ArticlePDF Available

Analyse spatiale de l'efficacité des Fonds structurels européens sur la croissance régionale

Authors:

Abstract and Figures

La politique de Cohésion de l’UE a fêté ses vingt années d’existence en 2009. La mise sur pied de cette politique part du constat que les forces du marché ne sont pas nécessairement suffisantes pour réduire significativement les inégalités territoriales. L’UE a alors construit cet outil de solidarité financière entre États membres avec l’objectif d’améliorer la compétitivité des régions défavorisées et de corriger les déséquilibres régionaux. Pourtant, la littérature sur la question de l’efficacité des Fonds européens n’est pas unanime. Aussi, nous proposons d’analyser la politique de Cohésion et son rôle dans la croissance régionale au travers d’une méthode développée en analyse spatiale, à savoir la GWR (régression géographiquement pondérée). Les résultats montrent que les effets de la politique de Cohésion sont différenciés en fonction des régions de l’UE. Les variations spatiales de l’influence des Fonds européens sur la croissance économique des régions appellent des inflexions sur la politique de Cohésion, en particulier en faveur d’une politique davantage territorialisée.
Content may be subject to copyright.
Sébastien Bourdin, « Analyse spatiale de l'efficacité des Fonds
structurels européens sur la croissance régionale », REVUE
D'ÉCONOMIE RÉGIONALE ET URBAINE N° 2/2018, pp. 243-269,
Armand Colin.
Disponible sur : http://www.revues.armand-colin.com/eco-sc-
politique/revue-deconomie-regionale-urbaine/revue-deconomie-
regionale-urbaine-ndeg-22018/analyse-spatiale-lefficacite-fonds-
structurels
Analyse spatiale de l’efficacité des Fonds structurels
européens sur la croissance régionale
A spatial analysis of the effectiveness of European
structural Funds on regional growth
Sébastien BOURDIN
sbourdin@em-normandie.fr
Ecole de Management de Normandie, Laboratoire Métis, Département d’Economie Régionale et
Développement Durable, 9, Rue Claude Bloch, 14052 Caen.
Mots-clés : politique de Cohésion, inégalités régionales, convergence, GWR, Union européenne
Keywords : cohesion policy, regional disparities, convergence, GWR, European Union
Classification JEL : C21, C26, R58
Résumé
La politique de Cohésion de l’UE a fêté ses vingt années d’existence en 2009. La mise sur pied de cette
politique part du constat que les forces du marché ne sont pas nécessairement suffisantes pour réduire
significativement les inégalités territoriales. L'UE a alors construit cet outil de solidarité financière entre
États membres avec l'objectif d'améliorer la compétitivité des régions défavorisées et de corriger les
déséquilibres régionaux. Pourtant, la littérature sur la question de l’efficacité des Fonds européens n’est
pas unanime. Aussi, nous proposons d’analyser la politique de Cohésion et son rôle dans la croissance
régionale au travers d’une méthode développée en analyse spatiale, à savoir la GWR (régression
géographiquement pondérée). Les résultats montrent que les effets de la politique de Cohésion sont
différenciés en fonction des régions de l’UE. Les variations spatiales de l’influence des Fonds européens
sur la croissance économique des régions appellent des inflexions sur la politique de Cohésion, en
particulier en faveur d’une politique davantage territorialisée.
Abstract
EU cohesion policy celebrated its twenty years of existence in 2009. The establishment of this policy
stems for the observation that market forces may not be sufficient to significantly reduce regional
inequalities. The EU therefore built this financial solidarity tool between member states with the aim of
improving the competitiveness of disadvantaged regions and correcting regional imbalances. Yet,
literature (particularly in spatial econometrics) on the question of the effectiveness of European funds is
not unanimous. Hence, we suggest to analyse the cohesion policy and its role in regional growth through
a method developed in spatial analysis, namely the GWR (Geographically Weighted Regression). The
results show that the effects of the cohesion policy are differentiated according to EU regions. Spatial
variations of the influence of European funds on the economic growth of regions ask for inflections in
the Cohesion policy, especially in favor of a more territorialized policy.
1 - Introduction
La politique de Cohésion de l’UE a fêté ses vingt années d’existence en 2009. La mise sur pied
de cette politique part du constat que les forces du marché ne sont pas nécessairement suffisantes pour
réduire significativement les disparités régionales. L'UE a alors construit cet outil de solidarité financière
entre États membres avec l'objectif d'améliorer la compétitivité des régions défavorisées et de corriger
les déséquilibres régionaux. Depuis sa création, cette politique a toujours eu pour objectifs de réduire
les disparités régionales, restructurer les économies des régions, créer de l’emploi et stimuler
l’investissement privé.
Alors que l’élargissement de l’UE aux onze nouveaux membres des Pays d’Europe centrale et
orientale est désormais acquis, la question du devenir des politiques européennes, en particulier de la
politique de Cohésion, reste problématique. Développée par étapes depuis 1975, la politique régionale
européenne finance des programmes de développement dont bénéficient les régions de l’UE « en retard
de développement » ou « en difficulté structurelle », selon la terminologie officielle. Aussi, depuis la
création de cette politique de Cohésion, les régions « en retard de développement » ont largement
bénéficié des Fonds structurels européens dit de « convergence » pour un résultat en deçà des attentes
imaginées par la Commission européenne (FAROLE ET AL., 2011). Avec leur intégration dans l’espace
communautaire, les régions d’Europe centrale et orientale ont perçus des Fonds européens, cependant,
on constate aujourd’hui que seules six d’entre elles ont un PIB/hab. supérieur à la moyenne de l’UE
alors que voilà plus de dix ans qu’elles font partie de l’UE. Avec un budget de 351,8 milliards d’euros
pour la période 2014-2020 contre 347 milliards d'euros pour la période précédente 2007-2013 ,
l’Union européenne a réaffirmé l’importance de la politique de Cohésion alors que la crise aurait pu
pousser les députés européens à voter un budget revu à la baisse. Dans ce contexte, cette politique est
perçue comme un accélérateur de croissance et de revenus dans les régions dites périphériques
notamment.
Malgré des enjeux politiques et financiers considérables et une littérature abondante sur la
croissance régionale (HARRIS, 2011), on retrouve peu de travaux académiques qui interrogent
spécifiquement l’efficacité des Fonds structurels européens. Sur la petite centaine d’études parues sur la
politique de Cohésion, seulement une sur dix concerne des articles publiés utilisant des données
appropriées afin d’évaluer son impact sur le développement régional (DALLERBA ET FANG, 2015).
Comme le soulignaient déjà LE GALLO ET AL. en 2011, très peu utilisent une approche économétrique
spatiale alors même que l’oubli de la dimension spatiale de la croissance régionale biaise les résultats.
De plus, les approches développées en économétrie spatiale font souvent référence à des modèles dits
« globaux », c’est-à-dire estimant un coefficient de régression pour l’ensemble de l’échantillon pour la
variable relative aux Fonds européens. Or, les résultats empiriques précédents sur la convergence
indiquent bien des phénomènes d’agglomération géographique, de clubs de convergence, d’équilibres
multiples, de dépendance et d'hétérogénéité spatiale du processus de croissance régionale. C’est donc
pour répondre à ce problème de non-stationnarité du processus de convergence que LE GALLO ET AL.
(2011) proposent une déclinaison locale des modèles « classiques » d’économétrie spatiale leur
permettant de démontrer la présence d’une hétérogénéité de l’impact des Fonds sur les régions.
L’objectif de notre article étant davantage d’identifier la non-stationnarité spatiale de l’efficacité des
Fonds que de dégager des règles générales et des régularités sur le phénomène étudié, nous privilégions
comme ces auteurs d’utiliser un modèle local plutôt qu’un modèle spatial global. C’est d’ailleurs ce que
préconisent DALLERBA ET FANG (2015) afin de reconsidérer le « one size fits all » et ainsi démontrer
que les Fonds européens peuvent avoir un impact positif et significatif dans quelques régions et des
effets nuls voire inverses dans d’autres.
En analyse spatiale, une méthode la régression géographiquement pondérée (GWR) a été
développée par BRUNSDON ET AL. (1996). Elle est destinée à capter au niveau de chaque observation les
variations des coefficients d’une régression dans l’espace. Pour cela, un paramètre différent est estimé
pour chaque observation en utilisant les valeurs des caractéristiques prises par les observations voisines.
De récentes contributions (BIVAND AND BRUNSTAD, 2005 ; YU, 2006 ; ECKEY ET AL., 2007 ; YILDIRIM,
2009 ; SASSI, 2010) ont été développées à partir de cette entrée méthodologique originale pour mesurer
la convergence des régions mais aucune n’inclue dans son modèle la variable liée aux Fonds de la
politique de Cohésion. En utilisant cette méthode, nous faisons l’hypothèse qu’il existe une variation
spatiale significative de l’influence des facteurs concourant à la croissance régionale. En particulier,
notre objectif est de montrer l’hétérogénéité spatiale de l’efficacité des Fonds européens dans
l’explication de la croissance des régions européennes.
Comme alternative à la théorie néoclassique, la prise en compte du rôle de la dépendance
spatiale et des effets de débordement comme cela l’a déjà été suggéré par la théorie de la croissance
endogène et de la Nouvelle Économie Géographique (NEG) permet de réaliser une analyse
territorialisée du processus de convergence impliquant plusieurs facteurs (dont celui de la politique de
Cohésion). Dans ce cadre, notre article propose une contribution à la compréhension de l’évaluation de
l’efficacité des Fonds structurels européens sur les deux dernières périodes de programmation. L’analyse
se base sur un échantillon de 248 régions de l’UE au niveau NUTS 2 sur la période 2000-2014 en
utilisant la GWR. L’article propose une revue de littérature sur la mesure de l’efficacité de la politique
de Cohésion et plus spécifiquement sur la prise en compte de la dimension spatiale dans l’évaluation
des Fonds structurels (section 2), puis présente la base de données utilisée ainsi que la méthodologie
mobilisée (section 3). Ensuite, il sera présenté et analysé les résultats de notre étude (section 4) avant de
conclure en proposant quelques éléments de discussion (section 5).
2- Convergence et divergence dans l’UE : quel rôle de la politique de Cohésion ?
2.1.- Les effets différenciés de la politique de Cohésion sur la croissance régionale
D’un point de vue théorique, l’approche néo-classique de la croissance développée par SOLOW
(1956) considérait les économies comme indépendantes. Elle indiquait que la croissance à long terme
ne dépend pas de l’accumulation du capital, mais des facteurs déterminant le niveau d’état stationnaire.
Or, il a été démontré que faire l'hypothèse d'une économie fermée entraînerait de nombreux biais dans
l’estimation des modèles. Dès lors, prendre en compte l'interdépendance possible entre les régions ou
des pays en introduisant des externalités spatiales est devenu indispensable.
Les études empiriques démontrant la non-linéarité de la croissance se sont répandues grâce au
développement de nouveaux modèles économétriques intégrant de manière explicite la dimension
spatiale des données. Ces modèles prennent en compte la dépendance et l'hétérogénéité spatiale (ABREU
ET AL. 2005 ; FINGLETON ET LOPEZ-BAZO 2006). Les résultats des études empiriques évaluant
l’efficacité des Fonds européens dans le processus de rattrapage régional sont néanmoins contradictoires
et dépendent bien souvent des méthodes utilisées, de la temporalité de l’étude et du choix du maillage
territorial (DALLERBA ET FANG, 2015). Pour la période 1989-1999, DALLERBA ET LE GALLO (2008)
utilisent dans un premier temps une estimation de bêta-convergence conditionnelle qui les conduit à la
conclusion que les Fonds Structurels n’exercent pas d’influence significative sur le processus de
convergence. Dans un second temps, une matrice de poids spatial leur permet de prendre en compte des
influences et des interdépendances spatiales. Ils identifient ainsi une forte autocorrélation spatiale, ce
qui signifie que la croissance d’une région est largement influencée par la croissance des régions qui
l’entourent. D’autres travaux, prenant en compte les effets spatiaux, arrivent aux mêmes conclusions
(ARBIA ET FINGLETON, 2008 ; RAMAJO ET AL., 2008). Par ailleurs, MOHL ET HAGEN (2010) démontrent
que, pour la période 1995-2005, les Fonds structurels au titre de l’Objectif 1 ont un impact positif et
significatif seulement pour les régions les plus en retard de l’UE-15, leur permettant une croissance
économique soutenue. En revanche, les impacts pour les autres objectifs sont négatifs ou insignifiants.
BOUAYAD-AGHA ET AL. (2013 a et b) concluent également à un effet net et positif de l’Objectif 1 sur la
croissance régionale tandis qu’il est nul lorsque la totalité des Fonds structurels est considérée. BECKER
ET AL. (2012) montrent que l’élasticité des Fonds structurels sur le développement régional est modérée
et décroît avec les montants dépensés. Leur étude conclue que la réallocation des Fonds européens sur
des régions cibes pourrait mener à une croissance de l’UE plus importante et pourrait générer
également plus rapidement une convergence régionale. A l’inverse, d’autres études présentent un bilan
beaucoup plus mitigé, nul voire négatif de la politique de Cohésion sur la convergence. RODRIGUEZ-
POSE ET FRATESI (2004) concluent que l’influence de l’Objectif 1 dans le processus de convergence ne
semble pas démontrée.
En alternative aux modèles économétriques globaux, des modèles locaux ont été développés ces
dernières années. Les contributions d’ERTUR ET AL. (2007) ou encore de LE GALLO ET AL. (2011)
apportent un éclairage supplémentaire sur la prise en compte de la dimension locale dans l’estimation
du modèle de bêta-convergence conditionnelle. La méthode SALE (Spatial Autoregressive Local
Estimation) utilisée dans leurs modèles permet d’estimer des coefficients locaux en prenant en compte
le rôle des Fonds structurels. Les auteurs concluent d’une part au faible impact de la politique de
Cohésion sur la croissance à l’échelle globale de l’UE, et d’autre part à la présence d’impacts locaux
diverses, avec une influence positive sur la croissance de la Grande-Bretagne, de la Grèce et des régions
de l’Italie du Sud. L’approche locale de la convergence permet ainsi de montrer que l’impact non-
significatif des Fonds structurels qui peut être observé à l’échelle globale peut masquer en réalité des
impacts positifs pour certaines régions à l’échelle locale. Parmi les modèles locaux explorant la
convergence régionale et suggérant que les variables explicatives peuvent varier dans l’espace on
retrouve la GWR. Jusqu’alors, seulement cinq recherches ont étudié la non-stationnarité spatiale du
processus de convergence à l’aide de cette méthode. BIVAND ET BRUNSTAD (2005) et SASSI (2010)
s’attachent à comprendre les variations spatiales de l’impact de la politique agricole européenne sur
convergence en Europe de l’Ouest. ECKEY ET AL. (2007) et YILDIRIM ET AL. (2009) étudiant quant à
eux la convergence régionale respectivement pour l’Allemagne et la Turquie. Enfin, ARTELARIS (2014)
étudie la convergence des régions européennes entre 1995 et 2005 à l’aide de cette même méthode et
conclue à une faible convergence. A notre connaissance, aucun travail académique n’a encore intégré le
rôle de la politique de Cohésion dans la modélisation de la croissance régionale à partir de la GWR.
Aussi, dans le but de confirmer l’existence d’un taux de convergence différencié pour les régions
européennes et d’étudier les variations spatiales de l’impact de la politique de Cohésion sur la croissance
régionale, nous proposons d’utiliser la GWR.
2.2.- La prise en compte de l’hétérogénéité spatiale de la croissance régionale dans
la nouvelle politique de Cohésion
Dans un schéma d’intégration régionale tel que celui de l’UE, l’inégale distribution des richesses
est une question politique d’importance primordiale. L’objectif est en général de stimuler les
pays/régions les moins développés vers ceux/celles qui le sont davantage. La question de savoir si la
politique de Cohésion contribue à la réduction ou à l’accentuation des disparités n’est pas facile à traiter
et il existe des arguments dans la littérature qui plaident en faveur de l’un ou l’autre. Or, l’hétérogénéité
spatiale de la croissance régionale est plus que jamais une question d’actualité dans l’UE. Elle interroge
le design de cette politique publique de développement territorial qui a été entièrement repensée pour la
période de programmation 2014-2020. Dans un contexte aussi hétérogène que le système régional de
l'UE, l’approche « top-down » pendant longtemps adoptée du « one-size-fits-all » a ses limites
(MCCANN ET RODRIGUEZ-POSE, 2011; BARCA ET AL., 2012). Trouver la meilleure façon de mieux
adapter les actions et les interventions politiques aux contextes locaux térogènes est devenue une
question primordiale aujourd’hui (MCCANN et ORTEGA-ARGILES, 2016). L’introduction de la
spécialisation intelligente constitue de ce point de vue une réponse en passant d’une logique « place-
neutral » (ou « space-blind ») à une logique « place-based ». Elle offre un moyen d'établir des priorités
de financement des politiques visant à améliorer le développement territorial, en s'appuyant sur les
opportunités locales sous-jacentes à l'innovation et axée sur l'entrepreneuriat. Cette nouvelle conception
de la politique de Cohésion traduit le passage d’une conception non spatiale à une conception
explicitement spatiale et régionale. Elle vise à améliorer son efficacité et son efficience en prenant
justement en compte la variabilité territoriale de l’effet des Fonds structurels. Ainsi, évaluer
l’hétérogénéité spatiale de l’efficacité de la politique de Cohésion entre 2000 et 2014 permettra, à l’aune
des résultats, de justifier de l’intérêt d’une approche plus territorialisée de ce dispositif.
3 Méthode et données
3.1 - La méthode de la régression géographiquement pondérée (GWR)
La loi de TOBLER (1970) est une hypothèse centrale de l’analyse de données spatialement
référencées. Cette loi indique que des observations prises proches d’autres observations dans l’espace
ont tendance à davantage se ressembler (positivement corrélées) que d’autres plus éloignées. Ceci
implique que non seulement les variables d’intérêt du modèle présentent une dépendance spatiale (des
régions proches ont tendance à avoir des valeurs similaires) mais également que les résidus du modèle
peuvent présenter une dépendance spatiale. Or, la présence d’autocorrélation spatiale des résidus du
modèle est à l’origine d’estimations paramétriques biaisées. ANSELIN (1988) a proposé deux types de
modèles permettant de prendre en compte la structuration spatiale des données. Soit il existe une
structure spatiale des résidus auquel cas on utilisera un modèle à erreur spatiale, soit la structuration
spatiale se retrouve dans les variables du modèle auquel cas on privilégiera un modèle spatialement
décalé. L’hétérogénéité spatiale est un autre phénomène à prendre en compte lorsque l’on construit un
modèle. On fait alors l’hypothèse que les relations modélisées varient dans l’espace. Cette non-
stationnarité spatiale implique que certaines variables peuvent avoir un effet positif dans certaines unités
territoriales alors que des effets négatifs sont observables dans d’autres (MELOCHE ET SHEARMUR,
2010).
L’approche récente qui a gagné en popularité dans la prise en compte et la représentation de
l’hétérogénéité géographique est la GWR. Il s’agit d’une méthode essentiellement exploratoire
permettant d’identifier la nature et les schémas d’hétérogénéité spatiale sur l’ensemble de la zone
étudiée. Contrairement à la régression linéaire et aux modèles spatiaux autorégressifs qui produisent une
équation pour l'ensemble du tableau de données, la GWR produit une équation pour chaque entité
spatiale et ainsi, des valeurs locales de R², , , T de Student. Ainsi, en opposition à l'approche d’une
régression linéaire multiple (globale), la GWR peut évaluer des coefficients séparés, potentiellement
pour chaque observation.
Dans l'évaluation de la régression propre à chaque région, les caractéristiques des régions prises
individuellement sont pondérées par leur proximité spatiale. Ainsi, les observations qui sont plus
proches d’une région ont un plus grand poids dans l'estimation que les observations qui sont plus
éloignées. Le résultat d’une GWR est non seulement un chiffre global pour chaque paramètre estimé,
mais aussi un ensemble d’estimations localisées des paramètres, ainsi que des versions localisées de
mesures de qualité de la régression. Comme le soulignent WALLER ET AL. (2007), ces dernières peuvent
être utilisées comme un outil exploratoire pour mettre en évidence les régions il apparaît des relations
intéressantes à analyser. Les estimations locales étant toutes associées à des localisations spécifiques,
chaque ensemble de paramètres peut être cartographié pour illustrer les variations spatiales de la relation
mesurée. Cette cartographie peut alors être utilisée pour améliorer la compréhension des processus
modélisés mais également pour identifier les anomalies spatiales locales pour chaque variable
exploratoire.
Enfin, d’un point de vue méthodologique, HUANG ET LEUNG (2002) proposent de tester la
présence d’autocorrélation spatiale dans les résidus du modèle de la GWR à l’aide de la statistique I de
Moran afin d’évaluer le degré de dépendance entre les observations proches. On mesure alors si le
modèle retenu n’est pas biaisé et le degré d’efficience de ses estimateurs.
Des applications de cette méthode ont été menées en incluant l’analyse de l'hétérogénéité spatiale
dans des processus socio-économiques régionaux liés à la pauvreté (BENSON ET AL., 2005; FARROW ET
AL., 2005 ; APPARICIO ET AL., 2007), l’industrialisation régionale en Chine (HUANG ET LEUNG, 2002),
les relations entre le PIB/hab. et le chômage, l'emploi agricole et la part de la population âgée de moins
de 25 ans (CHARLEUX, 2003) ou encore la croissance et l’emploi au Canada (SHEARMUR ET AL. 2007).
Comme évoqué plus haut, seules cinq études à ce jour étudient plus spécifiquement le processus de
convergence économique à l’aide de cette méthode.
Considérons à présent l’expression mathématique du modèle de GWR. Dans un modèle de
régression linéaire classique, le modèle prend la forme suivante :

(1)
Pour la GWR, le modèle se formalise comme suit :


(2)
 est la localisation dans un espace géographique de la observation. Dans la calibration du
modèle de GWR, on suppose que les données observées proches d’un point ont plus d’influence dans
l’estimation des valeurs de  que les données localisées loin de . L'équation mesure donc les
relations inhérentes au modèle autour de chaque point. Dans la GWR, une observation est pondérée
conformément avec sa proximité au point. Le choix du régime de pondération est une étape importante
dans la spécification du modèle. Ce choix implique que les observations les plus proches de la
localisation  exercent plus d'influence sur les paramètres estimés de cette localisation que les
observations les moins proches. Ainsi, le poids  peut être considéré comme une fonction
continue et strictement décroissante de la distance . Pour notre analyse, nous avons retenu une
distance gaussienne de décroissance de la distance avec :

(3)
0 et est défini comme étant la portée (ou bande passante) de la fonction, autrement dit le rayon
de la zone d'influence du point .
FOTHERINGHAM (2009) explique que les résultats de la GWR sont rarement sensibles à la
définition de la fonction de pondération spatiale, en revanche, ils le sont au choix de la portée de la
fonction. La définition de la bande passante étant difficile à préciser a priori, une première approche
peut consister à procéder à une validation croisée afin de minimiser l’erreur quadratique moyenne de
prédiction. Une autre approche est possible et est recommandée par FOTHERINGHAM ET AL. (2009). Il
s’agit de la méthode du critère d'information Akaike corrigé AICc
1
») qui permet de définir de
manière optimale la portée spatiale. Dans le cadre de notre étude, nous avons choisi la méthode « AICc »
qui calcule le rayon de la zone d'influence qui minimise la valeur du critère d'information Akaike.
Autrement dit, on cherche à minimiser la différence entre la valeur observée et la valeur estimée pour .
3.2 Le modèle et ses données
Le débat entre les partisans des écoles de la divergence ou de la convergence a acquis une
nouvelle dimension avec la nouvelle théorie de la croissance. On dénombre alors de nombreux facteurs
qui peuvent expliquer une distribution spatiale de la croissance économique qui est loin d’être homogène
: on citera entre autres l’accès au marché, le capital humain, le changement technologique, la
compétitivité internationale, les économies d’échelles, l’efficacité institutionnelle, la localisation
géographique.
La croissance économique régionale est la variable dépendante du modèle et est estimée en
termes réels pour la période 2000-2014. Les variables indépendantes sont mesurées au début de la
période étudiée (sauf pour l’indice de qualité institutionnelle) afin de capter les effets des conditions
initiales sur l’ampleur de la croissance. Les données récoltées sont issues de la base ESPON et
d’Eurostat. L’échantillon comprend 248 régions appartenant à 23 Etats-membres. Ainsi, la Croatie a é
exclue car elle ne bénéficiait pas des Fonds européens pour la période étudiée, tout comme la Roumanie
et la Bulgarie qui n’ont pas perçu de Fonds européens (sauf les Fonds de pré-adhésion) sur la période
2000-2006. Enfin pour des raisons statistiques liées à des problématiques insulaires ou d’enclaves,
Chypre, Malte, les Iles Canaries, les Açores, Madère et les Territoires d’Outre-Mer ont été également
exclus. LE SAGE (2004) explique que la présence de telles observations aberrantes peut influencer les
estimations de la GWR.
Tableau 1 : Variables descriptives
L'inégale répartition spatiale des activités économiques soulevée dans la littérature met en
évidence le rôle important de la géographie de la croissance régionale. Aussi, les régions les plus
accessibles qui ont un marché potentiel plus élevé, sont davantage susceptibles de polariser les activités
économiques et d’être plus attractives pour les investisseurs. Par conséquent, elles peuvent connaître
des taux de croissance plus élevés (KRUGMAN, 1992). Les investissements tendent à favoriser les régions
qui sont en avance technologiquement, pendant que les forces de travail migrent vers les territoires où
1
L'AICc est une version corrigée de l'AIC dans le cas d'échantillons de petite taille. C’est cette méthode que nous
avons retenue pour notre analyse.
Statistique Moyenne Ecart-type Description
Yit 0,023 0,012 Taux de croissance sur 2000-2014
ln(2000) 9,831 0,397 PIB/hab. initial (en PPA.)
ln(Educ) 2,938 0,458 Part de la pop. (25 à 64 ans) diplômée de l’ens. sup.
ln(Agglo) 4,683 1,851 Dens. de la pop. régionale (hab./km²)
ln(Instit) 4,183 0,344 Indice "European Quality of Government"
ln(R&D) 2,694 0,953 Dépenses tot. de R&D/hab. (en PPA)
ln(Access) 2,563 1,448 Dens. de km d’autoroutes (millier/km²)
ln(Obj1CoFds) 2,741 3,118 Somme des Fonds de Cohésion et des Fonds au titre de l'Obj. 1 perçus
ln(TotFds) 5,570 1,741 Somme des Fonds structurels perçus
ln(investot) 8,596 0,984 Formation brute de capital fixe
ln(Xcepop) 4,608 0,426 Taux de croissance de la population sur 2000-2014
il y a le meilleur potentiel de carrière (en général les régions métropolitaines développées attractives).
Déjà dans les années cinquante, MYRDAL (1957) considérait la croissance comme un processus spatial
cumulatif susceptible d’accroître les disparités régionales et conduisant à une polarisation spatiale de
l’économie. Nous introduisons ici cette modalité dans notre modèle via la densité de km d’autoroutes
par millier de kilomètres carrés (Access) de chaque région. Par ailleurs, les économies d'agglomération
(Agglo) sont mesurées par le proxy de la densité de la population régionale (hab./km²). L'impact des
économies d'agglomération sur la croissance économique régionale est censé être positif et significatif.
Les régions plus densément peuplées doivent enregistrer des niveaux de productivité plus élevés et par
conséquent une meilleure performance économique (GEPPERT ET STEPHAN, 2008).
Le rôle du capital humain sur la croissance économique a largement été démontré dans la
littérature depuis les travaux séminaux de BECKER (1964) puis ceux de LUCAS (1990). L’éducation
constitue un volet important d’une politique de développement régional (DALL'ERBA ET AL., 2009) et
les études récentes sur la convergence des régions européennes confirment que le niveau du capital
humain influe positivement sur la croissance (RODRIGUEZ-POSE ET FRATESI, 2004 ; CRESCENZI, 2005 ;
FAGGIAN ET MCCANN, 2009). Aussi, nous intégrons dans notre modèle le niveau d’éducation de la
population (Educ) mesuré par la part de la population âgée de 25 à 64 ans qui est titulaire d’un diplôme
de l’enseignement supérieur.
Les changements d’orientation de la politique régionale appellent des études empiriques
analysant le rôle de l’innovation et de la R&D dans le développement régional (LE GALLO ET RIOU,
2008). CAMAGNI ET CAPELLO (2013) expliquent que les facteurs du développement aujourd’hui sont
avant tout l’innovation et la comtitivité. Les travaux issus de la science régionale ont largement montré
le cercle vertueux qui existe entre l’innovation et les dynamiques de croissance (MARTIN ET
OTTAVIANO, 2011 ; EDERVEEN ET AL., 2006 ; BACHTLER ET GORZELAK, 2007 ; CRESCENZI ET AL.,
2007 ; FAROLE ET AL., 2011 ; CRESCENZI ET RODRIGUEZ-POSE ; 2011 ; RODRIGUEZ-POSE ET NOVAK,
2013 ; MOLLE, 2015). Pour ces raisons, nous avons également retenu dans notre modèle une variable
servant de proxy pour mesurer le degré d’investissement d’une région dans la R&D à savoir les dépenses
totales de R&D par région rapportées en PPA/hab. (R&D).
Le Sixième Rapport sur la Cohésion (COMMISSION EUROPEENNE, 2014) et le rapport BARCA
(2009) mettent en lumière l’importance d’avoir des capacités institutionnelles suffisantes à l’échelle
régionale pour accélérer le développement économique et l’efficacité des Fonds européens. Parmi les
études qui s’intéressent aux facteurs explicatifs de la croissance en Europe, une littérature récente met
en avant le rôle des institutions sur la performance régionale (GLAESER ET AL., 2004 ; EDERVEEN ET
AL., 2006 ; BOSKER ET GARRETSEN, 2008 ; ARBIA ET AL., 2010 ; FAROLE ET AL., 2011 ; RODRIGUEZ-
POSE 2013 ; GARRESTEN ET AL., 2013 ; RODRIGUEZ-POSE ET GARCILAZO, 2015). Ces travaux prônent
la nécessité d’améliorer la qualité de la gouvernance d’une part, et de réduire l’hétérogénéité
institutionnelle (CHARRON ET AL., 2012) d’autre part, afin de réduire les inégalités régionales en Europe
et de rendre plus efficace la politique de Cohésion (CHARRON, 2016). Nous avons donc intégré cette
dimension (Insti) en intégrant dans le modèle l’indice de qualité institutionnelle (CHARRON ET AL., 2012
et 2014 ; MONTRESOR ET AL. 2013). Le European Quality of Government Index (EQI) a été conçu à
partir d’une enquête auprès de 34 000 habitants de l’UE dans les différents pays pour 2010 et 2013
2
. Les
seize questions posées dans ce questionnaire faisaient référence à la perception et aux expériences des
citoyens interrogés concernant la corruption du secteur public, la confiance envers leurs institutions
régionales (en termes de gestion financière, d’application des lois, de gouvernance).
2
Ne disposant pas des données pour cette variable pour l’année initiale (2000), nous avons retenu celles produites
en 2010.
Pour la période de programmation 2000-2006, 213 milliards d’euros ont été affectés à cette
politique, soit près de 35 % du budget de l’Union, représentant 0,45 % de son PNB. La part du budget
allouée à la politique régionale n’a quasiment pas bougé (35,7 %) durant la période de programmation
suivante 2007-2013, mais le budget de l’UE ayant augmenté, le montant total pour cette période s’élevait
à 347 milliards d’euros. Nous avons introduit dans notre modèle une variable relative aux Fonds
européens perçus par chaque région (TotFds). Elle inclue l’ensemble des Fonds européens perçus par
région (les différents Objectifs + les Fonds de Cohésion) et cumulés sur la période 2000-2006 et la
période 2007-2013. Les conclusions dans la littérature étant divergentes (impact positif non-
conditionnel, impact positif conditionnel, impact non-significatif et impact négatif), l’objectif sera de
tester dans quelle mesure la politique de Cohésion influence la croissance régionale. Aussi, puisque les
Fonds européens au titre de l’Objectif 1 et ceux dits de la Cohésion (Obj1CoFds) sont concentrés vers
les régions les plus en difficulté, nous souhaitons mesurer spécifiquement leur effet (voir les méta-
analyses récentes sur cette question de LE GALLO ET AL., 2011 ; PERSSON ET AL., 2012 ; DALLERBA ET
FANG, 2015 ; NEUMARK ET SIMPSON, 2015).
Enfin, il existe deux façons de considérer la localisation dans un modèle. On peut prendre en
compte la localisation relative, autrement dit, on mesure pour une observation géographique les effets
d’être localisée plus ou moins loin par rapport à d’autres entités (renvoie au concept d’autocorrélation
spatiale). Mais on peut également considérer la localisation absolue, c’est-à-dire l’impact pour une unité
géographique d’être localisée dans un point particulier de l’espace (renvoie au concept d’hétérogénéité
spatiale). Pour les Fonds structurels, un des problèmes posé est celui de l'endogénéité. L’ampleur des
versements des Fonds structurels est fortement corrélée avec le PIB initial, ce qui implique un problème
évident d'endogénéité pour cette variable. Un instrument approprié doit être indépendant du terme
d’erreur mais doit être corrélé suffisamment avec la variable endogène. DALLERBA ET LE GALLO
(2008) proposent de prendre en compte ce biais de localisation absolue en utilisant comme instrument
de contrôle la distance à Bruxelles. L’existence d’un gradient centre-périphérie pour les régions dans la
distribution territoriale des Fonds européens a déjà été démontrée dans la littérature (BAUMONT ET AL.,
2006 ; DALLERBA ET AL., 2008). La distance à Bruxelles (par la route en km) de chaque région à la
région Bruxelles-Capitale (Central) a donc été introduite dans notre modèle comme un proxy de
l’influence des régions dans le processus d’allocation des Fonds. Nous faisons ici l’hypothèse que cette
distance peut agir comme un coût pour effectuer du lobbying auprès des institutions européennes, une
fois contrôlé le niveau de développement initial des régions. A partir de cette variable, deux régimes ont
ainsi été définis (i) centre et (ii) périphérie et les estimations ont été réalisées sur l’échantillon en entier
et sur les deux sous-échantillons (centre et périphérie)
3
.
Pour évaluer l’endogénéité considérée, suivant les travaux de DALLERBA ET LE GALLO (2008),
nous avons réalisé un test d’Hausman à partir d’un modèle de régression linéaire à l’aide de cet
instrument (Central) intégrant alternativement la variable TotFds ou Obj1CoFds. Les résultats de ceux-
ci (tableau 2) confirment le rejet de l’hypothèse nulle d’exogénéïté à 10 %.
3
Notons que les deux sous-échantillons auraient pu être définis également en fonction de l’éligibilité au titre de
l’Objectif 1 (i.e. avec un PIB<75% PIB de l’UE comme critère pour définir les sous-échantillons). Néanmoins, les
régions au-dessus et en deçà de ce seuil variant dans le temps (entre les deux périodes de programmation), nous
avons préféré prendre en compte la distance à Bruxelles-Capitale qui est une variable ne variant pas dans le temps
par définition.
Tableau 2 : Résultats du test d’Hausman sur la variable TotFds ou Obj1CoFds sur les quatre modèles
intégrant les Fonds structurels
Enfin, des variables de contrôle classiques dans les estimations d’équation de convergence ont été
ajoutées. La politique de Cohésion consistant en une subvention à l’investissement, nous avons contrôlé
le niveau initial d’investissement via la variable relative à la formation brute de capital fixe (Investot).
Le taux de croissance de la population (XPop) a été également ajouté.
Suivant le modèle de croissance développé par DURLAUF ET AL. (2005), l’équation de la GWR peut
s’écrire de la forme suivante
(i) si l’on prend en compte l’intégralité des Fonds structurels perçus par région :
  +
   
 
(4)
(ii) si l’on prend en compte Fonds structurels perçus par région au titre de l’Objectif 1 et des
Fonds de Cohésion :
  +
  
  
(5)
 est la variable dépendante du modèle à expliquer définie pour une région sur la période (2000-
2014) comme suit :
 
(6)
 est la localisation de l’observation et , , …, sont les paramètres du modèle issus des
modèles de convergence conditionnelle de SOLOW (1956) et MANKIV ET AL. (1992) et du modèle de
croissance endogène de BARRO (1991). .
Sous l’hypothèse de convergence conditionnelle, on dira qu’il y a une -convergence si le paramètre
estimé () est significativement négatif (Barro et Sala-i-Martin, 1995).
avec fonds structurels
3.3 Test de la variabilité géographique
Nous avons procédé à un test de la variabilité géographique de chaque coefficient du modèle.
Une comparaison de modèles est réalisée entre la GWR originale et un modèle permuté dans lequel seul
le coefficient testé est fixe tandis que les autres coefficients sont maintenus dans leur potentielle
variabilité conformément à un modèle de GWR. En comparant l’AICc, si la GWR originale est meilleure
comparée au modèle permuté testant le coefficient, alors il est possible de dire que ledit coefficient varie
dans l'espace. En parallèle, le test hypothétique traditionnel utilisant des statistiques F pour un modèle
gaussien est réalisé (NAKAYA, 2014).
Un exemple de modèle de convergence est pris ci-après où l’on teste l’impact des Fonds structurels sur
la croissance (modèle 1 voir tableau 3) :
Soit un modèle de GWR classique
  

(7)
Pour tester la variabilité géographique de , nous comparons un modèle à constante fixe et un
modèle à pente fixe, définis respectivement comme suit :
(i) modèle à constante fixe :
  
 
(8)
(ii) modèle à pente fixe :
 

(9)
Si le modèle permuté est plus performant que le modèle à pente fixe, cela signifie que varie
significativement dans l’espace. Pour cela, une différence est calculée entre le modèle original et le
modèle permuté. Si la valeur est positive, on conclue à une absence de variabilité spatiale dans le terme
local mis en évidence. Si le modèle de GWR permuté atteint un meilleur ajustement statistique que le
modèle de pente fixe, la valeur du modèle est négative et la variable varie significativement dans
l’espace.
Tableau 3 : Test de variabilité géographique du modèle général de convergence territoriale
Le test réalisé (voir tableau 3) indique que l’intégralité des variables considérées dans le modèle varient
significativement dans l’espace.
4 La contribution des Fonds structurels européens à la convergence territoriale
4.1. Un modèle séquentiel de la convergence territoriale
Dans l’implémentation de la GWR, le taux de croissance a été modélisé comme une fonction de
plusieurs paramètres décrits dans le tableau 1. Afin d’étudier l’hétérogénéité spatiale des disparités en
termes de croissance régionale, nous avons réalisé un modèle séquentiel (tableau 4). Il s’agit de tester
plusieurs modèles de convergence territoriale (modèles 1 à 4 avec Fonds structurels et modèle 5 sans
Fonds structurels). Seule la moyenne des coefficients a été reportée dans le tableau du modèle séquentiel.
La cartographie des coefficients estimés permet d’évaluer l’ampleur de la variabilité spatiale des
paramètres des différents modèles.
Dans le modèle 5 sans Fonds structurels, le coefficient estimé associé au PIB/hab. en 2000 est
significatif et négatif indiquant ainsi un processus de convergence des régions européennes. Les
coefficients des autres paramètres du modèle sont tous statistiquement significatifs et influencent
positivement la croissance régionale, ce qui est par ailleurs confirmé par la littérature. L’indice de Moran
de  (I = 0,68) indique que le taux de croissance d’une région est influencé par celui des régions
voisines.
Variable différence de critère
ln2000 -778,957702
lnObj1CoFds -3,906
lnTotFds
-25,465
lnEduc -36,091
lnAgglo -3,844
lnInstit -879,834
lnR&D -3,526
lnAccess -7,257
lnInvestot -48,053
lnXpop -12,459
Tableau 4 : Modèle séquentiel de convergence territoriale
Variable tot centre periph tot centre periph tot centre periph tot centre periph tot centre periph
ln2000 -0,065 0,011 -0,036 -0,059 0,006 -0,028 -0,033 0,003 -0,039 -0,030 0,000 -0,034 -0,036 0,000 -0,043
(0,002) (0,012) (0,004) (0,003) (0,013) (0,004) (0,004) (0,006) (0,005) (0,004) (0,010) (0,004) (0,006) (0,013) (0,006)
lnObj1CoFds -0,004 0,001 -0,002 -0,001 0,001 -0,001
(0,001) (0,000) (0,001) (0,000) (0,000) (0,000)
lnTotFds -0,006 0,001 -0,004 -0,002 0,002 -0,003
(0,003) (0,001) (0,001) (0,001) (0,001) (0,001)
lnEduc 0,003 -0,001 0,005 0,002 0,001 0,004 0,003 0,001 0,004
(0,001) (0,002) (0,002) (0,001) (0,002) (0,002) (0,001) (0,004) (0,002)
lnAgglo 0,001 0,000 0,002 0,001 0,000 0,001 0,001 0,000 0,002
(0,001) (0,000) (0,001) (0,000) (0,001) (0,001) (0,001) (0,001) (0,001)
lnInstit 0,001 0,005 0,005 0,003 0,005 0,005 0,003 0,005 0,008
(0,002) (0,005) (0,003) (0,002) (0,011) (0,003) (0,002) (0,011) (0,003)
lnR&D 0,002 0,002 0,001 0,002 0,002 0,001 0,003 0,002 0,003
(0,000) (0,001) (0,001) (0,001) (0,001) (0,001) (0,001) (0,002) (0,002)
lnAccess 0,001 0,000 0,001 0,001 0,000 0,001 0,002 0,000 0,002
(0,001) (0,001) (0,000) (0,000) (0,001) (0,000) (0,004) (0,000) (0,001)
lnInvestot (var contrôle) 0,002 -0,002 0,000 0,001 -0,001 0,000 -0,001 -0,001 -0,001 -0,001 -0,002 -0,001 -0,001 -0,002 -0,001
(0,001) (0,000) (0,000) (0,001) (0,000) (0,000) (0,001) (0,000) (0,000) (0,001) (0,001) (0,001) (0,000) (0,001) (0,001)
lnXpop (var contrôle) 0,000 0,000 0,000 0,000 0,000 0,000 0,000 -0,001 0,000 0,000 -0,001 0,000 0,000 -0,001 0,000
(0,000) (0,000) (0,002) (0,001) (0,000) (0,002) (0,000) (0,000) (0,000) (0,000) (0,001) (0,001) (0,000) (0,000) (0,000)
AICc -1645,606 -795,870 -767,994 -1620,521 -857,919 -783,243 -1600,037 -922,467 -772,129 -1606,203 -903,807 -779,444 -1602,561 -905,308 -751,880
0,315 0,561 0,522 0,358 0,526 0,591 0,458 0,505 0,585 0,506 0,427 0,616 0,457 0,423 0,512
R² ajusté
0,306 0,536 0,499 0,351 0,499 0,571 0,436 0,462 0,548 0,449 0,375 0,582 0,437 0,376 0,473
I Moran des résidus stand. du modèle 0,111 0,095 0,064 0,053 0,125 0,094 0,077 0,120 0,089 0,102 0,092 0,096 0,049 0,074 0,078
avec fonds structurels
sans fonds structurels
modèle 5
modèle 1
modèle 2
modèle 3
modèle 4
Lorsque l’on s’attarde sur l’hétérogénéité spatiale et les deux régimes spatiaux associés (centre
et périphérie), on s’aperçoit que si un processus de convergence entre les régions périphériques s’opère,
celui-ci est nul pour les régions centrales. Les autres coefficients des deux régimes spatiaux restent
positifs et significatifs. Notons que les coefficients les plus élevés concernent la qualité institutionnelle
qui influence positivement la croissance régionale. On retrouve ainsi les conclusions des travaux récents
(CHARRON, 2016) sur l’efficacité institutionnelle et administrative des régions plus développées et donc,
leur capacité à pouvoir mieux mobiliser et utiliser les Fonds qui leurs sont alloués.
Dans les modèles 3 et 4 intégrant les Fonds structurels, on retrouve toujours un processus de
convergence à l’échelle des régions européennes et pour les régions périphériques alors qu’un processus
de divergence s’observe entre les régions centrales. L’impact des Fonds européens est vérifié pour les
régions centrales confirmant ainsi des travaux récents (PUIGCERVER-PENALVER, 2007 ; ESPOSTI ET
BUSSOLETTI, 2008 ; PELLEGRINI ET AL., 2013 ; MAYNOU ET AL., 2016 entre autres). En revanche,
concernant l’impact de la politique de Cohésion sur l’ensemble des régions européennes et sur les
régions périphériques, une relation négative et significative affecte la croissance régionale. Par ailleurs,
ces deux modèles permettent de démontrer, comme RODRIGUEZ-POSE et CRESCENZI (2008) le précisent,
que les conditions socio-économiques locales telles que le niveau d’éducation et l’investissement dans
la R&D favorisent la croissance économique. Les régimes spatiaux « centre » et « périphérie » montrent
que le niveau de qualité institutionnelle de ces régions influe sur leur croissance.
Les modèles 1 et 2 estimant les taux de croissance régionaux uniquement en intégrant les Fonds
structurels comme paramètres du modèle permettent d’isoler leurs effets directs. Si l’on compare
strictement les deux modèles sans régimes spatiaux, les aides au titre de l’Objectif 1 et les Fonds totaux
perçus jouent négativement sur la croissance confirmant les travaux de MOHL ET HAGEN (2010) ou
encore ceux de BOUAYAD-AGHA ET AL. (2013 a et b).
Le modèle 1 intégrant l’ensemble des Fonds européens perçus au titre de l’Objectif 1 et de la
Politique de Cohésion permet de conclure à un effet faible mais significatif de ce dispositif de soutien
sur la croissance pour les régions centrales. En revanche, le coefficient des modèles 1 et 2 avec régime
spatial périphérique montre que les Fonds européens (Obj. 1 et Pol. de Co.) auraient un effet négatif sur
la croissance. On retrouve des conclusions similaires dans les travaux de RODRIGUEZ-POSE ET FRATESI
(2004) ou encore DALLERBA ET LE GALLO (2008). Ces auteurs expliquent ces résultats par le fait que
(i) les aides allouées ne sont pas toujours utilisées de manière efficace (exemple des infrastructures de
transport) ou dans les secteurs ayant les meilleurs retours sur investissement et que (ii) les projets
financés par ces Fonds ne bénéficient pas nécessairement aux régions qui ont porté ces projets.
L’efficacité de ces Fonds dans les régions périphériques semble donc être remise en cause si l’on intègre
uniquement dans le modèle économétrique cette variable sans conditionnalité d’autres estimateurs
expliquant la croissance économique régionale.
4.2. Une approche territorialisée de la convergence et de l’efficacité des Fonds structurels
européens
Comme LE GALLO ET AL. (2011), nous pensons que l’approche locale des inégalités régionales
est la méthodologie la plus adéquate pour se rapprocher le plus de ce que voulait dire SOLOW (1956)
dans son modèle de beta-convergence conditionnelle. Aussi, la GWR permet d’approcher localement la
variation importante de la croissance économique entre les régions et l’ampleur de l’instabilité
structurelle. La visualisation des coefficients du modèle de GWR permise par cette méthode met en
lumière les variations spatiales des paramètres.
Figure 1 : Distribution spatiale des coefficients de détermination locaux (modèle 4)
La distribution spatiale des valeurs locales du R2 générées par notre modèle de GWR est
représentée sur la figure 1. Les variations géographiques de ces valeurs montrent comment l'effet
statistique combiné de nos variables explicatives de la croissance diffère selon les régions de l’UE. Cette
carte peut également être utilisée pour visualiser et identifier les lieux dans lesquels le pouvoir explicatif
du modèle est particulièrement important (en particulier dans les pays baltes et les régions capitales
d’une manière générale). A l’inverse, dans une partie des régions françaises en particulier, la croissance
n’est pas expliquée de manière adéquate par notre ensemble de variables déterminantes. D'autres
variables non examinées dans notre analyse peuvent fournir une meilleure explication statistique de
la croissance pour ces régions.
La GWR nous permet d’évaluer où et comment les relations avec la croissance régionale varient
dans l’espace, en magnitude et en significativité au sein de l’Union européenne. Dans la figure 2.b., les
paramètres locaux estimés laissent à penser que le niveau de qualité institutionnelle joue un rôle
important et plus qu’ailleurs dans l’explication de la croissance régionale en Europe centrale et orientale,
en Grèce et en Italie. En l’espèce, la mise en relation de la carte 2.a et 2.c et compte-tenu des résultats
de la carte 2.b. montre que le niveau plus faible de qualité institutionnelle observé dans les régions pré-
citées influe sur le niveau de croissance corroborant plusieurs travaux récemment publiés (RODRIGUEZ-
POSE 2011 ; MONTRESOR ET AL. 2013 ; CHARRON ET AL., 2014 ; RODRIGUEZ-POSE ET GARCILAZO,
2015). C’est particulièrement vrai pour les régions de la botte italienne qui enregistrent une croissance
Figure 2 : Influence de la qualité institutionnelle sur la croissance régionale (modèle 4)
Figure 3 : Variations spatiales de l’influence des Fonds européens sur la croissance régionale
(modèle 2)
économique faible malgré le fait qu’elles font partie des régions de notre échantillon à avoir perçu le
plus d’argent au titre des Fonds structurels européens sur la période considérée. Au sein d’une région,
l’Etat de droit, le niveau de corruption et la gouvernance établie évaluée dans le cadre de notre étude
via l’indice de qualité institutionnelle développé par CHARRON sont déterminants pour la croissance
économique (RODRICK ET AL., 2004) et pour une utilisation efficiente des Fonds structurels européens.
La distribution géographique des coefficients estimés pour le modèle 2 (incluant la somme des
Fonds structurels européens perçus entre 2000 et 2013) a été cartographiée (Figure 3.b.). Les résultats
suggèrent que, exceptés en Allemagne et au Royaume-Uni en particulier, le montant des Fonds
structurels européens perçus influence significativement la croissance régionale. Ceci est
particulièrement vrai en France et dans l’Europe méditerranéenne. Or, cette dernière a largement
bénéficié de la politique de Cohésion sur la période étudiée alors même que les régions qui la composent
enregistrent une croissance faible.
Dès lors, la GWR permet de montrer l’hétérogénéité spatiale de l’efficacité des Fonds structurels
européens comme LE GALLO ET AL. (2011) et BECKER ET AL. (2013) l’ont déjà souligné. Nos travaux
confirment ceux de BOUAYAD-AGHA ET AL. (2013 a et b) selon lesquels les conditions initiales
comptent. Au regard de nos résultats, les Fonds européens ne semblent pas avoir les effets escomptés
pour les régions avec un faible potentiel de croissance. La mise en évidence d'une croissance
économique multipolaire comme l’a déjà souligné BOURDIN (2015) souligne l'efficacité différenciée des
Fonds structurels. En l’espèce, les régions d’Europe centrale et orientale (Pologne, Slovaquie et Pays
Baltes en particulier) considérées comme moins riches en 2000 enregistrent des taux de croissance
estimés les plus élevés. C’est aussi ces régions qui, sur la période 2007-2013, ont perçu le plus de Fonds
européens. Ce bouleversement dans la distribution des Fonds (tableau 4) à l’avantage de ces régions
entre les deux périodes de programmation (BOURDIN, 2014) a entraîné des effets multiplicateurs pour
celles-ci (confirmé par la figure 3).
Tableau 4 : Comparatif des dix régions ayant reçu le plus de Fonds européens entre 2000 et 2013
5 - Conclusion et discussion
L’importance du sujet qui a été traité ici est triple. Politiquement, dans un contexte la
solidarité entre les Etats-membres est interrogée, éclairer la question de la contribution des Fonds de la
politique de Cohésion à la croissance régionale est souhaitable. Théoriquement, l’analyse territorialisée
de la croissance et du rôle joué par les aides européennes implique une compréhension de l’hétérogénéité
spatiale des facteurs concourants au développement économique régional (théorie de la croissance
endogène et nouvelle économie géographique). Méthodologiquement, ce débat théorique a été testé
empiriquement grâce à la méthode de la GWR comme outil d’évaluation de cette politique publique
régionale européenne.
Les résultats montrent une hétérogénéité spatiale significative des coefficients locaux des
paramètres explicatifs de la croissance régionale. En particulier, l’efficacité différenciée des Fonds
européens peut être mise en lien avec la capacité des régions à mobiliser ces Fonds de manière efficiente
et leur qualité institutionnelle. Ceci est confirmé par la déclinaison en deux régimes spatiaux (centre et
périphérie) les résultats montrent l’impact négatif et significatif des Fonds européens au titre de
l’Objectif 1 et de la politique de Cohésion sur la croissance régionale des régions périphériques de notre
échantillon.
Ces résultats interrogent la capacité des Fonds à pouvoir inverser les tendances à
l’agglomération et les dynamiques sélectives de croissance régionale. La représentation cartographique
des paramètres locaux estimés permet de mettre en lumière le besoin d’une politique de Cohésion plus
« territorialisée » (PETRAKOS ET AL., 2011). L'expertise sur la politique régionale a évolué dans ce sens
et, à la fin de la première décennie du nouveau millénaire, un certain nombre de rapports très
convaincants quant à l'intervention de la politique sur le développement régional ont été publiés par des
organisations internationales importantes telles que l’OCDE, la Banque mondiale et la Commission
européenne. Ces rapports ont révélé deux points de vue opposés à un débat animé sur la politique
régionale européenne. D'une part, il est émis l’idée d’une politique de développement régional « space-
neutral », en mettant l'accent sur les avantages d'agglomération et les retombées découlant de la
concentration géographique. D'autre part, une approche territoriale (dite « place-based ») qui suppose
que la prise en compte du contexte géographique en particulier le rôle des institutions, l'importance
des « connaissances » locales, les caractéristiques socio-économiques est indispensable. Il semblerait
que nos résultats suggèrent une approche territorialisée de la politique de Cohésion en tenant compte de
son inégale efficacien Europe. En revanche, il n’est pas dit que l’approche par la spécialisation
intelligente basée sur la performance et la compétitivité entre les régions n’aggrave les déséquilibres
(AVDIKOS ET CHARDAS, 2015). Certaines régions (les plus développées) possèdent déjà les compétences
adéquates (soft skills) qui leur permettent de mobiliser de manière optimale les Fonds structurels
européens, et d’autres (plus fragiles) ne sont pas en mesure d’exploiter tout le potentiel que ces
financements permettent. Après 2020, lorsque les chercheurs disposeront des nouvelles données sur les
Fonds européens perçus, les analyses permettront alors de comparer les approches « space-neutral » et
« place-based » et d’en tirer des conclusions.
CAPELLO (2009) avance qu’une nouvelle théorie de la croissance en science régionale est en
train d’émerger. Cette dernière investit les conditions et spécificités locales qui permettent à un système
économique d’arriver à de hauts niveaux de compétitivité et d’innovation et, de manière plus cruciale,
à maintenir ces niveaux dans le temps. Notre analyse à cet égard permet de mettre en évidence les
variations spatiales de ces conditions et spécificités locales. Les décideurs politiques doivent en
conséquence prendre en compte les caractéristiques locales et favoriser des politiques plus ciblées. De
ce point de vue, les méthodes alternatives de régression spatiales peuvent être particulièrement utiles
pour éclairer les politiques.
En comparant spatialement les magnitudes des paramètres estimés, la GWR permet de
conceptualiser les effets relatifs des variables indépendantes comme une fonction continue dans
l’espace. Dans leur article « la GWR peut-elle améliorer l'analyse régionale et l'élaboration des
politiques ? », ALI ET AL. (2007) interrogeaient l’intérêt et les limites de l’utilisation d’une telle méthode.
Comme ils le soulignent, les résultats de la GWR sont davantage destinés à être exploratoires et à générer
des hypothèses plutôt qu’à tester des hypothèses. Aussi, nos résultats montrant l'hétérogénéité spatiale
de la croissance doivent être complétés par des investigations plus profondes sur les raisons de cette
hétérogénéité. Elles peuvent être également comparées avec d’autres méthodes permettant de capter la
variabilité spatiale de l’effet des Fonds structurels. Nous pensons ici à l’utilisation de modèles géo-
additifs qui sont un moyen pratique d'incorporer le lissage spatial et de capturer les effets locaux de
variables spatiales non observées. Comme la GWR, ces modèles autorisent les coefficients à varier dans
l’espace. A ce jour, aucune étude n’a encore utilisé un modèle additif généralisé incluant une dimension
spatiale pour analyser l’efficacité des Fonds structurels, or il semblerait que ce type de modèle
permettrait de mieux traiter de la question de l’endogénéité des aides européennes.
Bibliographie
1
Abreu, M., De Groot, H. L., & Florax, R. J. (2005). Space and growth: a survey of empirical evidence
and methods. Région et développement, n°1, pp. 1-32
Ali, K., Partridge, M. D., & Olfert, M. R. (2007). Can geographically weighted regressions improve
regional analysis and policy making?. International Regional Science Review, 30(3), 300-329.
Anselin L. (1988) Spatial econometrics: Methods and models. Kluwer Academic Publishers, Dordrecht
Apparicio, P., SÉGUIN, A., & Leloup, X. (2007). Modélisation spatiale de la pauvretéà Montréal: apport
méthodologique de la régression géographiquement pondérée. The Canadian Geographer/Le Géographe
canadien, 51(4), 412-427.
Arbia, G., & Fingleton, B. (2008). New spatial econometric techniques and applications in regional
science. Papers in Regional Science, 87(3), 311-317.
Arbia, G., Battisti, M., & Di Vaio, G. (2010). Institutions and geography: Empirical test of spatial growth
models for European regions. Economic Modelling, 27(1), 12-21.
Artelaris, P. (2014). Local versus regime convergence regression models: a comparison of two
approaches. GeoJournal, 80(2), 263-277.
Avdikos, V., & Chardas, A. (2015). European Union Cohesion Policy Post 2014: More (Place-Based
and Conditional) Growth-Less Redistribution and Cohesion. Territory, Politics, Governance, 4(1), 97-
117.
Bachtler, J., & Gorzelak, G. (2007). Reforming EU Cohesion Policy: A reappraisal of the performance
of the Structural Funds. Policy studies, 28(4), 309-326.
Barca, F. (2009) An Agenda for a Reformed Cohesion Policy. A Place-Based Approach to Meeting
European Union Challenges and Expectations, European Commission, Brussels.
Barca, F., McCann, P., & Rodríguez-Pose, A. (2012). The case for regional development intervention:
place?based versus place?neutral approaches. Journal of regional science, 52(1), 134-152.
Baumont, C., Ertur, C., & Le Gallo, J. (2006). Clubs de convergence et effets de débordement
géographiques: une analyse spatiale sur données régionales européennes, 1980-1995. Economie et
Prévision, 173(2), 2-34.
Becker, G. S. (1964). Human capital theory. Columbia, New York.
Becker, S. O., Egger, P. H., & Von Ehrlich, M. (2012). Too much of a good thing? On the growth effects
of the EU's regional policy. European Economic Review, 56(4), 648-668.
Becker, S. O., Egger, P. H., & Von Ehrlich, M. (2013). Absorptive Capacity and the Growth and
Investment Effects of Regional Transfers: A Regression Discontinuity Design with Heterogeneous
Treatment Effects. American Economic Journal: Economic Policy, 5.4, 29-77.
Benson, T., Chamberlin, J., & Rhinehart, I. (2005). An investigation of the spatial determinants of the
local prevalence of poverty in rural Malawi. Food Policy, 30(5), 532-550.
Bivand, R., & Brunstad, R. (2005). Further explorations of interactions between agricultural policy and
regional growth in Western Europe-approaches to nonstationarity in spatial econometrics. 45ème
Congrès de la European Regional Science Association, Amsterdam.
Bosker, M., & Garretsen, H. (2008). Economic development and the geography of institutions. Journal
of Economic Geography, lbn047.
Bouayad-Agha, S., Turpin, N., & Vedrine, L. (2013a). Au-Delà De La Moyenne: Les Effets Par Quantile
De La Politique de Cohésion De L'Union Européenne. Region et Developpement, 38, 27-48.
Bouayad-Agha, S., Turpin, N., & Védrine, L. (2013b). Fostering the development of European regions:
a spatial dynamic panel data analysis of the impact of cohesion policy. Regional Studies, 47(9), 1573-
1593.
Bourdin, S. (2014). Les défis de la future politique régionale européenne 2014-2020 : on prend les
mêmes et on recommence. Géoconfluences, mis en ligne le 20 mars 2014
Bourdin, S. (2015) National and regional trajectories of convergence and economic integration in
Central and Eastern Europe. Canadian Journal of Regional Science, 38 (1/3), 55-63.
Brunsdon, C., Fotheringham, A. S., & Charlton, M. E. (1996). Geographically weighted regression: a
method for exploring spatial nonstationarity. Geographical analysis, 28(4), 281-298.
Camagni, R., & Capello, R. (2013). Regional innovation patterns and the EU regional policy reform:
toward smart innovation policies. Growth and change, 44(2), 355-389.
Capello, R. (2009). Space, growth and development. Handbook of regional growth and development
theories. In Capello, R., & Nijkamp, P. (Eds.). Handbook of regional growth and development theories.
Edward Elgar Publishing, pp. 33-65.
Charleux, L. (2003). La politique régionale de l'Union européenne: des régions à l'espace?: essai
d'analyse statistique et spatiale, Thèse de doctorat, Université Joseph Fourier (Grenoble).
Charron, N. (2016). Explaining the allocation of regional Structural Funds: The conditional effect of
governance and self-rule. European Union Politics, 17(4), 638-659.
Charron, N., Dijkstra, L., & Lapuente, V. (2014). Regional governance matters: quality of government
within European Union member states. Regional Studies, 48(1), 68-90.
Charron, N., Lapuente, V., & Dykstra, L. (2012). Regional governance matters: A study on regional
variation in quality of government within the EU. Regional Studies.
Commission européenne (2014) Sixième rapport sur la cohésion économique, sociale et territoriale.
Investissement dans l'emploi et la croissance. Office des publications de l'Union européenne,
Luxembourg
Crescenzi, R. (2005). Innovation and regional growth in the enlarged Europe: the role of local innovative
capabilities, peripherality, and education. Growth and Change, 36(4), 471-507.
Crescenzi, R., & Rodríguez-Pose, A. (2011). Innovation and regional growth in the European Union.
Springer Science & Business Media.
Crescenzi, R., Rodríguez-Pose, A., & Storper, M. (2007). The territorial dynamics of innovation: a
Europe-United States comparative analysis. Journal of Economic Geography, lbm030.
Dall'erba, S., & Fang, F. (2015). Meta-Analysis of the Impact of European Union Structural Funds on
Regional Growth. Regional Studies, 1-12.
Dall'Erba, S., & Le Gallo, J. (2008). Regional convergence and the impact of European structural funds
over 1989-1999: A spatial econometric analysis. Papers in Regional Science, 87(2), 219-244.
Dall'erba, S., Guillain, R., & Le Gallo, J. (2008). Fonds structurels, effets de débordement géographique
et croissance régionale en Europe. Revue de l'OFCE, (1), 241-269.
Dall'Erba, S., Guillain, R., & Le Gallo, J. (2009). Un regard nouveau sur les politiques de développement
régional en Europe. Canadian Journal of regional science, 32(3), 465.
Durlauf, S.N., Jonhson, P. A., Temple, J. R.W. (2005) Growth Econometrics. In Aghion, P., Durlauf,
S.N. (eds), Handbook of macroeconomics, North Holland.
Eckey, H. F., Kosfeld, R., & Türck, M. (2007). Regional convergence in Germany: a geographically
weighted regression approach. Spatial Economic Analysis, 2(1), 45-64.
Ederveen, S., Groot, H. L., & Nahuis, R. (2006). Fertile soil for structural funds? A panel data analysis
of the conditional effectiveness of European cohesion policy. Kyklos, 59(1), 17-42.
Ertur, C., Le Gallo, J., & LeSage, J. P. (2007). Local versus global convergence in Europe: a Bayesian
spatial econometric approach. The Review of Regional Studies, 37(1), 82.
Esposti, R., & Bussoletti, S. (2008). Impact of Objective 1 funds on regional growth convergence in the
European Union: a panel-data approach. Regional Studies, 42(2), 159-173.
Faggian, A., & McCann, P. (2009). Human capital and regional development. Handbook of regional
growth and development theories, 133-151.
Farole, T., Rodríguez-Pose, A., & Storper, M. (2011). Cohesion policy in the European Union: growth,
geography, institutions. JCMS: Journal of Common Market Studies, 49(5), 1089-1111.
Farrow, A., Larrea, C., Hyman, G., & Lema, G. (2005). Exploring the spatial variation of food poverty
in Ecuador. Food Policy, 30(5), 510-531.
Fingleton, B., & López‐Bazo, E. (2006). Empirical growth models with spatial effects. Papers in
regional science, 85(2), 177-198.
Fotheringham A.S (2009) Geographically Weighted Regression. In Fotheringham A.S. et Rogerson P.
(eds) The Sage handbook of spatial analysis. SAGE Publications Ltd
Fotheringham, A. S., Brunsdon, C., & Charlton, M. E. (2009). Geographically weighted regression. The
Sage handbook of spatial analysis, 243-254.
Garretsen, H., McCann, P., Martin, R., & Tyler, P. (2013). The future of regional policy. Cambridge
Journal of Regions, Economy and Society, 6(2), 179-186.
Geppert, K., & Stephan, A. (2008). Regional disparities in the European Union: Convergence and
agglomeration. Papers in Regional Science, 87(2), 193-217.
Glaeser, E. L., La Porta, R., Lopez-de-Silanes, F., & Shleifer, A. (2004). Do institutions cause growth?.
Journal of economic Growth, 9(3), 271-303.
Harris, R. (2011). Models of regional growth: past, present and future. Journal of economic surveys,
25(5), 913-951.
Huang, Y., & Leung, Y. (2002). Analysing regional industrialisation in Jiangsu province using
geographically weighted regression. Journal of Geographical Systems, 4(2), 233-249.
Krugman, P. (1992). Toward a counter-counterrevolution in development theory. The World Bank
Economic Review, 6(suppl 1), 15-38.
Le Gallo J., Dall'erba S. et Guillain R. (2011) The local versus global dilemma of the effects of structural
funds. Growth and Change, 42(4), 466-490
LeSage, J. P. (2004). A family of geographically weighted regression models. In Advances in spatial
econometrics (pp. 241-264). Springer Berlin Heidelberg.
Lucas, R. E. (1990). Why doesn't capital flow from rich to poor countries?. The American Economic
Review, 80(2), 92-96.
Mankiw, N. G., Romer, D., & Weil, D. N. (1992). A contribution to the empirics of economic growth.
The quarterly journal of economics, 107(2), 407-437
Martin, P., & Ottaviano, G. I. (2001). Growth and agglomeration. International Economic Review,
42(4), 947-968.
Maynou, L., Saez, M., Kyriacou, A., & Bacaria, J. (2016). The impact of structural and cohesion funds
on Eurozone convergence, 19902010. Regional Studies, 50(7), 1127-1139.
McCann, P., & Ortega-Argilés, R. (2016). Smart Specialisation: Insights from the EU Experience and
Implications for Other Economies. Investigaciones regionales-journal of regional research, (36), 279-
293.
McCann, P., & Rodríguez-Pose, A. (2011). Why and when development policy should be place-based.
OECD Regional Outlook 2011, 203-213.
Meloche, J. P., & Shearmur, R. (2010). EMPLOI DANS LE SECTEUR PUBLIC ET CROISSANCE
ÉCONOMIQUE RÉGIONALE AU CANADA: QUELQUES LIMITES INHÉRENTES AUX
RÉGRESSIONS SPATIALES. Canadian Journal of Regional Science, 33(1).
Mohl, P., & Hagen, T. (2010). Do EU structural funds promote regional growth? New evidence from
various panel data approaches. Regional Science and Urban Economics, 40(5), 353-365.
Molle, W. (2015). Cohesion and growth: the theory and practice of European policy making. Routledge.
Myrdal, G. (1964). The War on Poverty. The New Republic, 150(6), 14-16.
Nakaya, T. (2014): Semiparametric geographically weighted generalised linear modelling: the concept
and implementation using GWR4. Brunsdon, C. and Singleton, A. eds. Geocomputation: A Practical
Primer, Sage
Neumark, D & Simpson, HD, (2015) 'Place-based policies'. in: Gilles Duranton, JV Henderson, William
Strange (eds) The Handbook of Regional and Urban Economics. Elsevier/Academic Press:Amsterdam
Pellegrini, G., Terribile, F., Tarola, O., Muccigrosso, T., & Busillo, F. (2013). Measuring the effects of
European Regional Policy on economic growth: A regression discontinuity approach. Papers in
Regional Science, 92(1), 217-233.
Persson, M., R. Ruparel, and C. Howarth (2012) Off Target: The case for bringing regional policy back
home. Open Europe.
Petrakos, G. (2012). Integration, spatial dynamics and regional policy dilemmas in the European Union.
University of Thessaly. Discussion Paper Series, 18(2), 27-40.
Petrakos, G., Kallioras, D., & Anagnostou, A. (2011). Regional growth and convergence in Europe:
understanding patterns and determinants. European Urban and Regional Studies, 18(4), 375-391
Puigcerver-Peñalver, M. C. (2007). The impact of structural funds policy on European regions' growth.
A theoretical and empirical approach. The European Journal of Comparative Economics, 4(2), 179.
Ramajo, J., Márquez, M. A., Hewings, G. J., & Salinas, M. M. (2008). Spatial heterogeneity and
interregional spillovers in the European Union: Do cohesion policies encourage convergence across
regions?. European Economic Review, 52(3), 551-567.
Riou, S., & Le Gallo, J. (2008). Les politiques européennes de cohésion territoriale. In Jacquet, N., &
Darmon, D. Les pôles de compétitivité: le modèle français (Vol. 5225). La documentation française.
Rodríguez-Pose, A. (2013). Do institutions matter for regional development?. Regional Studies, 47(7),
1034-1047.
Rodriguez-Pose, A., & Fratesi, U. (2004). Between development and social policies: the impact of
European Structural Funds in Objective 1 regions. Regional Studies, 38(1), 97-113.
Rodríguez-Pose, A., & Garcilazo, E. (2015). Quality of government and the returns of investment:
Examining the impact of cohesion expenditure in European regions. Regional Studies, 49(8), 1274-
1290.
Rodríguez-Pose, A., & Novak, K. (2013). Learning processes and economic returns in European
Cohesion policy/Procesos de aprendizaje y rendimiento económico de la Política de Cohesión Europea.
Investigaciones regionales, (25), 7.
Rodrik, D., Subramanian, A., & Trebbi, F. (2004). Institutions rule: the primacy of institutions over
geography and integration in economic development. Journal of economic growth, 9(2), 131-165.
Sassi, M. (2010). OLS and GWR approaches to agricultural convergence in the EU-15. International
Advances in Economic Research, 16(1), 96-108.
Shearmur, R., Apparicio, P., Lizion, P., & Polèse, M. (2007). Space, time, and local employment growth:
An application of spatial regression analysis. Growth and Change, 38(4), 696-722.
Solow, R. M. (1956). A contribution to the theory of economic growth. The quarterly journal of
economics, 70(1), 65-94.
Waller, L. A., Zhu, L., Gotway, C. A., Gorman, D. M., & Gruenewald, P. J. (2007). Quantifying
geographic variations in associations between alcohol distribution and violence: a comparison of
geographically weighted regression and spatially varying coefficient models. Stochastic Environmental
Research and Risk Assessment, 21(5), 573-588.
Yildirim, J., Öcal, N., & Özyildirim, S. (2009). Income inequality and economic convergence in Turkey:
a spatial effect analysis. International Regional Science Review, 32(2), 221-254.
Yu, D. L. (2006). Spatially varying development mechanisms in the Greater Beijing Area: a
geographically weighted regression investigation. The Annals of Regional Science, 40(1), 173-190.
... Nous pensons que les fondements de la crise économique dans l'UE sont ancrés dans des causes plus profondes liées au développement économique géographiquement déséquilibré des régions européennes pendant la période précédant la crise. Par ailleurs, bien que les Fonds structurels de l'UE aient contribué à réduire les différences de développement économique entre régions, elles restent encore très marquées géographiquement (Hadjimichalis, 2011 ;Bourdin, 2018) et ceci expliquerait donc la plus ou moins grande résilience des régions européennes. ...
... De plus la qualité des institutions régionales peut accroître la résilience en améliorant les réponses politiques, en particulier en ce qui concerne l'efficience de l'investissement public. Au niveau régional européen, les études empiriques montrent que de bonnes institutions ont affecté positivement les retours sur investissement de la politique de cohésion (Rodríguez-Pose et Garcilazo, 2015 ;Bourdin, 2018). Pour mesurer l'effet de la qualité de la gouvernance régionale 2 sur la résilience régionale, nous utilisons l'indice développé par Charron et al. (2015). ...
Article
Full-text available
Cette étude analyse la géographie de la résilience des régions européennes durant la crise de 2008-2013. Plus précisément, nous mettons en évidence la concentration spatiale de régions ayant mieux résisté à la crise ou au contraire qui l'ont largement subi. Puis, nous identifiions des déterminants potentiels de la résilience des régions européennes en prenant en compte des facteurs institutionnels, d'innovation, sociodémographiques et du marché du travail qui pourraient affecter les modèles de résilience. Les résultats suggèrent que les disparités régionales de la résilience régionale sont principalement déterminées par des facteurs tels que la qualité de l'administration régionale, le niveau d'innovation ou encore le niveau d'éducation. En revanche, il semblerait que, contrairement à ce qui est évoqué par la doxa, une stratégie consistant à axer le développement national principalement sur les régions métropolitaines (et en particulier les régions capitales) pourrait accroître la vulnérabilité aux booms économiques.
... Aujourd'hui, un peu plus d'un tiers du budget total de l'UE est réservé à cette politique, pourtant relativement récente, fondée dans la seconde moitié des années 1980, et dont les objectifs et les ressources ont été périodiquement modifiés. Bien que la plupart des études démontrent que la Politique de cohésion a eu des impacts positifs sur la croissance régionale (McCann, 2015 ;Dall'Erba et Fang, 2017 ;Bourdin, 2018a), elle reste encore menacée à bien des égards. Un éventail d'universitaires, d'analystes, de praticiens et de gouvernements européens continuent à remettre en question sa logique, son organisation et son efficacité (Tarschys, 2003 ;Sapir et al., 2004). ...
Article
Full-text available
This article reviews the successive reforms of the European Union Cohesion Policy. We study the economic and political context, the nature and logic of EU cohesion policy reforms and reflect on the concept of cohesion and its involvement in terms of European public policies. The paper highlights a paradigmatic change that has gradually moved towards more territorialization. Particular emphasis is placed on the concept of smart specialization and its use to facilitate the implementation of a policy that takes more into account local peculiarities. The article also opens a reflection on the future budget of the Cohesion Policy for 2021-2027 and its stakes in a Brexit context. Cet article examine les réformes successives de la Politique de Cohésion de l'Union européenne. Nous étudions le contexte économique et politique, la nature et la logique des réformes de la politique de cohésion de l'UE et réfléchissons sur le concept de cohésion et son implication en termes de politiques publiques européennes. Le papier met en évidence un changement paradigmatique qui s’est peu à peu opéré vers davantage de territorialisation. Il est particulièrement mis l’accent sur le concept de spécialisation intelligente et son utilisation pour faciliter la mise en place d’une politique prenant davantage en compte les spécificités locales. L’article ouvre également une réflexion sur le futur budget de la Politique de Cohésion pour 2021-2027 et ses enjeux dans un contexte de Brexit.
Preprint
The European Union is facing the rise of far-right or populist parties in recent elections in several Member States. Their recent electoral success questions the reasons steering voters to shift their electoral allegiance from traditional parties to those emerging forces. This paper is an attempt to propose a new scope of analysis to this political phenomenon, in analysing the impacts of the European Cohesion Policy on voting behaviour. The European Cohesion Policy, as a tool working towards the political, social and economic development of Member States, is facing numerous issues when it comes to its implementation. The heterogenous deployment inevitably impacts not only the economic satisfaction of national citizens but also their voting behaviours. Focusing on the cases of the Italian Lega and the Hungarian party FIDESZ, this research paper aims at establishing if a clear relationship exists between the Cohesion Policy' shortfalls and the rise of far-right populist parties.
Article
Full-text available
La Politique de Cohésion de l’UE a fêté ses vingt années d’existence en 2009. La mise sur pied de cette politique part du constat que les forces du marché ne sont pas nécessairement suffisantes pour réduire significativement les inégalités territoriales. L'UE a alors construit cet outil de solidarité financière entre États membres avec l'objectif d'améliorer la compétitivité des régions défavorisées et de corriger les déséquilibres régionaux. Pourtant, la littérature sur la question de l’efficacité des Fonds européens n’est pas unanime. Aussi, nous proposons d’analyser la Politique de Cohésion et son rôle dans la croissance régionale au travers d’une méthode développée en analyse spatiale, à savoir les BiLISA. Les résultats montrent que l’influence de la Politique de Cohésion est différenciée en fonction des régions de l’UE et met en évidence des effets de concentrations spatiales. Les variations spatiales de l’influence des Fonds européens sur la croissance économique des régions appellent des inflexions dans la Politique de Cohésion, en particulier en faveur d’une politique davantage territorialisée.
Article
Full-text available
This article tests the hypothesis that the geographical location plays a major role in differentiated economic integration of central and eastern regions at different geographical scales. We implement a local measure of Gini index allowing to measure the economic catching-up of regions (across the period 1995-2007 at the NUTS 2-3 level). The findings indicate that a convergence of the CEEC toward the EU-15 seems to take place but at the cost of widening regional inequalities within each state. Our results suggest also the existence of a west-east gradient of regional economic integration.
Article
The paper discusses the origins and emerging ideas of smart specialization, and in particular its translation from a non-spatial concept to an explicitly spatial and regional concept. This discussion is then set in the context of debates regarding the nature, rationale, and role of modern innovation policy, and the governance and institutional issues arising are then examined. We extend this discussion to discuss the experience of these issues in EU regions, and the arguments are then broadened to the potential lessons for other parts of the world which are aiming to enhance their innovation potential.
Article
What regional factors can explain the heterogeneity in Structural Funds distribution to European Union regions? Past studies have shown that aside from the level of economic development and rates of unemployment, other political, and economic factors systematically explain why certain European Union regions receive greater funding than others, in particular where there is room for bargaining. In this article, a novel theory is posited which argues that the determination of Structural Funds is based on an interaction between a region’s formal institutions (the level of a regional autonomy) and informal institutions (its level of quality of government). In cases of low regional autonomy, member states and European Union level actors prefer to allocate greater levels of Funds to regions with lower quality of government in order to increase cohesion. Yet in cases of high regional autonomy, risks associated with absorption failure in lower capacity regions lead states to strategically allocate greater levels of transfers to regions with higher quality of government. The theory is tested on data for 171 European Union regions for the 2007–2013 budget period. The results show robust empirical support for the theoretical claims.
Book
To combat economic disparity and low growth, the European Union has established an integrated policy system that pursues increased cohesion and smart, sustainable, and inclusive growth. This integrated approach is realized through thousands of development projects and takes up more than a third of the total budget of the European Union. Despite its significance, the policy is subject to many misunderstandings and there is a lot of controversy surrounding its effectiveness. Cohesion and Growth seeks to bring clarity to these issues. It presents both the theoretical and practical aspects of EU intervention, a critical contribution to the understanding of the anatomy of the problems and the way to apply effective solutions to them, and a systematic view of the issues at each of the subsequent stages of the whole policy cycle. Offering an authoritative analysis of the problems and debates involved, this book is essential reading for students, policy makers, project promoters and researchers concerned with this key area of European policy making.
Chapter
This chapter argues that "spatially blind" policies are rarely spatially neutral, because they typically end up as capital-city promotion policies. Ostensibly, this reflects the economics of agglomeration, but to a great extent it is a product of the national rent-capturing influence of capital-city elites in all areas of public life. Since the evidence suggests that many core urban centres will grow without the need for significant policy interventions, the chapter raises the question as to whether development objectives should be shifted from promoting efficiency in the core to enhancing the potential for growth and development in every territory. The chapter argues that place-based approaches offer a greater possibility of harnessing untapped potential in all regions in a co-ordinated and systematic way.
Article
Dall’Erba S. and Fang F. Meta-analysis of the impact of European Union Structural Funds on regional growth, Regional Studies. This paper offers a meta-regression analysis of the controversial impact of European Union Structural Funds on the growth of the recipient regions. It identifies the factors that explain the heterogeneity in the size of 323 estimates of their impact recorded in 17 econometric studies. Heterogeneity comes from the publication status, the period examined, the control of endogeneity and the presence of several regressors, but not from differences in functional forms.
Article
During the 1940s and 1950s a distinctive set of ideas emerged in development economics nomicst hat stressed the importance of increasing returns and pecuniary external economies arising from the effects of market size. Unfortunately, the economists who proposed these ideas were at first unable, and later unwilling, to codify them in clear, internally consistent models. At the same time the expected standard of rigor in economic thinking was steadily rising. The result was that development economics as a distinctive field was crowded out of the mainstream of economics. Indeed, the ideas of “high development theory” came to seem not so much wrong as incomprehensible. This paper argues that in light of new developments in industrial organization, international economics, and growth theory, the old development economics now looks much more sensible than it seemed during the “counterrevolution” against interventionist development models. While development economics has been used to justify some highly destructive economic policies, there is a valid and useful set of core ideas that can be usefully resurrected. Thus this paper calls for a “counter-counterrevolution” that restores some of the distinctive focus that characterized development economics before 1960.
Article
Researchers often estimate average treatment effects of programs without investigating heterogeneity across units. Yet, individuals, firms, regions, or countries vary in their ability to utilize transfers. We analyze Objective 1 transfers of the EU to regions below a certain income level by way of a regression discontinuity design with systematically varying heterogeneous treatment effects. Only about30 percent and 21 percent of the regions-those with sufficient human capital and good-enough institutions-are able to turn transfers into faster per capita income growth and per capita investment, respectively. In general, the variance of the treatment effect is much bigger than its mean. (JEL C21, F35, H23, H77, R11).