notio Aigaio
|
Sud-Vest Oltenia
|
Sud-Vest Oltenia
|
Ionia Nisia
|
Ionia Nisia
|
Ionia Nisia
|
Source : Auteurs, données Eurostat
23Plusieurs constats s’imposent : d’abord, la moyenne de l’indice pour les 226 régions reste stable durant la période de référence mais l’écart-type diminue de façon systématique, ce qui conduit à l’hypothèse d’une convergence des régions européennes en matière de connectivité ; ensuite, il apparaît un clivage net entre les régions de l’Europe du Nord et celles de l’Europe du Sud et de l’Est : les régions des pays scandinaves et des Pays-Bas sont les plus connectées d’Europe à l’inverse des régions grecques, portugaises et de celles des pays balkaniques ; enfin, certains pays, comme l’Italie, affichent des disparités régionales très fortes, avec un indice élevé pour la Lombardie et le Piémont et un indice faible pour les régions méridionales. En France, ce clivage apparaît également entre les régions caractérisées par la présence d’une grande aire métropolitaine (Paris, Lyon, Marseille) et les autres.
Carte 2. Indice de connectivité par région européenne en 2013
Source : Auteurs, données Eurostat
24La figure 1 met en relation l’évolution du nombre d’emplois dans les industries culturelles et créatives en Europe avec celle de l’indice de connectivité moyen et celle du PIB par habitant (en ppa) moyen des régions européennes. L’inflexion de la courbe du PIB par habitant montre clairement les effets de la crise financière de 2008, mais aussi le redémarrage des économies régionales européennes, par la suite. L’emploi dans les industries culturelles et créatives ne semble guère affecté par cette crise ; il ne cesse d’augmenter tout au long de la période et enregistre une progression spectaculaire de 16,6 % entre 2006 et 2013. La connectivité moyenne des régions européennes connaît, en revanche, une évolution plus mitigée, avec une augmentation rapide en début de période, puis une stagnation et même une légère baisse à la suite de la crise de 2008. Ceci signifie que, dans la période d’après-crise, il y a une différenciation entre les performances des industries culturelles et créatives d’un côté et leurs effets structurants sur les territoires européens d’autre part.
Figure 1. Évolution du PIB, de l’indice de connectivité et du nombre d’emplois dans les industries culturelles et créatives en Europe (base 100 : 2006)
Source : Auteurs, données Eurostat
Tableau 4. Statistiques sur les PIB ppa sur la période 2006-2013
|
2006
|
2007
|
2008
|
2009
|
2010
|
2011
|
2012
|
2013
|
|
Moyenne
|
26 192
|
27 572
|
27 301
|
25 475
|
25 475
|
26 657
|
27 501
|
28 198
|
|
Médiane
|
27 000
|
28 100
|
27 050
|
25 450
|
25 450
|
26 300
|
26 550
|
27 600
|
|
Écart-type
|
13 986
|
14 842
|
13 757
|
12 932
|
12 932
|
13 796
|
14 327
|
15 165
|
|
Région la plus riche
|
Inner London – West
|
Inner London – West
|
Inner London – West
|
Inner London – West
|
Inner London – West
|
Inner London – West
|
Inner London – West
|
Inner London – West
|
|
PIB/hab ppa
|
153 300
|
169 400
|
150 700
|
137 300
|
137 300
|
148 500
|
155 000
|
169 900
|
|
Région la moins riche
|
Yuzhen tsentralen
|
Yuzhen tsentralen
|
Yuzhen tsentralen
|
Yuzhen tsentralen
|
Yuzhen tsentralen
|
Yuzhen tsentralen
|
Yuzhen tsentralen
|
Yuzhen tsentralen
|
|
PIB/hab ppa
|
2 700
|
3 100
|
3 500
|
3 500
|
3 500
|
3 600
|
3 900
|
4 100
|
Source : Auteurs, données Eurostat
25Le tableau 4 et la carte 3 rappellent quelques statistiques descriptives et dessinent la distribution des PIB par habitant (ppa) dans les régions européennes. La région de Inner London (Royaume-Uni) enregistre le PIB par habitant le plus élevé (169 900 € en 2013), tandis que celle de Yuzhen tsentralen en Bulgarie, le plus faible. L’écart-type augmente ce qui pourrait traduire un creusement des disparités régionales en Europe.
Carte 3. Montant de PIB en ppa par région européenne en 2013
Source : Auteurs, données Eurostat
26Le modèle empirique mobilisé dans ce travail utilise des données en panel où l’indice i représente la région et t l’année :
ln_PIBit = β0it + β1 * ln_POP1it + β2 * TX_ACTIF2it + β3 * EMP_INDUS3it + β4 * DIPLOMES4it + β5 * KM_ROUTE5it + β6 * IND_CO6it + β7 * IND_CO_SQR7it + β8 * ln_EMP_ICC8it + εit
∀t = 2006, …, 2013 et ∀i = 1, …, 226
27Ce modèle cherche à tester le rôle de l’emploi dans les industries culturelles et créatives (effet direct) et de l’indice de connectivité (effet indirect des industries culturelles et créatives) sur la richesse par habitant des régions européennes ; les données proviennent de la base d’Eurostat.
28Un ensemble de variables explicatives et de variables de contrôle, autres que l’emploi dans les industries culturelles et créatives (ln_EMP_ICC) et l’indice de connectivité et de créativité (IND_CO) ainsi que son carré (IND_CO_SQR), sont mobilisées : la taille de la population (ln_POP) est un indicateur du caractère métropolitain de la région, mais aussi de la taille du marché régional ; le taux d’activité (TX_ACTIF) pour la population totale âgée de 15 à 64 ans mesure la tension sur les marchés régionaux du travail ; la part de l’emploi industriel dans l’emploi total (EMP_INDUS) indique le degré de spécialisation productive de la région, tandis que la part des 25-64 ans titulaires d’un diplôme (DIPLOMES) est un proxy standard pour mesurer le capital humain. Le nombre de kilomètres d’autoroute (KM_ROUTE) est un indicateur de désenclavement physique et de la présence d’infrastructures de transport et de communication.
29Les cartes 1, 2 et 3 conduisent à émettre une hypothèse d’autocorrélation spatiale (Le Gallo et Ertur, 2003 ; Azomahou, 2006 ; Baumont, 2009). La définition du type de voisinage spatial est l’étape principale dans une analyse d’autocorrélation spatiale et conditionne étroitement le résultat des analyses. Elle se fonde sur des mesures standards (les régions partageant une frontière commune, les 5, 10, n, plus proches voisins, la distance par rapport à leurs centroïdes, etc.). En suivant Le Gallo et Ertur (2003), Le Gallo et Baumont (2006) et Guillain et Le Gallo (2010), le voisinage spatial choisi dans ce travail est celui des 10 (ou k) plus proches voisins.
30Il convient de signaler que différents types de matrices spatiales ont été testés, y compris la matrice de distance qui permet un traitement continu de l’influence spatiale avec éventuellement la mise en évidence des effets de seuil. Les matrices de distance et de contiguïté ont été écartées car la taille des régions NUTS2 est très variable avec des régions très petites, comme les Länder allemands et d’autres très grandes comme les régions scandinaves et celles des pays baltes ; des régions avec une frontière commune peuvent avoir des centroïdes très éloignés et inversement lorsque les régions sont petites, elles sont très proches en termes de distance mais pas forcément contiguës. Les résultats sur les statistiques de Moran sont clairement moins robustes pour la matrice de distance ; ils sont équivalents pour les matrices de contiguïté et des dix plus proches voisins (tableau 5), mais nous admettons que l’information fournie par l’utilisation de la seconde matrice est plus fine.
31La matrice W est une matrice carrée, standardisée de sorte que chacune des lignes soit égale à 1 pour normaliser l’influence des voisins sur chaque région, avec di(k) la distance seuil pour chaque région i.
Tableau 5. Statistique I de Moran en fonction des matrices de voisinages en 2006 et 2013
|
Types de matrice
|
10 plus proches voisins
|
Distance (200km)
|
Contiguïté
|
|
Variables
|
2006
|
2013
|
2006
|
2013
|
2006
|
2013
|
|
Log. du PIB par habitant (ln_PIB)
|
0.172***
|
0.164***
|
0.092***
|
0.086***
|
0.158***
|
0.108***
|
|
(0.000)
|
(0.000)
|
(0.000)
|
(0.000)
|
(0.000)
|
(0.000)
|
|
Log. du nombre d’habitants (ln_POP)
|
0.083***
|
0.079***
|
0.004***
|
0.003***
|
0.081***
|
0.008**
|
|
(0.000)
|
(0.000)
|
(0.001)
|
(0.002)
|
(0.009)
|
(0.013)
|
|
Taux d’activité des 15-64 ans (TX_ACTIF)
|
0.316***
|
0.276***
|
-0.002
|
0.149
|
0.357***
|
0.373***
|
|
(0.000)
|
(0.000)
|
(0.497)
|
(0.398)
|
(0.000)
|
(0.000)
|
|
Part de l’emploi industriel (EMP_INDUS)
|
0.222***
|
0.222***
|
-0.042
|
-0.041
|
0.220***
|
0.220***
|
|
(0.000)
|
(0.000)
|
(0.524)
|
(0.522)
|
(0.000)
|
(0.000)
|
|
Part des diplômés LMD (DIPLOMES)
|
0.258***
|
0.223***
|
0.129
|
0.112
|
0.308***
|
0.175***
|
|
(0.000)
|
(0.000)
|
(0.411)
|
(0.422)
|
(0.000)
|
(0.000)
|
|
Nombre de kilomètres autoroutiers au km2 (KM_ROUTE)
|
0.166***
|
0.151***
|
0.822***
|
0.792***
|
0.144***
|
0.138***
|
|
(0.000)
|
(0.000)
|
(0.003)
|
(0.007)
|
(0.000)
|
(0.000)
|
|
Indice de connectivité (IND_CO)
|
0.257***
|
0.357***
|
0.612
|
0.564
|
0.234***
|
0.219***
|
|
(0.000)
|
(0.000)
|
(0.111)
|
(0.158)
|
(0.000)
|
(0.000)
|
|
Indice de connectivité au carré
(IND_CO_SQR)
|
0.163***
|
0.088***
|
0.402
|
0.253
|
0.140***
|
0.142***
|
|
(0.000)
|
(0.000)
|
(0.246)
|
(0.331)
|
(0.000)
|
(0.000)
|
|
Log. du nombre d’emplois dans les ICC (ln_EMP_ICC)
|
0.213***
|
0.269***
|
0.375*
|
0.332
|
0.191***
|
0.242***
|
|
(0.000)
|
(0.000)
|
(0.064)
|
(0.168)
|
(0.000)
|
(0.000)
|
|
Résidus du modèle
a-spatial
|
0.221***
|
0.268***
|
0.091*
|
0.226*
|
0.222***
|
0.264***
|
|
(0.000)
|
(0.000)
|
(0.097)
|
(0.064)
|
(0.000)
|
(0.000)
|
Notes : *, **, *** correspondent respectivement à une significativité aux seuils de 1 %, 5 %, 10 %.
Source : Auteurs, données Eurostat
32La statistique de Moran permet de tester l’hypothèse d’autocorrélation spatiale (Baumont, 2009) pour une année t. Le tableau 5 fournit les statistiques de Moran pour toutes les variables explicatives, la variable expliquée ainsi que les résidus du modèle a-spatial, y compris pour l’emploi dans les industries culturelles et créatives et l’indice de connectivité. Les I de Moran sont positifs et significatifs, ce qui signifie que les effets de voisinage entre les régions européennes influencent leurs caractéristiques socio-économiques.
- 4 Toutes les spécifications d’effets aléatoires statiques sont rejetées par le test de Hausman (table (...)
33Selon Elhorst (2009) et Debarsy et Ertur (2010), les modèles spatiaux à effets fixes sont appropriés dès lors que la base de données représente la population quasi complète (des régions européennes) plutôt qu’un échantillon aléatoire4. Elhorst (2009) et Belotti et al. (2016) préconisent d’adopter le modèle Durbin spatial (SDM) comme spécification générale et tester l’exclusion des variables pour les modèles imbriqués en utilisant les tests LR. Le modèle spatial de Durbin (SDM) se décompose comme suit (Le Gallo et al., 2017) :
où yit est la valeur de la variable dépendante pour l’individu i à la date t ; xit est un vecteur (1, K) des variables explicatives exogènes ; θ et β sont des vecteurs (K, 1) de paramètres inconnus ; ρ le paramètre de décalage spatial. Ce modèle contient simultanément une variable dépendante et des variables explicatives spatialement décalées, respectivement ∑i≠jwijyjt et ∑i≠jwijxjt. LeSage et Pace (2009), préconisent ce modèle pour étudier les interactions spatiales en données de panel.
- 5 Dans ce travail, différents modèles spatiaux à effets fixes ont été testés (Modèle autorégressif sp (...)
34Dans ce travail, le modèle Durbin spatial est privilégié : d’abord, par ses fondements théoriques et par la volonté de cibler le rôle de deux variables clés sur la variation de la richesse régionale en Europe entre 2006 et 2013, mais aussi par les résultats des tests LR5.
35Les tableaux 6 et 7 résument les résultats obtenus à partir du modèle empirique calibré pour tester les effets des industries culturelles et créatives et de la connectivité sur la richesse des régions européennes. Le premier modèle introduit le rôle des emplois dans les industries culturelles et créatives, tandis que le second modèle intègre l’indice de connectivité. Ce choix de séparer les deux principales variables est soutenu par la volonté d’isoler les effets de chacune, notamment lors de l’utilisation des modèles spatiaux. Les résultats sont donnés d’abord pour le modèle a-spatial puis pour le Durbin spatial.
36Dans le modèle a-spatial, l’emploi dans les industries culturelles et créatives n’impacte pas le PIB par habitant, à l’inverse de l’indice de connectivité. La variable de la connectivité au carré affiche un signe négatif ; ceci signifie que l’impact de la connectivité sur la richesse des régions européennes décroît au fur et à mesure que l’indice augmente.
37Les résultats fournis dans le tableau 6 appellent plusieurs commentaires. Lorsque l’on introduit les effets spatiaux, plusieurs changements apparaissent : les deux variables ln_EMP_ICC et IND_CO sont positives et significatives. La présence d’industries culturelles et créatives et les effets indirects de celles-ci en termes de connectivité influencent positivement la richesse des régions européennes. Il est intéressant de noter que l’introduction de chacune de ces variables – et notamment du nombre des emplois dans les industries culturelles et créatives – rend non significative la variable capital humain ; ceci indique la concentration du capital humain régional dans un certain type d’emplois et secteurs représentés entre autres par les industries culturelles et créatives et par les emplois dans les industries de haute technologie.
38Les résultats Wx montrent que les effets spatiaux qui régissent les deux variables ne sont pas les mêmes. L’augmentation de l’indice de connectivité dans une région a un effet positif sur le montant de PIB par habitant d’une région voisine ; à l’inverse, la croissance de l’emploi culturel et créatif dans une région a un effet négatif sur la richesse des régions voisines. Ceci signifie qu’une connectivité élevée favorise non seulement la performance d’une région mais aussi celle des régions voisines. À l’inverse, la concentration des emplois dans les industries culturelles et créatives dans une région conduit à une polarisation de la richesse dans la région centrale au détriment des régions voisines. Ces résultats peuvent paraître contradictoires à premier abord, mais montrent, en réalité, les effets complémentaires d’une réalité complexe qui caractérise de nombreux territoires périphériques aux grands centres métropolitains. Ces derniers captent les emplois à capital humain élevé mais en même temps génèrent des effets externes spatialement diffus du fait de leur connectivité élevée.
Tableau 6. Modèles à effets fixes
|
Variables
|
Modèle 1
|
Modèle 2
|
|
a-spatial
|
SDM
|
a-spatial
|
SDM
|
|
Log. du nombre d’habitants (ln_POP)
|
0.642**
|
0.491***
|
0.466*
|
0.448***
|
|
Taux d’activité des 15-64 ans
(TX_ACTIF)
|
0.018***
|
0.006***
|
0.013***
|
0.005***
|
|
Part de l’emploi industriel
(EMP_INDUS)
|
0.008***
|
-0.002
|
0.007***
|
-0.001
|
|
Part des diplômés LMD (DIPLOMES)
|
0.004***
|
-0.003**
|
0.005***
|
0.002*
|
|
Nombre de kilomètres autoroutiers
au km2 (KM_ROUTE)
|
0.004**
|
0.002
|
0.001
|
0.002**
|
|
Indice de connectivité (IND_CO)
|
-
|
-
|
1.343***
|
0.542***
|
|
Indice de connectivité au carré
(IND_CO_SQR)
|
-
|
-
|
-0.460*
|
-0.269**
|
|
Log. du nombre d’emplois dans les ICC (ln_EMP_ICC)
|
0.009
|
0.209***
|
-
|
-
|
|
ρ
|
-
|
0.836***
|
-
|
0.814***
|
|
Wx
|
|
|
|
|
|
Log. du nombre d’habitants
|
-
|
-0.458
|
-
|
-0.408
|
|
Taux d’activité des 15-64 ans
|
-
|
0.006**
|
-
|
0.006*
|
|
Part de l’emploi industriel
|
-
|
0.008***
|
-
|
0.008***
|
|
Part des diplômés LMD
|
-
|
0.005***
|
-
|
0.005***
|
|
Nombre de kilomètres autoroutiers
au km2
|
-
|
0.004**
|
-
|
0.002
|
|
Indice de connectivité
|
-
|
-
|
-
|
0.071*
|
|
Indice de connectivité au carré
|
-
|
-
|
-
|
-0,048
|
|
Log. du nombre d’emplois dans les ICC
|
-
|
-0.023*
|
-
|
-
|
|
Log-lik
|
2291.43
|
3288.36
|
2421.89
|
3303.26
|
|
Obs
|
1808
|
1808
|
1808
|
1808
|
|
|
0.53
|
0.31
|
0.43
|
0.50
|
|
|
0.31
|
0.31
|
0.45
|
0.31
|
|
R2
|
0.32
|
0.31
|
0.45
|
0.32
|
|
Hausman χ2
|
-
|
60.29
|
-
|
62.40
|
|
Hausman p_v
|
-
|
0.00
|
-
|
0.00
|
Notes : *, **, *** correspondent respectivement à une significativité aux seuils de 1 %, 5 %, 10 %.
Source : Auteurs, données Eurostat
Tableau 7. Effets directs, indirects et totaux – PIB par habitant en ppa
|
SDM
Modèle 1
|
SDM
Modèle 2
|
|
Long-run direct Effects
|
|
|
|
Log. du nombre d’habitants
|
0.656***
|
0.581***
|
|
Taux d’activité des 15-64 ans
|
0.009***
|
0.006***
|
|
Part de l’emploi industriel
|
-0.001
|
-0.001
|
|
Part des diplômés LMD
|
-0.002*
|
-0.000
|
|
Nombre de kilomètres autoroutiers au km2
|
-0.001
|
-0.002
|
|
Indice de connectivité
|
-
|
0.605***
|
|
Indice de connectivité au carré
|
-
|
-0.298**
|
|
Log. du nombre d’emplois dans les ICC
|
0.034***
|
-
|
|
Long-run indirect Effects
|
|
|
|
Log. du nombre d’habitants
|
2.013**
|
2.017**
|
|
Taux d’activité des 15-64 ans
|
0.072***
|
0.047***
|
|
Part de l’emploi industriel
|
-0.048***
|
0.038***
|
|
Part des diplômés LMD
|
-0.019**
|
0.017**
|
|
Nombre de kilomètres autoroutiers au km2
|
-0.023
|
0.004**
|
|
Indice de connectivité
|
-
|
1.921**
|
|
Indice de connectivité au carré
|
-
|
-0.885
|
|
Log du nombre d’emplois dans les ICC
|
-0.014**
|
-
|
|
Long-run total Effects
|
|
|
|
Log. du nombre d’habitants
|
2.669***
|
2.598**
|
|
Taux d’activité des 15-64 ans
|
0.080***
|
0.054***
|
|
Part de l’emploi industriel
|
0.048***
|
0.006***
|
|
Part des diplômés LMD
|
0.017*
|
0.016**
|
|
Nombre de kilomètres autoroutiers au km2
|
0.023
|
0.010**
|
|
Indice de connectivité
|
-
|
2.527**
|
|
Indice de connectivité au carré
|
-
|
-1.183*
|
|
Log. du nombre d’emplois dans les ICC
|
0.019**
|
-
|
Notes : *, **, *** correspondent respectivement à une significativité aux seuils de 1 %, 5 %, 10 %.
Source : Auteurs, données Eurostat
39L’introduction des variables spatiales décalées ne permet pas d’interpréter les coefficients comme les impacts des variables explicatives sur les variables expliquées. Le tableau 7 fournit des informations sur les effets spatiaux directs et indirects des différentes variables sur le PIB de chaque région, avec des coefficients plus facilement interprétables (Loonis, 2019). Ces effets sont calculés selon la méthodologie proposée par LeSage et Pace (2009) : l’effet direct représente l’impact d’une variable explicative sur la variable à expliquer d’une région ; l’effet indirect représente l’impact des variables explicatives des régions voisines sur la variable expliquée de cette région. L’effet total est l’addition des deux effets, calculés pour chacune des variables de notre modèle.
40Les résultats dans le tableau 7 confirment les conclusions observées précédemment :
41En premier lieu, la taille de la population et le taux d’activité qui indiquent la dimension métropolitaine jouent un rôle important sur la richesse par habitant d’une région mais aussi sur celle de ses régions voisines.
42En deuxième lieu, l’emploi dans les industries culturelles et créatives capte une partie des effets de capital humain. La présence de telles industries contribue positivement à la richesse économique d’une région mais négativement à la richesse des régions voisines. Une interprétation plausible de ce résultat repose sur le clustering spatial de ces industries qui tendent à s’agglomérer afin de profiter de la formation d’externalités d’échelle. Elles drainent, par ce biais, le capital humain des régions voisines qui se trouvent dépourvues de leur population active la plus dynamique et la plus créative. Ceci confirme l’hypothèse d’un autorenforcement des dynamiques d’agglomération des industries culturelles et créatives, grâce à l’apparition de rendements croissants, au détriment des régions voisines.
43Ce résultat se rapproche des conclusions de plusieurs sociologues et géographes qui considèrent que les industries culturelles et créatives produisent une gentrification des espaces dans lesquels elles s’installent, avec comme conséquence l’apparition de nouvelles disparités sociales, économiques et spatiales (Vivant, 2006 ; Pintilii et al., 2014 ; Lim et Lee, 2018). Florida (2017) souligne que la concentration des écosystèmes créatifs dans les grandes métropoles industries impacte le fonctionnement de nombreuses branches de l’économie et crée de nouvelles inégalités par leurs effets indirects de hausse des prix sur le marché de l’emploi, le marché immobilier ou le marché des services de proximité.
44En troisième lieu, l’augmentation de l’indice de connectivité numérique d’une région impacte positivement sa richesse mais aussi et surtout celle des régions voisines, via les externalités de connaissance et de diffusion des technologies et de leurs utilisations dans la société. Néanmoins, le coefficient négatif de l’indice au carré laisse supposer un processus de convergence : au fur et à mesure que les indices de connectivité de deux régions voisines convergent, les effets croisés bénéfiques s’estompent.
45La portée de ces conclusions doit être néanmoins relativisée : en l’absence d’un modèle structurel expliquant les canaux par lesquels la connectivité contribue à la richesse régionale des régions, il serait plus prudent de considérer que ces résultats relèvent de corrélations plutôt que de causalités au sens fort du terme.
46En utilisant des données régionales d’Eurostat sur la période 2006-2013 et en mobilisant un modèle empirique et un panel d’outils d’économétrie spatiale, cet article propose d’étudier l’impact direct et indirect des industries culturelles et créatives sur la richesse des régions européennes. Bien que de nombreux travaux existent dans ce domaine, il n’y a pas, à notre connaissance, d’étude qui propose une analyse économétrique du rôle de ces industries dans la richesse des régions européennes.
47En l’absence d’un modèle structurel permettant de tester les liens de causalités, sur un plan théorique, deux variables sont mobilisées pour mesurer la créativité et la connectivité d’une région : en premier lieu, le nombre d’emplois équivalent temps plein dans le secteur des industries culturelles et créatives, reconstitué à partir des données Eurostat ; en second lieu, un indice de connectivité numérique original, construit par nos soins, qui mesure la diffusion de la numérisation des individus et des entreprises dans une région. Ce travail montre, dans un premier temps, que ces deux variables n’évoluent pas de la même façon entre 2006 et 2013 : l’emploi dans les industries culturelles et créatives n’est guère impacté par la crise économique de 2008 contrairement à la diffusion de la connectivité ; il montre, dans un deuxième temps, que les deux variables captent probablement une partie des effets du capital humain régional ; il montre, enfin, que même si les deux variables impactent positivement la richesse d’une région, leurs effets ne sont pas les mêmes sur les régions voisines : le clustering des industries culturelles et créatives dans les régions des capitales de l’Europe impacte positivement la richesse de leur région d’appartenance mais négativement celle des régions voisines. À l’inverse, la diffusion de la connectivité contribue positivement à la richesse économique d’une région et de ses régions voisines mais son impact diminue avec la convergence des régions en termes de connectivité.
48Sur le plan de la politique économique, les enseignements sont intéressants : dans certains pays, comme l’Allemagne, une connectivité élevée et une moindre concentration des industries culturelles et créatives conduisent à une plus forte diffusion de la richesse. À l’inverse, dans les pays à caractère fortement métropolitain, les deux effets jouent de façon contradictoire.
49Plusieurs aspects ne sont pas abordés dans ce travail, et plus particulièrement celui du rôle et de l’efficacité des politiques locales et régionales en faveur de l’installation et du développement des industries culturelles et créatives. Il s’agit d’une piste de recherche intéressante malgré le défi méthodologique qui consiste à clairement identifier et mesurer la portée de ces politiques.
Flux RSS
