ArticlePDF Available

Trappes de développement et influence de la Politique de Cohésion de l’Union européenne : une exploration géospatiale

Authors:

Abstract

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.
Version acceptée pour la revue BELGEO, revue belge de géographie
Trappes de développement et influence de la Politique de
Cohésion de l’Union européenne : une exploration
géospatiale
Development traps and influence of the EU Cohesion
policy : an explorative spatial analysis
Mots-clés : Politique de Cohésion, croissance régionale, autocorrélation spatiale, Union européenne
Keywords : cohesion policy, regional growth, spatial autocorrelation, 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 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.
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 BiLISA. The results show that the effects of
the cohesion policy are differentiated according to EU regions and highlight spatial dependence
effects. 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'Union européenne (UE) instrument financier visant à réduire les
inégalités régionales en stimulant à la fois l’investissement pour la croissance et l’emploi, et la
Version acceptée pour la revue BELGEO, revue belge de géographie
coopération territoriale européenne (Commission européenne, 2011) a fait l’objet de nombreuses
études d’évaluation d’impacts de programmes spécifiques, sur différents thèmes, à différentes échelles
et sur plusieurs périodes de programmation. Ces types d’études ont souvent utilisé des méthodes
qualitatives et/ou quantitatives apportant des évaluations plus ou moins détaillées de cette politique
publique européenne (Baslé, 2006 ; Bachtler et Wren, 2006 ; Ward et Wolleb, 2006 ; Commission
européenne, 2010 ; Mohl, 2016). D’une manière générale, il faut retenir de ces analyses que la
Politique de Cohésion a fait des progrès pour atteindre ses objectifs d’accompagnement du
développement économique local et de réduction des inégalités régionales. Dans le même temps, ces
évaluations pointent bien souvent une hétérogénéité des résultats en fonction des régions, des périodes
et des politiques du fait que les projets financés peuvent être altérés par (i) des délais, (ii) un manque
de définition des objectifs ou des buts surdimensionnés, (iii) une insuffisance de coordination et
d’aménagement, (iv) des attentes surréalistes ou encore (v) une insuffisance de l’accompagnement. On
retrouve ainsi dans l’UE des espaces au sein desquels les Fonds européens semblent avoir du mal à
atteindre leurs objectifs en termes de développement malgré l’intensité des financements qui y sont
concentrés. Par ailleurs, de nombreux chercheurs (Quah, 1996 ; Carrington, 2003 ; Dall’erba, 2005 ;
Ertur et al., 2006 ; Ramajo et al., 2008 ; Mohl et Hagen, 2010 ; Bouayad-Agha et al., 2013 ; Maynou et
al., 2016 ; Percoco, 2017) ont montré que l’efficacité des Fonds structurels européens dépendait
largement de l’environnement régional de l’unité géographique traitée par la Politique de Cohésion
(localisation relative) et que, par ailleurs, il existait des externalités spatiales liées à l’implémentation
des Fonds européens (Dall’erba et Le Gallo, 2008 ; Dall’erba et Fang, 2017). Autrement dit, il existe
des effets de dépendance spatiale entre les régions (Koch, 2004 ; Ertur et Koch, 2006 ; Bourdin, 2010)
qui expliquent en partie l’hétérogénéité spatiale de l’impact de cette politique publique européenne de
développement territorial (Bourdin, 2018). Ces effets de dépendance spatiale font directement
référence au problème d’autocorrélation spatiale (Le Gallo, 2002), autrement dit à la coïncidence de la
similarité de valeurs avec la similarité de localisation (Anselin 2000).
C’est dans ce cadre que nous souhaitons interroger la question des liens entre la distribution des Fonds
européens et le développement économique régional en prenant en compte les effets dependance
spatiale (effets de débordement géographique et autocorrélation spatiale), à l’aide d’une méthode
exploratoire en statistiques spatiales qui, à ce jour, n’a pas encore été utilisée sur ces questions. L’étude
des relations spatiales entre les entités géographiques fait l’objet depuis plusieurs décennies d’un
grand intérêt pour les géographes. Parmi les thématiques de recherche sur ce sujet on retrouve
l'analyse de l'autocorrélation spatiale qui mesure l'association entre des objets du même type (Cliff &
Ord, 1973). Les mesures existantes comprennent des statistiques globales (Moran, 1950 ; Geary, 1954)
et locales (Anselin, 1995; Getis et Ord, 1992) avec de larges applications telles que l'analyse de la
criminalité (ie. Getis, 2010; Messner et al., 1999), la démographie (Oliveau, 2010) ou encore les
inégalités régionales (Ertur et Koch, 2005 ; Bourdin, 2010). Un autre axe de recherche se concentre
sur la corrélation spatiale ou co-localisation, qui mesure la relation spatiale entre les objets de
différents types (Leslie & Kronenfeld, 2011). Ainsi, nous souhaitons utiliser la méthode des
indicateurs locaux d'association spatiale bivariés (Anselin et al., 2000) pour identifier de manière
paramétrique les concentrations spatiales des covariations spatiales entre la croissance régionale et
différentes variables explicatives (dont les Fonds de la Politique de Cohésion) de celle-ci. Grâce à
cette méthode, il est ainsi possible de pouvoir identifier des trappes de développement où on peut faire
l’hypothèse que l’utilisation de l’argent de la Politique de Cohésion n’a pas eu les effets escomptés, ou
au contraire, des regroupements spatiaux de régions enregistrant une croissance importante, grâce en
partie aux Fonds européens dépensés. Puisque qu’il s’agit d’une méthode exploratoire, l’objectif n’est
pas de détecter des relations causales entre les facteurs explicatifs de la croissance régionale (ce que
l’économétrie spatiale permet de faire), mais plutôt d’identifier notamment des concentrations
spatiales de régions cumulant des difficultés (les trappes de développement), et qui nécessiteraient
donc une plus grande attention en termes de politiques publiques. Ceci est particulièrement important
dans un contexte de réflexion sur la conception et la mise en œuvre de la future politique régionale
post-2020 pour davantage cibler les interventions.
Notre article est structuré comme suit : d’abord nous revenons sur les effets de polarisation spatiale
dans l’Union européenne et du rôle de la Politique de Cohésion pour réduire ces inégalités territoriales,
Version acceptée pour la revue BELGEO, revue belge de géographie
puis nous présentons notre méthodologie et enfin terminons par présenter les résultats avant de
conclure en ouvrant une discussion sur la mise en œuvre de la Politique de Cohésion post-2020.
2. Le rôle des Fonds européens pour rompre avec la causation circulaire
cumulative de la pauvreté
2.1. De la nécessité d’une Politique de Cohésion pour sortir de la
concentration spatiale de la richesse européenne
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. Selon lui, les effets des économies d’agglomération conduisent à un processus cumulatif
de croissance créant des différences entre régions et engendrant un cercle vicieux. Il note qu’il existe
une « causation circulaire cumulative » de la pauvreté : nulle force équilibrante ne vient corriger les
déséquilibres économiques et sociaux. D’autres travaux académiques (Perroux, 1955 ; Williamson,
1965 ; Kaldor 1970 ; Krugman, 1991 ; Krugman et Venables, 1996) arrivent à des conclusions
similaires quant à l’existence d’un processus de divergence.
L’incidence de la répartition inégale des activités économiques dans l’espace sur la croissance
économique des territoires a était mise en évidence au sein notamment du courant théorique dit de la
synthèse géographie – croissance (Baumont, 1998). Plusieurs études ont mis en lumière le fait que les
disparités régionales ne sont pas réparties de manière aléatoire dans l’espace et que l’environnement
géographique d’une région joue un rôle prépondérant dans son développement. La répartition
géographique des disparités économiques européennes, étudiée par plusieurs auteurs (López-Bazo et
al., 1999 ; Le Gallo et Ertur, 2003 ; Ertur et Koch, 2006 ; Bourdin, 2010) montre une polarisation
permanente entre les régions riches du Nord et les régions pauvres du Sud et de l’Est. Ce constat peut
être expliqué notamment par les nouvelles théories de la géographie économique (Krugman 1991 ;
Fujita, 1999) qui montrent que les localisations des activités économiques sont spatialement
structurées par certains processus agglomératifs et cumulatifs. En conséquence, nous pouvons dire que
la répartition géographique des activités économiques à forte (respectivement faible) valeur ajoutée est
spatialement dépendante et tend à faire preuve de persistance dans le temps. De plus, selon cette
théorie de la géographie économique, l'environnement économique d'une région semble influencer les
perspectives de développement territorial de celle-ci : une région pauvre (respectivement riche)
entourée de régions pauvres (respectivement riches) restera dans cet état de développement
économique, alors qu'une région pauvre entourée de régions riches a plus de chances d'atteindre un
plus haut niveau de développement économique.
Dès lors, pour accélérer les processus de rattrapage, en particulier dans certaines zones d’Europe où il
existe une concentration spatiale de régions en retard de développement, il semble nécessaire de
mettre en place des politiques publiques de développement territorial. Ceci est d’autant plus justifié
que Capello (2007) démontre la capacité limitée des processus d'ajustement spontané à rééquilibrer les
conditions de départ régionales inégales qui profitent aux régions les plus développées. Comme le
soulignait déjà Camagni en 2002, le principe smithien d’avantage absolu est à l’origine d’une
compétitivité accrue, engendrant une hiérarchisation de la croissance régionale, augmentant par
conséquent les inégalités régionales (Aristei et Perugini, 2012). Dès lors, on voit l’importance des
Fonds structurels européens pour rééquilibrer les inégalités et améliorer la cohésion économique,
sociale et territoriale de l’UE.
Les Fonds structurels et d'investissement européens (ESIF) sont l'un les instruments de politique
économique supranationaux les plus importants de l’UE. Ils visent à réduire les disparités entre les
niveaux de développement des différentes régions, tels qu'ils sont codifiés à l'article 174 du Traité sur
le fonctionnement de l’UE. Au cours des dernières décennies, l'importance budgétaire de l'ESIF dans
Version acceptée pour la revue BELGEO, revue belge de géographie
le cadre de la construction de politique régionale de l'UE a progressivement augmenté. Dans le cadre
financier actuel 2014-2020 pour la première fois dans l'histoire de l'UE, la part la plus importante du
budget européen – 351,8 sur 960 milliards d'euros - a été attribuée à cette politique dont 179 milliards
d'euros pour les régions dîtes « les moins développées » auquel il faut ajouter, pour certaines, les
Fonds de Cohésion à hauteur de 63 milliards d’euros (source : DG Regio).
Compte tenu de la persistance des inégalités économiques entre les régions et les pays de l'UE et le
rythme décevant de la reprise économique après la dernière crise économique, un vif débat a vu le jour
entre les « eurocrates » et les chercheurs au sujet du réel impact du financement de l'UE sur la
croissance régionale. Dès lors, la question de la solidarité entre les Etats-membres et les régions est
plus que jamais d’actualité (Bourdin, 2014). La nature distincte des différents programmes de
financement a rendu difficile l'identification de leurs effets causaux sur la croissance. De plus,
l'éventail des approches consacrées à l'analyse empirique des effets des Fonds structurels a abouti à
des conclusions divergentes sur les impacts réels des ESIF. Or, les promoteurs de ces instruments
financiers accordent beaucoup d'espoir dans leur potentiel pour accroître le niveau de développement
des régions les plus en retard comparé à celui des régions les plus développées.
2.2. Une efficacité de la Politique de Cohésion concentrée spatialement
On recense aujourd’hui une soixante-dizaine d’articles analysant l’impact de la politique régionale
européenne mais il n’existe pas de consensus sur la question1. Les méthodologies utilisées sont variées
allant de modèles dynamiques input-output à des approches contrefactuelles en passant par
l’économétrie spatiale. 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 (Dall’Erba et Fang,
2017). Ceci amène Molle (2007) à dire que l’efficacité de la politique régionale européenne doit être
considérée en termes de plausibilité plutôt que de preuves.
2.2.1. Quels facteurs expliquent la non-linéarité spatiale de l’impact des Fonds
structurels européens sur la croissance régionale ?
L'hypothèse de base dans un cadre théorique néoclassique serait que les Fonds structurels
favoriseraient la croissance économique en augmentant le taux d'investissement. Dans le même temps,
la littérature a montré une hétérogénéité spatiale de l’impact de la Politique de Cohésion sur la
croissance régionale qui peut s’expliquer notamment par la théorie de la nouvelle économie
géographique. D’une part, de nombreuses études concluent à un effet positif et significatif des ESIF
sur la croissance régionale. Sans être exhaustif, on notera certaines contributions récentes (Becker et
al., 2012 ; Bouayad-Agha et al., 2013 ; Pelligrini et al., 2013 ; Crescenzi et Giua, 2016 ; Gagliardi et
Percoco, 2017) qui concluent à un impact de la politique régionale sur la croissance. Becker et al.
(2012) expliquent cependant que l’allocation de Fonds structurels dans les régions les plus en
difficultés des pays riches de l’UE avait des effets plus importants. Gagliardi et Percoco (2017)
soulignent le fait que les impacts des Fonds européens sont plus importants dans les régions rurales
situées à proximité de grandes agglomération urbaines. Pelligrini et al. (2013) et Crescenzi et Giua
(2016) ont comparé les effets de la politique régionale sur le développement économique des
territoires ayant bénéficié de ces Fonds (en-dessous du seuil des 75 % de la moyenne du PIB/hab.
européen) comparés à celles qui en n’ont pas reçu (régions non traitées – au-dessus de ce seuil des 75
%) et ont concluent à un impact positif. Enfin, les résultats des travaux de Bouayad-Agha et al., (2013)
laissent supposer que les actions en faveur de l'Objectif 1 ont un effet immédiat sur les taux de
croissance, à la différence des fonds structurels globaux. Lorsque l’aspect spatial des données est pris
en compte, l’impact des Fonds structurels s'avère encore significatif bien que moins important. D’autre
part, d’autres études révèlent que les Fonds européens auraient au contraire un effet nul voire négatif
sur la croissance économique des régions telles que Dall’Erba et Le Gallo (2007) ou encore Dall’Erba
et al. (2009) en expliquant que la forte autocorrélation spatiale de la croissance régionale la
croissance d’une région est largement influencée par la croissance des régions qui l’entourent
pouvait expliquer des résultats en demi-teinte. Rodríguez-Pose et Fratesi (2004) concluent également
1 Pour une revue de littérature récente, nous renvoyons par exemple aux articles de
Fratesi, 2016 ; Dall’Erba et Fang, 2017
Version acceptée pour la revue BELGEO, revue belge de géographie
que l’influence de l’Objectif 1 dans le processus de convergence ne semble pas démontrée. Tout
comme Dall’Erba et al. (2009), ils argumentent que l’éducation et l’investissement dans le capital
humain constituent un volet important d’une politique de développement régional plus efficace. Un
autre facteur explicatif de l’hétérogénéité de l’impact des ESIF sur la croissance s’explique par la
gouvernance et le rôle des institutions sur la performance régionale (Glaeser et al., 2004 ; Ederveen et
al., 2006 ; Arbia et al., 2010 ; Farole et al., 2011 ; Rodríguez-Pose et Garcilazo, 2015). Les chercheurs
expliquent que pendant trop longtemps cette problématique a été oubliée dans la mise en œuvre de la
politique régionale. Ils démontrent l’intérêt d’améliorer la qualité de la gouvernance et de réduire
l’hétérogénéité institutionnelle (Charron et al., 2015) pour améliorer l’efficacité des Fonds.
En somme, les résultats des travaux sur le sujet montrent que l'efficacité de cette politique dépend (i)
de la concentration des fonds sur certains thèmes, (ii) des caractéristiques régionales locales/du capital
territorial de la région mais aussi (iii) de l'environnement régional (effets de débordement spatiaux).
2.2.2. Quels impacts des effets spatiaux sur l’efficacité de la Politique de Cohésion ?
Même si une grande partie des études concluent à des effets positifs de cette politique publique
européenne, l’hétérogénéité de l’impact de la politique trouve ses racines dans des questions liées à la
prise en compte des effets de débordement spatiaux et de la performance économique des régions
voisines. Par exemple, Le Gallo et al. (2011) expliquent que le développement économique d’une
région était largement influencé par celui de ses voisines et que l’impact local des Fonds européens
pouvait varier positivement ou négativement au sein de l’Union européenne en conséquence. Dès
1996, Quah soulevait déjà que l’omission de la dimension spatiale du processus de convergence
pouvait biaiser les résultats. Il affirmait que la localisation géographique et les effets de débordement
géographique importaient plus que les facteurs macroéconomiques nationaux. Ses résultats
soulignaient l'importance des retombées spatiales dans la compréhension de la dynamique régionale de
distribution de la richesse. Dès lors, les interactions spatiales dues aux retombées géographiques
doivent être prises en compte, en particulier lorsque l’on étudie l’efficacité de la Politique de
Cohésion. C’est ce qu’ont montré plusieurs chercheurs en soulignant le rôle de l’environnement
régional d’une part (Carrington, 2003 ; Dall’erba, 2005 ; Ertur et al., 2006 ; Ramajo et al., 2008 ; Mohl
et Hagen, 2010 ; Bouayad-Agha et al., 2013 ; Maynou et al., 2016 ; Percoco, 2017) et des externalités
spatiales d’autre part (Dall’erba et Le Gallo, 2008 ; Dall’erba et Fang, 2017).
Dans ce cadre, notre contribution réside dans la prise en compte de la concentration spatiale de
l’influence de la Politique de Cohésion (et d’autres facteurs explicatifs du développement régional) sur
la croissance. Grâce à la méthode utilisée, nous pourrons ainsi identifier des groupes de régions (clubs
spatiaux) la polarisation économique ou au contraire la pauvreté persistent malgré les Fonds
européens dépensés.
3. Approche méthodologique
3.1. Données et variables
Le niveau territorial considéré dans la présente étude est le niveau NUTS 2. Cette échelle régionale est
appropriée aux fins de cette étude car elle nous permet d'obtenir des données pertinentes et
comparables et de discuter et de traiter des recommandations politiques à un niveau institutionnel
adéquat, compte-tenu que les Fonds européens sont distribués à cette échelle. Notre échantillon est
constitué de 248 régions appartenant à 23 Etats-membres. Ainsi, la Croatie a été exclue car elle ne
bénéficiait pas des Fonds européens pour la période étudiée, tout comme la Roumanie et la Bulgarie
qui a reçu des Fonds de pré-adhésion sur la période 2000-2006 mais pas de Fonds européens issus de
la Politique de Cohésion. Faute de disponibilité et de complétude des données, nous n’avons pas pu
intégrer les chiffres relatifs aux programmes de pré-adhésion PHARE, ISPA et SAPARD. 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.
Version acceptée pour la revue BELGEO, revue belge de géographie
La source de la représentation géographique des données est GISCO - Eurostat (Commission
européenne) pour les limites administratives des régions européennes. Les données ont été récoltées
via la DG Regio (pour celles concernant les Fonds européens) et Eurostat.
La croissance régionale de long terme (la variable dépendante considérée dans notre approche) est
mesurée telles que dans le modèle de convergence de Barro et Sala-i-Martin (1992) entre la période
2000 et 2016. Notons qu’une limite de notre travail réside dans son impossibilité de prise en compte
de l’effet direct de la crise financière et immobilière de 2008 sur la croissance régionale de long terme
que nous mesurons. Nous avons donc introduit uncalage temporel de quatre ans après la fin de
celle-ci. Cet écart temporel est d’autant plus justifié qu’il permet de prendre en compte l’effet décalé
de la Politique de Cohésion sur la croissance (puisque nous considérons les périodes de
programmation 2000-2006 et 2007-2013). En effet, de nombreux auteurs ont déjà procédé à un
décalage temporel pour éliminer les problèmes potentiels de causalité simultanée et reconnaissent que
les investissements publics n'agissent pas instantanément sur la croissance (Mohl et Hagen, 2010 ;
Sotiriou et Tsiapa, 2015 ; Mohl, 2016 ; Breidenbach et al., 2016 ; Dall’Erba et Fang, 2017).
Les variables explicatives de la croissance régionale de long terme sont choisies conformément aux
travaux en science régionale sur l’évolution des disparités dans l’UE. Suivant les théories
économiques dominantes de la croissance néoclassique d’une part (Solow, 1956 ; Swan, 1956) et
l’approche de la croissance endogène d’autre part (Romer, 1986 ; Lucas, 1988), la croissance
économique est le résultat d'une combinaison de trois facteurs que sont le capital physique, le capital
humain (ou travail) et l’innovation (ou progrès technique). Plusieurs facteurs peuvent expliquer une
répartition spatiale de la croissance économique qui est loin d'être homogène, comme l'accès aux
marchés, le capital humain, le changement technologique, la compétitivité internationale, les
économies d'échelle, l'efficacité institutionnelle et la localisation géographique. De fait, nous avons
intégré dans notre approche exploratoire les variables indépendantes de la croissance décrites ci-après.
Dans un premier temps, nous avons introduit la (i) densité de km d’autoroutes par milliers de km²
comme proxy de l'inégale répartition spatiale des activités économiques suivant les travaux issus de la
géographie économique (Krugman 1991 ; Fujita, 1999). La littérature met en évidence que les régions
les plus accessibles ont un marché potentiel plus élevé et 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, 1991). Dans le même temps, d’autres auteurs
ont montré dans le cas européen que la construction d’infrastructures est une condition nécessaire mais
non suffisante à la croissance (Vickerman et al., 1999 ; Crescenzi et Rodríguez-Pose, 2008 et 2012).
Les régions ayant de bonnes infrastructures de transport et qui sont bien connectées à des régions
ayant des dotations similaires ont tendance à croître plus rapidement cas des régions plutôt
développées). Cependant, les investissements dans les infrastructures dans les régions périphériques
les rendent plus vulnérables à la concurrence. En étudiant l’impact des Fonds européens au titre de
l’Obj. 1 sur la convergence, Rodríguez-Pose et Fratesi (2004) montrent que malgré la concentration
des Fonds sur les infrastructures de transport, les rendements par rapport aux engagements consentis
ne sont pas à la hauteur. La littérature sur l’effet de l’accessibilité d’une région sur sa croissance
n’étant pas univoque, il semble donc intéressant de l’intégrer dans notre analyse.
Dans un second temps, suivant les études académiques de nombreux chercheurs montrant les effets
positifs et significatifs du capital humain sur la croissance économique (Lucas, 1998 ; Crescenzi,
2005 ; Ederveen et al., 2006 ; Faggian et McCann, 2009), nous avons intégré le niveau d’éducation de
la population mesuré par la (ii) part de la population âgée de 25 à 64 ans étant diplômée de
l’enseignement supérieur. Les modèles de croissance endogènes et schumpétériens mettent en
évidence des problèmes de faibles niveaux de capital humain et de faible capacité à innover et
assimiler les innovations en tant que facteurs limitant le potentiel de croissance. La géographie
économique et l'économie de la croissance mettent l'accent sur l'innovation et les processus
d'apprentissage - la création et l'assimilation des connaissances. Elles se rejoignent dans la mesure où
le capital humain nécessaire pour innover opère au travers de réseaux de transmission et de formation
du savoir. Ceci a des implications spatiales importantes car les coûts de transaction de la transmission
des connaissances restent élevés, impliquant souvent des contacts en face à face, des canaux
institutionnels définis et de longues périodes pour construire ces canaux. De plus, l'écart des capacités
Version acceptée pour la revue BELGEO, revue belge de géographie
technologiques et d'innovation entre les régions – parfois attribué aux différences dans les niveaux de
capital humain, parfois aux différences dans la capacité structurelle en R&D – peut expliquer les écarts
de développement et la concentration spatiale de la croissance régionale, et les éventuels effets de
débordement associés. On retrouve ainsi de nombreux travaux relevant l’importance des
investissements dans la R&D pour favoriser le développement régional (Ederveen et al., 2006 ;
Bachtler et Gorzelak, 2007 ; Camagni et Capello, 2013 ; Molle, 2015), justifiant l’intégration de la
variable (iii) dépenses totales en R&D rapportées en PPA/hab.
Puis, comme l’indiquent les deux derniers Rapport sur la Cohésion (2014 et 2017) tout comme le
rapport Barca (2009), il semblerait que le développement économique soit conditionné par les
capacités institutionnelles des régions. Ceci est confirmé par des travaux récents sur la question (Arbia
et al., 2010 ; Arbolino et Boffardi, 2017 ; Di Cataldo et Rodríguez-Pose, 2017 ; Di Vita, 2017 ;
Rodríguez-Pose et Ketterer, 2018). Les institutions et une gouvernance de bonne qualité peuvent être
définies comme étant caractérisées par « l'absence de corruption, une approche pratique de la politique
de la concurrence et des marchés publics, un environnement juridique efficace et un système judiciaire
indépendant et efficace. [...] une capacité institutionnelle et administrative forte, réduisant la charge
administrative et améliorant la qualité de la législation » (Commission européenne, 2014). Nous avons
donc repris (iv) l’indice de qualité institutionnelle (EQI) développé par Charron et Lapuente (2013) et
Charron et al. (2015) qui évalue le contrôle de la corruption, le traitement impartial des citoyens et
l’efficacité du gouvernement régional à partir d’une large enquête auprès des habitants de l’UE.
Enfin, puisque nous souhaitons explorer la Politique de Cohésion semble mieux fonctionner
qu’ailleurs, nous avons intégré (v) la somme des Fonds de la politique régionale dépensés (tous
objectifs confondus) sur la période 2000-2013 ainsi que (vi) la somme des Fonds européens dépensés
au titre de l’Objectif 1. L’ajout de cette dernière variable est particulièrement intéressant car les Fonds
au titre de l’Obj. 1 visent justement le rattrapage économique des régions les plus en difficulté. De
plus, comme Bourdin (2014) le souligne, l'intégration des PECO a bouleversé la répartition des Fonds
structurels entre 2000-2006 et 2007-2013, puisque 53 % des montants sont revenus aux pays entrants.
Toutefois, en même temps, des aides transitoires ont été accordées aux régions qui se sont trouvées
brusquement enrichies en moyenne (bien que toujours en retard) par l’intégration de régions en grande
difficulté. Les effets de dépendance de spatiale de ces Fonds ont largement été montrés dans la
littérature. Par exemple, Dall’erba (2005) explique qu’une entreprise située dans une région ciblée par
es Fonds structurels n'effectue pas nécessairement la construction d’une nouvelle infrastructure
financée par ceux-ci. En conséquence, une partie de la valeur ajoutée d'un projet européen dans une
région peut bénéficier également à d’autres régions. Tout comme cette nouvelle infrastructure (par
exemple une autoroute), pourra davantage profiter à une région voisine (par exemple une région
capitale) que la région traitée pour des raisons de forces centripètes (comme expliquée par la nouvelle
géographie économique).
3.2. Analyse exploratoire des données spatiales bivariée
Au travers de la méthodologie utilisée, l’objectif de notre papier n’est pas de réaliser une évaluation
économétrique de l’efficacité de la politique régionale mais bien de mener une analyse exploratoire
spatiale permettant d’identifier des régions ou groupes de régions qui « gagnent » ou qui « perdent »
(Benko et Lipietz, 1992 et 2000), en partant de l’hypothèse issue de la littérature selon laquelle il
existe des effets spatiaux (dépendance spatiale ettérogénéité spatiale) des relations entre la
croissance régionale et ses facteurs explicatifs (dont les Fonds européens sur lesquels nous nous
focalisons).
Une technique de l'analyse de co-localisation a été développée par Anselin et al. (2002) qui a conçu un
indicateur local d'association spatiale bivarié (BiLISA) pour étudier le modèle de corrélation spatiale
entre deux variables géoréférencées (ie. nombre de points de vente d'alcool par rapport au nombre
d'incidents criminels dans les zones concernées). Les BiLISA permettent d’évaluer la corrélation entre
une variable dans une région et l'autre variable dans les régions voisines. L’analyse bivariée permet
d’isoler la relation entre la variable dépendante et les variables explicatives une à une. Il est également
possible d’étudier l'autocorrélation spatio-temporelle, autrement dit, la corrélation d'une variable en
référence à la localisation spatiale d’une seule variable dans un intervalle de temps. On analyse alors la
Version acceptée pour la revue BELGEO, revue belge de géographie
corrélation d'une variable avec elle-même dans l'espace et le temps (Anselin et al., 2002). L’idée ici est
d'examiner de manière paramétrique (au-delà de l'inspection visuelle), comment les schémas spatiaux
sont en corrélation entre plusieurs variables (Wartenberg, 1985). Il s’agit alors de tirer des conclusions
sur la dynamique spatiale qui relie un ensemble de données localisées. En termes plus techniques,
l'examen de la similitude des processus spatiaux entre variables peut être considéré comme un moyen
de tester la robustesse ou la persistance dans le temps d'un modèle/schéma spatial donné, par exemple
en comparant les modèles d'association spatiale locale entre la croissance économique et le niveau de
développement initial (robustesse) ou entre les niveaux de développement régionaux à deux périodes
raisonnablement distancées dans le temps (persistance). Ainsi, la méthode utilisée permet de capter les
covariations spatiales des facteurs explicatifs à l’origine des phénomènes de convergence ou de
divergence dans l’UE. Il est donc possible d’identifier si pour chaque région, le taux de croissance est
significativement corrélé dans l’espace avec une autre variable. En revanche, étant donné qu’elle
analyse des co-variations spatiales de variables deux à deux, la méthode utilisée ne permet pas
d'analyse multivariée de ces co-variations spatiales et donc de déterminer de manière paramétrique les
régions cumulant toutes les difficultés (faible niveau de développement, faible croissance, faible
niveau d’éducation, faible niveau de qualité institutionnel, etc.) malgré la somme de Fonds européens
dépensés.
Afin d'identifier et d’évaluer l’ampleur des relations spatiales, nous avons utilisé l'I de Moran pour
mesurer l'autocorrélation spatiale et identifier les clusters spatiaux dans les données. Pour notre étude,
quatre types d'associations spatiales peuvent être dérivées de cette statistique, avec des types high-high
(HH concentration spatiale de valeurs fortes de la croissance et de valeurs fortes de la variable
indépendante des régions voisines) et low-low (LL – concentration spatiale de valeurs faibles de la
croissance et de valeurs faibles de la variable indépendante des régions voisines) pour le
regroupement spatial de valeurs similaires et les types high-low (HL concentration spatiale de
valeurs fortes de la croissance et de valeurs faibles de la variable indépendante des régions voisines)
et low-high (LHconcentration spatiale de valeurs faibles de la croissance et de valeurs fortes de la
variable indépendante des régions voisines) pour le regroupement spatial de valeurs dissemblables.
La mesure d'autocorrélation spatiale locale bivariée utilisant la statistique I de Moran, dérivée de la
formule d'Anselin (1995), s'écrit :
I=zxi
j=1, j ≠i
N
wij zyj
x
représente la croissance régionale et
y
la variable indépendante pour la région
i
et
la région voisine
j
; et
zx
et
zy
sont les z-scores standardisés des variables
et
y
; le choix de la matrice de poids spatial
wij
modélisant la proximité spatiale et
l'interdépendance entre les unités régionales est un sujet difficile et controversé dans les analyses
spatiales. Il existe un large éventail d'applications pour déterminer W selon le but des études (Anselin
et al., 2000, Shi et al., 2006) et GeoDa fournit désormais le seuil au-delà duquel la corrélation spatiale
se finit, autrement dit, le seuil de distance au-delà duquel les valeurs de paires de voisins ne sont plus
corrélées. Dans cette étude, une matrice a été calculée selon le critère de distance euclidienne-seuil de
323 km.
Une approche de permutations (ici 999) a été utilisée pour évaluer la significativité statistique des
résultats de l’I de Moran et les BiLISA. La randomisation suppose que l'emplacement des valeurs et
leur disposition spatiale sont sans importance. Basé sur la randomisation, différents écarts-types
théoriques pour I de Moran sont obtenus, chacun donnant une p-valeur différente comme une pseudo-
significativité. La valeur de seuil de p = 0,05 définit la significativité. Les p-valeurs suivent une
distribution asymptotiquement standard-normale qui permet l'évaluation de leur niveau de
signification en les comparant à une distribution de référence (Anselin 1995), et donc de définir les
seuils au-delà desquels les relations HH, LL, LH, HL ne sont plus significatives. Les BiLISA ont été
calculés à l'aide du logiciel GeoDa version 1.12. (Anselin et al., 2006).
Version acceptée pour la revue BELGEO, revue belge de géographie
4. Analyse spatiale exploratoire des facteurs explicatifs de la croissance
régionale et de leur dépendance
L’objectif est de mener une analyse exploratoire permettant de mettre en évidence des regroupements
spatiaux au sein desquels il y aurait une concentration de régions qui cumuleraient des difficultés ou
des avantages quant à leur développement. Nous avons mené une approche en deux temps. Tout
d’abord, nous avons commencé par analyser les co-localisations de concentrations spatiales entre la
croissance régionale et le PIB/hab. à l’année initiale de notre étude (en 2000) ; ceci a permis de
dégager les concentrations spatiales de régions qui convergent et qui divergent (entre 2000 et 2016).
Ensuite, nous avons analysé les co-localisations de concentrations spatiales entre la croissance
régionale et les variables explicatives. Il a été ainsi possible de mettre en regard les concentrations
spatiales de régions qui convergent/divergent avec les concentrations spatiales des facteurs explicatifs
à l’origine de l’évolution des disparités.
4.1. Les trajectoires de la croissance régionale : divergence et effets de rattrapage
En cartographiant les résultats, il est possible d’identifier les concentrations spatiales de régions qui
ont connu un processus de rattrapage sur la période (HL – convergence de ces régions qui ont connu
une forte croissance et dont les voisines avaient un niveau de développement économique initial bas)
et les régions qui ont divergé (LL – ces régions qui ont enregistré un taux de croissance faible et dont
les voisines étaient peu développées en 2000). La carte 1 montre très clairement l’existence de clubs
spatiaux de convergence ou de divergence avec les régions des PECO qui font partie des régions qui
gagnent tandis que les régions de l’Europe méditerranéenne (Sud de l’Italie et Grèce) sont les régions
qui perdent. Ce premier constat nous permet de montrer que des régions en retard (Europe
méditerranéenne et Europe centrale et orientale) peuvent avoir des trajectoires régionales de croissance
différentes confirmant les travaux récents de Iammarino et al. (2017). Par la suite, l’étude des co-
localisations entre la croissance régionale et les variables explicatives identifiées nous permettra
d’apporter des éclairages sur l’explication de ces schémas spatiaux. La carte 1 met en lumière la
« banane bleue » de Roger Brunet (2002) via les regroupements spatiaux (LH régions avec une
croissance économique faible mais un niveau de développement économique en 2000 élevé). Cette
dorsale européenne s’étend de Londres à Milan et est considérée comme un espace économique
majeur, densément peuplé et fortement urbanisé. Dans cette dorsale, on retrouve des régions
métropolitaines particulièrement dynamiques (HH régions avec une croissance économique forte et
un niveau de développement économique en 2000 élevé) qui correspondent sans surprise à des
capitales et à l’Allemagne de l’Ouest.
Carte 1. Les trajectoires régionales de la croissance régionale et du développement économique
Version acceptée pour la revue BELGEO, revue belge de géographie
4.2. Concentrations spatiales de la croissance régionale et de ses facteurs explicatifs : les
trappes de développement dans l’Union européenne
Comme Borderon et Oliveau (2016) l’expliquent, la cartographie des BiLISA permet d’identifier des
pièges spatiaux, or, pour notre cas d’étude, cartographier les co-localisations des taux de croissance
enregistrés avec d’autres variables nous permet de mettre en évidence (i) des trappes de
développement regroupant des régions voisines qui cumulent des difficultés (il peut s’agir par exemple
d’une concentration spatiale de régions les Fonds européens ne semblent pas avoir les effets
escomptés car ces régions ont reçu et dépensé beaucoup d’argent mais leur croissance et celle de leurs
voisines reste faible) ou au contraire (ii) des zones dans l’UE qui ont tiré profit des Fonds européens
en améliorant de manière significative leur niveau de développement en investissant dans les facteurs
les plus susceptibles de créer de la croissance. Notre approche permet donc d’identifier les
concentrations spatiales de régions cumulant des difficultés et qui nécessiteraient, dès lors, une plus
grande attention des décideurs politiques européens. Notons que, du fait de son caractère exploratoire,
cette méthode ne nous permet cependant pas d’identifier des relations causales qui existeraient entre
les différents explicatifs de la croissance régionale dans l’UE.
Figure 1. Concentrations spatiales de la croissance régionale et de ses facteurs explicatifs
Version acceptée pour la revue BELGEO, revue belge de géographie
La cartographie des BiLISA (Figure 1) permet d’identifier différents schémas spatiaux. Tout d’abord,
sur la carte b, les zones en rouge peuvent-être considérées comme une concentration spatiale de
régions qui gagnent où l’on peut supposer que les Fonds européens ont été utilisés efficacement. Les
régions qui composent ces zones ont connu des taux de croissance élevés en lien avec les montants
importants reçus et dépensés par elles et leurs voisines sur la période considérée (carte a). Dans
l'ensemble, pour ces régions, les investissements ont porté leurs fruits en termes de convergence
(Cappelen et al., 2003 ; Becker et al., 2010 ; Pellegrini et al., 2013 ; Bourdin, 2018). Dans ces grappes
de régions on retrouve une large partie des régions occidentales de la péninsule ibérique, en particulier
le Portugal, confirmant les travaux antérieurs (Becker et al., 2010 ; Bachtler et Turok, 2013) mais aussi
les régions centre-orientales, en particulier les voïvoidies. Pour ces régions, l’analyse des cartes c à f
Version acceptée pour la revue BELGEO, revue belge de géographie
expriment largement un effet de rattrapage puisque ces régions avaient, à la période initiale, des
niveaux bas en terme de qualité institutionnelle, d’accessibilité, de formation du capital humain et
d’investissements dans la R&D (cartes c, d, e, f). Ajoutons qu’outre le fait que ces régions ont été les
premières bénéficiaires des Fonds européens parmi toutes les régions européennes, on peut faire
l’hypothèse que leur croissance économique peut aussi s’expliquer par des effets de débordement
géographique liés à leur proximité avec les länders allemands (Bański, 2010 ; Bourdin , 2015).
Ensuite, à l’inverse, en bleu ciel sur la carte b, on retrouve une concentration spatiale de régions qui
perdent. Malgré le fait qu’elles aient reçu des enveloppes importantes issues de la Politique de
Cohésion (carte aconcentration spatiale de valeurs faibles de la croissance et de valeurs fortes des
Fonds européens reçus et dépensés des régions voisines), elles n’ont visiblement pas connu les taux de
croissance espérés compte-tenu des sommes d’argent mobilisées. Dès lors, on peut s’interroger sur les
raisons de la baisse apparente du rendement de l'investissement. En observant la carte c, on peut
trouver des premiers éléments de réponse, qui constituent à ce stade que de simples hypothèses car
nous ne les testons pas économétriquement dans cet article. Un certain nombre d'études récentes
(Rodríguez-Pose et Garcilazo, 2015 ; Ketterer et Rodríguez-Pose, 2016) et le dernier rapport sur la
cohésion économique, sociale et territoriale de la Commission européenne (2017) indiquent que la
bonne gouvernance affecte la croissance économique et la qualité de la vie. Il est relevé l'importance
de ce facteur dans la performance économique des régions et le fait qu’une gouvernance de mauvaise
qualité dans les zones défavorisées de l'UE représentait un obstacle important au développement. En
effet, il a été constaté non seulement que cela affecte négativement la croissance économique, mais
aussi les retours sur investissement de la Politique de Cohésion et la compétitivité régionale
(Rodríguez-Pose et Di Cataldo, 2015). Dans le même temps, il a été mis en évidence qu’un
gouvernement corrompu ou inefficace remettait en cause le potentiel régional d'innovation et
d'entrepreneuriat (Nistotskaya et al. 2015 ; Annoni et Dijkstra, 2017). La carte f semble confirmer cette
hypothèse, l’on observe une concentration spatiale forte de régions ayant enregistré des taux de
croissance bas et dont les voisines ont un niveau d’éducation faible (en bleu sur la carte f), excepté
pour Athènes (en rose sur la carte f). L’indice de qualité de la gouvernance développé par Charron et
al. (2012) et mis à jour dans le dernier rapport sur la Cohésion (2017) montre très clairement que les
régions présentant une qualité de gouvernance insuffisante sont localisées en Roumanie et Bulgarie, en
Grèce et dans le sud de l’Italie. Or, ces dernières font partie des régions identifiées en bleu ciel dans
les cartes a et b. On peut donc s’interroger sur la façon dont sont dépensés les Fonds européens dans
ces régions, compte-tenu de leur faible élasticité. A cet effet, l’analyse de la carte d montre bien que les
mêmes causes ne produisent pas les mêmes effets. Alors que les régions sud-méditerranéennes et
centre-orientales étaient, en 2000, mal desservies, les premières n’ont pas su sortir de leurs pièges
spatiaux tandis que les secondes ont connu une croissance de long terme élevée entre 2000 et 2016.
L’amélioration de l’accessibilité pour les régions de l’Est (grâce notamment aux Fonds européens
dépensés pour la politique des transports) a été un levier de développement (Fig. 1d). Le
désenclavement a facilité l’attraction d’investissements directs à l’étranger dans ces territoires (Kelly
et al., 2015). Les travaux récents de Rosik et al. (2015) confirment, pour le cas polonais, la place
déterminante des Fonds européens pour développer les infrastructures de transport. Selon les auteurs,
la réduction des disparités en matière d'accessibilité aux niveaux européen, national et régional peut
déboucher non seulement sur un meilleur accès à la «banane bleue» dans le noyau européen mais
également sur un meilleur accès aux centres économiques nationaux et régionaux. Suivant la théorie
de la géographie économique et liés à la question des transports, les efforts en R&D génèrent
également des retombées de connaissances dans les régions voisines localisées dans les limites
fonctionnelles de l'économie régionale (Sonn et Storper, 2008 ; Bronzini et Piselli, 2009), faisant de la
connectivité des transports un moyen pertinent de diffusion des connaissances. Comme les
connaissances spécialisées sont généralement détenues par un nombre limité de personnes, il est
difficile de les transmettre sans interactions et collaborations directes (Storper et Venables, 2004) et
l'infrastructure de transport facilite la diffusion des connaissances entre les personnes et les entreprises
dans une zone définie. L'investissement dans la R&D dans son ensemble et les investissements dans la
R&D et dans l'enseignement supérieur dans les régions riphériques de l'UE sont positivement
associés à l'innovation (Bilbao-Osorio et Rodríguez-Pose, 2004). Cependant, la force de cette relation
repose sur les capacités spécifiques de la région à transformer l'investissement en R&D en innovation
Version acceptée pour la revue BELGEO, revue belge de géographie
(Camagni et Capello, 2013). De ce point de vue, les régions centre-orientales semblent bien s’en sortir
alors que les régions italiennes septentrionales et les régions grecques n’ont pas connu une
augmentation significative de leur croissance liée à une politique de développement du capital humain
(Fig. 1e et 1f).
Les régions localisées dans les zones en bleu foncé sur la carte b sont quant à elles caractérisées par
des taux de croissance relativement faibles (mais des niveaux de développement élevés en 2000) et ont
reçu peu de Fonds européens (carte a). On retrouve ici les régions de la dorsale européenne telle
qu’identifiée dans la carte 1. Elles sont dans l’ensemble très accessibles, ont une population bien
éduquée et investissent dans l’innovation. Il s’agit bien souvent de régions dont le niveau de
développement est situé proche de la moyenne de l’UE ou au-delà ; et donc exemptes de la plus grosse
part de l'enveloppe de la Politique de Cohésion au titre de l’objectif 1 (celle-ci étant attribuée pour les
régions ayant un PIB/hab. inf. à 75 % de la moyenne de l’UE).
Enfin, en rose clair sur la carte b, on identifie des clusters de régions en tête qui ont connu des taux de
croissance élevés mais n’ont pas bénéficié de larges sommes de la politique régionale du fait de leur
niveau de richesse élevé. On retrouve en toute logique les régions capitales (Centre-Londres,
Bruxelles-Capitale, Zeeland et Ile-de-France) qui bénéficient des économies d’agglomération (Geppert
et Stephan, 2008), c’est également le cas des länders de l’Ouest.
5. Conclusion et discussion
L’objectif de cet article était de réaliser une analyse exploratoire des données spatiales liées à la
croissance régionale et en particulier aux dépenses de Fonds européens en utilisant une méthode
d’analyse spatiale qui reste encore peu utilisée à ce jour. Notre but était d’interroger les concentrations
spatiales des relations qui existaient entre la croissance régionale et d’autres variables en prenant en
compte l’absence d’indépendance entre des observations géographiques. En ce sens, les BiLISA
permettent à la fois (i) d’identifier des trappes de développement ou des clubs spatiaux de régions
« qui gagnent » et (ii) de mettre en lumière des trajectoires régionales de convergence/divergence que
l’on peut mettre en regard avec différents facteurs explicatifs. Les résultats montrent que, à
l’hétérogénéité spatiale du développement régional – qui a été largement montrée dans la littérature –
vient s’ajouter une influence spatialement différenciée des Fonds européens, posant alors la question
morale/politique d’une solidarité éventuelle entre les régions et appelant une nécessaire refonte de la
Politique de Cohésion. Sans permettre de déterminer des relations causales entre les variables
identifiées et la croissance régionale, notre méthode permet néanmoins d’identifier les concentrations
spatiales de régions qui connaissent une forte (relativement faible) croissance et dont les voisines ont
des niveaux forts (et/ou relativement faibles) d’une autre variable. L’étude a permis de mettre en
évidence des régions cumulant les difficultés ou au contraire les avantages, avec la limite que la
méthode ne permet pas une analyse multivariée de la co-localisation de concentrations spatiales de
plus de deux variables.
Ces dernières années, les recherches sur l’évaluation ex-post de l’impact de la Politique de Cohésion
se sont multipliées. Elles mettent en lumière les circonstances à l’origine de l’impact spatialement
différencié des Fonds structurels (Crescenzi and Giua, 2017). Les résultats des travaux sur la question
montrent que l’efficacité de cette politique est conditionnée par (i) la concentration des Fonds sur
certaines thématiques, par (ii) l’environnement régional, (iii) par la bonne gouvernance et par (iv) les
spécificités régionales locales/le capital territorial de la région. Du fait de son aspect exploratoire, loin
de pouvoir démontrer à partir de l’utilisation des BiLISA des causalités entre les Fonds européens et la
croissance économique observée dans certaines régions, notre étude confirme néanmoins l’état de l’art
sur la question en montrant les influences différenciées de la Politique de Cohésion tout comme
celles de l’accessibilité, la qualité institutionnelle, l’éducation, etc. sur la croissance des régions.
L’intérêt de cette approche est qu’elle permet (i) d’identifier des trajectoires régionales de
développement économique, (ii) de comprendre les facteurs sous-jacents à celles-ci et (iii) de
circonscrire spatialement les clubs de régions qui gagnent (régions centre-orientales pour une grande
partie, et dans une moindre mesure un certain nombre de régions de la péninsule espagnole) ou au
contraire qui perdent (les régions du Sud de l’Italie et les régions grecques à l’exception de la région
Attique).
Version acceptée pour la revue BELGEO, revue belge de géographie
De facto, ces résultats abondent dans le sens des approches modernes du développement territorial qui
prennent en compte le rôle clé de la géographie dans les politiques ciblant la croissance économique. A
partir de notre analyse, il semblerait alors raisonnable de penser, par exemple, qu'être une région
moins développée parmi les zones les moins développées n'a pas la même incidence que d'être moins
développée parmi des voisins prospères. Dès lors, nos résultats confirment l’approche soutenue par
l’OCDE (2009) qui consiste à développer les potentiels de croissance qui existent dans chaque région
et, à mettre en œuvre des politiques de développement territorial qui visent à aider les régions en retard
en investissant dans des secteurs clés susceptibles de créer de la croissance, mais aussi en mettant tout
en œuvre pour améliorer leur bonne gouvernance. Ces nouvelles politiques appelées « place sensitive
policies » et « place-based policies » permettront de mieux cibler les régions et le type d’aides
appropriées pour favoriser le développement territorial.
Dans ce cadre, tout comme nos résultats le montrent, l’approche descendante du « one-size-fits-all »
de la Politique de Cohésion a trouvé ses limites. C’est pour cette raison que la Politique de Cohésion
2014-2020 inclut désormais une dimension territorialisée qui implique de i) se concentrer sur les
avantages locaux endogènes et la connaissance, ii) concevoir et adapter les interventions aux contextes
spécifiques et à leurs liens spatiaux, iii) stimuler les choix et orientations des acteurs locaux (Barca,
2009). Il nécessite également de donner un poids plus important aux niveaux infranationaux
(Leonardi, 2005) via la spécialisation intelligente, considérée comme un facteur clé pour lutter contre
les disparités économiques dans les régions européennes (Commission européenne, 2010).
Dans un contexte de Brexit et de négociations actuelles tendues sur le futur budget de la Politique de
Cohésion post-2020, notre étude exploratoire appelle certainement à un réexamen des mécanismes de
prise de décision existants dans ce domaine et à une évaluation plus rigoureuse des projets financés
pour des raisons d'opportunité/de coût. Ainsi, en période de pénurie des ressources publiques, il faudra
peut-être repenser comment améliorer l’efficacité (le rapport entre les résultats obtenus et les objectifs
fixés par les décideurs européens et régionaux) et l’efficience (l’optimisation des outils/moyens mis en
œuvre pour obtenir un résultat) des politiques publiques de développement territorial européen
(Bourdin et Ragazzi, 2018). Ceci passe probablement un accompagnement des régions vers une
meilleure gouvernance d’une part, et par la mise en œuvre de politiques de développement plus
intégrées et plus inclusives fondées sur le capital humain et l'innovation d’autre part. Les travaux
académiques montrent qu’elles seules entraînent des rendements plus importants des Fonds publics,
mais aussi une plus grande durabilité de l'effort de développement.
Bibliographie
Annoni, P., Dijkstra, L. (2017). Measuring and monitoring regional competitiveness in the European
Union. In Huggins, R. and Thompson P. (Eds.): Handbook of Regions and Competitiveness -
Contemporary Theories and Perspectives on Economic Development, Edward Elgar Publishing.
Anselin L. (2000). “Spatial Econometrics”, in Baltagi B. (ed.), Companion to Econometrics, Basil
Blackwell.
Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical analysis, 27(2), 93-
115.
Anselin, L., Cohen, J., Cook, D., Gorr, W., & Tita, G. (2000). Spatial analyses of crime. Criminal
justice, 4(2), 213-262.
Anselin, L., Syabri, I., & Kho, Y. (2006). GeoDa: an introduction to spatial data analysis.
Geographical analysis, 38(1), 5-22.
Anselin, L., Syabri, I., & Smirnov, O. (2002). Visualizing multivariate spatial correlation with
dynamically linked windows. Urbana, 51, 61801.
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.
Version acceptée pour la revue BELGEO, revue belge de géographie
Arbolino, R., & Boffardi, R. (2017). The Impact of Institutional Quality and Efficient Cohesion
Investments on Economic Growth Evidence from Italian Regions. Sustainability, 9(8), 1432.
Aristei, D., & Perugini, C. (2012). Inequality and reforms in transition countries. Economic Systems,
36(1), 2-10.
Bachtler, J., & Gorzelak, G. (2007). Reforming EU Cohesion Policy: A reappraisal of the performance
of the Structural Funds. Policy studies, 28(4), 309-326.
Bachtler, J., & Turok, I. (Eds.). (2013). The coherence of EU regional policy: Contrasting perspectives
on the Structural Funds. Routledge.
Bachtler, J., & Wren, C. (2006). Evaluation of European Union Cohesion policy: Research questions
and policy challenges. Regional studies, 40(02), 143-153.
Bański, J. 2010. Dilemmas for regional development in the concepts seeking to develop Poland's
spatial structure. Regional Studies 44(5), 535- 54
Barca F., (2009), Agenda for a Reformed Cohesion Policy; a place-based approach to meeting
European Union challenges and expectations. European Communities.
Barro, R. J., & Sala-i-Martin, X. (1992). Convergence. Journal of political Economy, 100(2), 223-251.
Baslé, M. (2006). Strengths and weaknesses of European Union policy evaluation methods: ex-post
evaluation of Objective 2, 1994–99. Regional Studies, 40(02), 225-235.
Becker, S. O., Egger, P. H., & Von Ehrlich, M. (2010). Going NUTS: The effect of EU Structural
Funds on regional performance. Journal of Public Economics, 94(9-10), 578-590.
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.
Benko, G., & Lipietz, A. (1992). Les régions qui gagnent. Paris: Puf.
Benko, G., & Lipietz, A. (2000). La richesse des régions: la nouvelle géographie socio-économique.
Presses universitaires de France.
Bilbao-Osorio, B. and Rodríguez-Pose, A. (2004). From R&D to innovation and economic growth in
the EU. Growth and Change, 35, 4, pp. 434-455.
Borderon, M., & Oliveau, S. (2016). Vulnérabilités sociales et changement d'échelle. L’espace
compte!. Espace populations sociétés, n°3
Bouayad-Agha, S., Turpin, N., & Védrine, L. (2013). 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. (2010). Repenser le futur de la politique de cohésion européenne pour les pays d'Europe
centrale et orientale: la prise en compte de l'espace géographique comme piste de recherche. Bulletin
de la Société géographique de Liège, (55), 43-59.
Bourdin, S. (2014) Les défis de la future politique régionale européenne 2014-2020: on prend les
mêmes et on recommence?. Geoconfluences
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.
Bourdin, S. (2018). Analyse spatiale de l’efficacité des Fonds structurels européens sur la croissance
régionale. Revue d’Économie Régionale & Urbaine, (2), 243-270.
Bourdin, S., & Ragazzi, E. (2018). La science régionale et la performance des politiques publiques:
retour sur les méthodes d’évaluation. Revue d’Économie Régionale & Urbaine, (2), 225-242.
Breidenbach, P., Mitze, T., & Schmidt, C. M. (2016). EU structural funds and regional income
convergence-A sobering experience. Working paper
Version acceptée pour la revue BELGEO, revue belge de géographie
Bronzini, R. et Piselli, P. (2009). Determinants of long-run regional productivity: the role of R&D,
human capital and public infrastructure. Regional Science and Urban Economics, vol. 39, n°2, pp.
187-199.
Brunet, R. (2002). Lignes de force de l'espace Européen. Mappe monde, 66(2), 14-19.
Camagni, R. (2002). Compétitivité territoriale, milieux locaux et apprentissage collectif: une contre-
réflexion critique. Revue d’Economie Régionale & Urbaine, (4), 553-578.
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.
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.
Cappelen, A., Castellacci, F., Fagerberg, J., & Verspagen, B. (2003). The impact of EU regional
support on growth and convergence in the European Union. JCMS: Journal of Common Market
Studies, 41(4), 621-644.
Carrington, A. (2003). A divided Europe? Regional convergence and neighbourhood spillover effects.
Kyklos, 56(3), 381-393.
Charron, N., & Lapuente, V. (2013). Why do some regions in Europe have a higher quality of
government?. The Journal of Politics, 75(3), 567-582.
Charron, N., Dijkstra, L., & Lapuente, V. (2015). Mapping the regional divide in Europe: A measure
for assessing quality of government in 206 European regions. Social Indicators Research, 122(2), 315-
346.
Cliff, A., & Ord, K. (1972). Testing for spatial autocorrelation among regression
residuals. Geographical analysis, 4(3), 267-284.
Commission européenne (2010). Ex post evaluation of Cohesion Policy Programmes 2000-06 Co-
financed by the ERDF (Objective 1 & 2) : Synthesis report, Office des Publications, Luxembourg
Commission européenne (2014).me rapport sur la cohésion économique, sociale et territoriale,
office des Publications européennes
Commission européenne (2017).me rapport sur la cohésion économique, sociale et territoriale,
office des Publications européennes
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., & Giua, M. (2016). The EU Cohesion Policy in context: Does a bottom-up approach
work in all regions?. Environment and Planning A, 48(11), 2340-2357.
Crescenzi, R., & Rodríguez-Pose, A. (2008). Infrastructure endowment and investment as
determinants of regional growth in the European Union. Eib Papers, 13(2), 62-101.
Crescenzi, R., & Rodríguez‐Pose, A. (2012). Infrastructure and regional growth in the European
Union. Papers in regional science, 91(3), 487-513.
Dall’Erba, S. (2005). Distribution of regional income and regional funds in Europe 1989–1999: an
exploratory spatial data analysis. The Annals of Regional Science, 39(1), 121-148.
Dall’erba, S., & Fang, F. (2017). A Meta-Analysis of the Estimated Impact of Structural Funds on
Regional Growth. Regional Studies, 51.
Dall’Erba, S., & Le Gallo, J. (2007). The impact of EU regional support on growth and employment.
Czech Journal of Economics and Finance, 57(7), 325-340.
Dall’erba, S., Guillain, R., & Le Gallo, J. (2009). Impact of structural funds on regional growth: how
to reconsider a 9 year-old black box. Région et Développement, 30, 77-99.
Version acceptée pour la revue BELGEO, revue belge de géographie
Dall'Erba, S., & Fang, F. (2017). Meta-analysis of the impact of European Union Structural Funds on
regional growth. Regional Studies, 51(6), 822-832.
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.
Di Cataldo, M., & Rodríguez-Pose, A. (2017). What drives employment growth and social inclusion in
the regions of the European Union?. Regional Studies, 51(12), 1840-1859.
Di Vita, G. (2017). Institutional quality and the growth rates of the Italian regions: The costs of
regulatory complexity. Papers in Regional Science.
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., & Koch, W. (2005). Une analyse exploratoire des disparités régionales dans l'Europe élargie.
Région et développement, 21, 65-92.
Ertur, C., & Koch, W. (2006). Regional disparities in the European Union and the enlargement
process: an exploratory spatial data analysis, 1995–2000. The Annals of Regional Science, 40(4), 723-
765.
Ertur, C., Le Gallo, J., & Baumont, C. (2006). The European regional convergence process, 1980-
1995: Do spatial regimes and spatial dependence matter?. International Regional Science Review,
29(1), 3-34.
Faggian, A., & McCann, P. (2009). Higher education, graduate migration and regional dynamism in
Great Britain. Working paper
Fratesi, U. (2016). 28. Impact assessment of EU Cohesion policy: theoretical and empirical issues.
Handbook on Cohesion Policy in the EU, 443.
Fujita, M., Krugman, P., & Venables, A. J. (1999). The spatial economy. Cambridge MIT Press
Gagliardi, L., & Percoco, M. (2017). The impact of European Cohesion Policy in urban and rural
regions. Regional Studies, 51(6), 857-868.
Gallo, J., & Ertur, C. (2003). Exploratory spatial data analysis of the distribution of regional per capita
GDP in Europe, 1980–1995. Papers in regional science, 82(2), 175-201.
Geary, R. C. 1954. The contiguity ratio and statistical mapping. The Incorporated Statistician 5 (3):
115–46.
Geppert, K., & Stephan, A. (2008). Regional disparities in the European Union: Convergence and
agglomeration. Papers in Regional Science, 87(2), 193-217.
Getis, A. (2010). Spatial filtering in a regression framework: examples using data on urban crime,
regional inequality, and government expenditures. In Perspectives on spatial data analysis (pp. 191-
202). Springer Berlin Heidelberg.
Getis, A., & Ord, J. K. (1992). The analysis of spatial association by use of distance statistics.
Geographical analysis, 24(3), 189-206.
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.
Iammarino, S., Rodríguez-Pose, A., & Storper, M. (2017). Why regional development matters for
Europe's economic future. Document de la Commission européenne
Kaldor, N. (1970). The case for regional policies. Scottish journal of political economy, 17(3), 337-
348.
Kelly, C., Laird, J., Costantini, S., Richards, P., Carbajo, J., & Nellthorp, J. (2015). Ex post appraisal:
What lessons can be learnt from EU cohesion funded transport projects?. Transport Policy, 37, 83-91.
Version acceptée pour la revue BELGEO, revue belge de géographie
Ketterer, T. D., & Rodríguez‐Pose, A. (2016). Institutions vs.‘first‐nature’geography: What drives
economic growth in Europe's regions?. Papers in Regional Science.
Koch, W. (2004). Effets de voisinage dans le modèle de Solow avec des externalités spatiales,
Docuement de travail, Laboratoire d'économie et de gestion (LEG).
Krugman, P. (1991). Increasing returns and economic geography. Journal of political economy, 99(3),
483-499.
Le Gallo, J. (2002). Econométrie spatiale: l'autocorrélation spatiale dans les modèles de régression
linéaire. Economie & prévision, (4), 139-157.
Le Gallo, J., Dall'Erba, S., & Guillain, R. (2011). The local versus global dilemma of the effects of
structural funds. Growth and Change, 42(4), 466-490.
Leonardi R.,(2005), Cohesion policy in the European Union: the building of Europe. Springer.
Leslie, T. F., & Kronenfeld, B. J. (2011). The Colocation Quotient: A New Measure of Spatial
Association Between Categorical Subsets of Points. Geographical Analysis, 43(3), 306-326.
López-Bazo, E., Vayá, E., Mora, A. J., & Suriñach, J. (1999). Regional economic dynamics and
convergence in the European Union. The Annals of Regional Science, 33(3), 343-370.
Lucas, R. E. (1998). On the mechanics of economic development. Econometric Society Monographs,
29, 61-70.
Maynou, L., Saez, M., Kyriacou, A., & Bacaria, J. (2016). The impact of structural and cohesion funds
on Eurozone convergence, 1990–2010. Regional Studies, 50(7), 1127-1139.
Messner, S. F., Anselin, L., Baller, R. D., Hawkins, D. F., Deane, G., & Tolnay, S. E. (1999). The
spatial patterning of county homicide rates: an application of exploratory spatial data analysis. Journal
of Quantitative criminology, 15(4), 423-450.
Mohl, P. (2016). Econometric evaluation of EU Cohesion Policy: a survey. In Mohl (ed) Empirical
Evidence on the Macroeconomic Effects of EU Cohesion Policy (pp. 7-35). Springer Gabler,
Wiesbaden.
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. (2007). European cohesion policy. Routledge.
Molle, W. (2015). Cohesion and growth: the theory and practice of European policy making.
Routledge.
Moran, P. A. (1950). Notes on continuous stochastic phenomena. Biometrika, 37(1/2), 17-23.
Myrdal, G. (1957). The principle of circular and cumulative causation. Gunnar Myrdal, Rich Lands
and Poor: The Road to World Prosperity, New York, Harper, 11-22.
Nistotskaya, M., Charron, N., & Lapuente, V. (2015). The wealth of regions: quality of government
and SMEs in 172 European regions. Environment and Planning C: Government and Policy, 33(5),
1125-1155.
OCDE, (2009), Regions Matter: Economic Recovery, Innovation and Sustainable Growth. Paris,
France
Oliveau, S. (2010). Autocorrélation spatiale: leçons du changement d'échelle. L’Espace géographique,
39(1), 51-64.
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.
Percoco, M. (2017). Impact of European Cohesion Policy on regional growth: does local economic
structure matter?. Regional Studies, 51(6), 833-843.
Version acceptée pour la revue BELGEO, revue belge de géographie
Perroux, F. (1955). Trois outils d'analyse pour l'étude du sous-développement. Cahiers de l’ISEA, (1).
Quah, D. T. (1996). Empirics for economic growth and convergence. European economic review,
40(6), 1353-1375.
Ramajo, J., Marquez, 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.
Rodríguez-Pose, A., & Di Cataldo, M. (2014). Quality of government and innovative performance in
the regions of Europe. Journal of Economic Geography, 15(4), 673-706.
RodrÍguez-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., & Ketterer, T. (2018). Institutional change and the development of lagging
regions in Europe (No. 1808). Universidade de Vigo, GEN-Governance and Economics research
Network.
Rodríguez-Pose, A. (2018). The revenge of the places that don’t matter (and what to do about it).
Cambridge Journal of Regions, Economy and Society, 11(1), 189-209.
Romer, P. M. (1986). Increasing returns and long-run growth. Journal of political economy, 94(5),
1002-1037.
Rosik, P., Stępniak, M., & Komornicki, T. (2015). The decade of the big push to roads in Poland:
Impact on improvement in accessibility and territorial cohesion from a policy perspective. Transport
Policy, 37, 134-146.
Shi, H., Zhang, L., & Liu, J. (2006). A new spatial-attribute weighting function for geographically
weighted regression. Canadian journal of forest research, 36(4), 996-1005.
Solow, R. M. (1956). A contribution to the theory of economic growth. The quarterly journal of
economics, 70(1), 65-94.
Sonn J.W. et Storper M. (2008) The increasing importance of geographical proximity in technological
innovation: an analysis of U.S. patent citations, 1975-1997. Environment and Planning A, vol. 5, n°40,
pp.1020-1039
Sotiriou, A., & Tsiapa, M. (2015). The asymmetric influence of structural funds on regional growth in
Greece. Environment and Planning C: Government and Policy, 33(4), 863-881.
Storper, M. and Venables, A. (2004). Buzz: face-to-face contact and the urban economy. Journal of
Economic Geography, vol. 4, n°4, pp. 351-370
Swan, T. W. (1956). Economic growth and capital accumulation. Economic record, 32(2), 334-361.
Vickerman, R., Spiekermann, K., & Wegener, M. (1999). Accessibility and economic development in
Europe. Regional studies, 33(1), 1-15.
Ward, T., & Wolleb, E. (2006). Ex Post Evaluation of Cohesion Policy Programmes 2000-2006
financed by the European Regional Development Fund in Objective 1 and 2 Regions: Synthesis
Report. March 2010. 176 p.
Wartenberg, D. (1985). Multivariate spatial correlation: a method for exploratory geographical
analysis. Geographical Analysis, 17(4), 263-283.
Williamson, J. G. (1965). Regional inequality and the process of national development: a description
of the patterns. Economic development and cultural change, 13(4, Part 2), 1-84.
... Sur les 56 projets financés au cours de la période de programmation 2007-2013 dans la Région d'Ouest, Benedek et al. (2015) remarquent que seuls quatre projets étaient situés à Caraș-Severin, le département le plus pauvre de la Région d'Ouest, et plus de 70% des fonds ont été alloués aux deux départements les plus développés de la région. Cette polarisation de l'absorption des fonds européens est notamment due au manque de capacité administrative de ces collectivités territoriales (Bourdin, 2019). En conséquence, les départements moins développés des régions NUTS2 développées ont été les plus affectés en ce qui concerne les perspectives européennes d'investissement. ...
Article
Full-text available
REVUE ROUMAINE DE GEOGRAPHIE - A multi-criteria analysis of regional disparities in Romania (2000-2016). The analysis of regional disparities has been the subject of many articles of researche, in particular in relation to the EU Cohesion Policy. However, many studies analyse disparities only from the perspective of Gross Domestic Product (GDP). The objective of this article is to report the evolution of regional disparities from a multidimensional approach, by comparing the evolution of economic disparities with the evolution of socio-demographic ones. We take as case study the evolution of Romanian counties (42 NUTS3 units) between 2000-2016. The TOPSIS multi-criteria decision-making method was employed for the calculation of two synthetic indices related to the economic and social development of NUTS3 units. The results show growing economic disparities. On the other hand, statistical analyses show a lack of correlation between economic performance and social development for the first part of the 2000s, followed by a gradual emergence of dependence between the two dimensions of development. Thus, during the period analysed, social development is becoming more and more associated with economic development, to the point that today this relationship is quite strong and significant.
... However, despite the past and present efforts of EU policies to achieve territorial cohesion and the achievements in this regard that have been made in different stages and time contexts [4][5][6][7][8], the reality is that European territories suffer from many important territorial imbalances at various scales and of very different types [9]. The most recent EU enlargement and, above all, the recent financial and economic crisis of 2007-2008 that devastated most European regions and countries, have been identified as the main elements that have contributed to increasing current territorial inequalities [1,10,11]. Indeed, previous research has concluded that periods of economic prosperity stimulate regional convergence dynamics, while situations of crisis or recession lead to divergent territorial processes [12][13][14][15]. These situations occur between countries, but also between regions and territories belonging to the same country [16]. ...
Article
Full-text available
One of the main consequences of the impacts of the past economic and financial crisis, which began in 2007–2008, has been the increase in inequalities between countries, regions, and territories of the EU. In the rural sphere, these disparities are not only observed in an urban–rural dichotomy, but are also evident between rural–rural territories. In this context, it is relevant to develop research based on the concept of territorial cohesion aimed at overcoming the development challenges faced by different types of rural territories. This paper addresses the empirical analysis of territorial cohesion in the rural areas of Andalusia (Spain), one of the European regions most affected by the economic crisis. To this effect, a methodology was designed that measures the level of territorial cohesion of different types of rural territories and identifies the factors that influence this cohesion in each case. The results show that factors such as employment and innovation, economic diversification, availability of natural resources and environmental quality, or information and communication technologies (ICTs) contribute to territorial cohesion in rural areas.
Article
Full-text available
Dans un contexte de fortes contraintes budgétaires pour les collectivités territoriales, la question de l’efficacité des politiques menées est un sujet d’actualité. L’évaluation des politiques publiques de développement territorial fait l’objet de nombreux travaux académiques en sciences humaines et sociales. Or, de nombreux problèmes méthodologiques persistent parmi lesquels on retrouve la validité et le rôle des méthodes quantitatives et qualitatives, la nature des causalités, la qualité des données exploitées et leur raffinement, la multidimensionalité des phénomènes adressés par les politiques et des objectifs de celles-ci. Dans ce cadre, cet article vise à introduire le numéro spécial portant sur les problèmes et défis de la Science Régionale dans l’évaluation des politiques publiques à partir d’expériences de chercheurs pour en tirer des leçons.
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 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.
Article
Full-text available
The impact of European Cohesion Policy in urban and rural regions. Regional Studies. This paper presents an evaluation exercise on the impact of European Cohesion Policy on the economic performance of the most disadvantaged European areas (Objective 1 regions) for the programming period 2000–06. By performing the analysis at NUTS-3 rather than NUTS-2 level to exploit the exogeneity of the treatment status in the context of a regression discontinuity design (RDD), the analysis shows that European Cohesion funds have positively contributed to generating economic growth in lagging areas. However, their effect is mainly driven by the successful performance of rural areas close to the main urban agglomerates. Favourable geography and the progressive suburbanization of the rural landscape created new opportunities for rural areas close to cities, thus boosting the effect of the policy.
Persistent poverty, economic decay and lack of opportunities are at the root of considerable discontent in declining and lagging-behind areas the world over. Poor development prospects and an increasing belief that these places have "no future"-as economic dynamism has been posited to be increasingly dependent on agglomeration economies-have led many of these so-called "places that don't matter" to revolt against the status quo. The revolt has come via an unexpected source: the ballot-box, in a wave of political populism with strong territorial, rather than social foundations. I will argue that the populist wave is challenging the sources of existing well-being in both the less-dynamic and the more prosperous areas and that better, rather than more, place-sensitive territorial development policies are needed in order to find a solution to the problem. Place-sensitive development policies need, however, to stay clear of the welfare, income support and big investment projects of past development strategies if they are to be successful and focus on tapping into untapped potential and on providing opportunities to those people living in the places that "don't matter".
Article
en In this paper we study the impact of regulatory complexity, a measure of institutional quality, on the GDP, on per capita income and on the growth rate of the Italian regions. For comparative reasons we also use the duration of civil disputes as a further indicator of institutional quality used in the regressions as an alternative to the indicator of regulatory complexity. From the theoretical point of view, we use the approach of negative co‐ordination externalities, among the four sources of regulatory production that are at work at the same time. Our approach may be applied in all the countries with a multi‐level government system. Using the random effects and quantile regressions models we are able to quantify the effects of an improvement in institutional quality on the GDP and the growth rate, making a comparison between the results obtained using regulatory complexity or the duration of civil disputes as covariates. We also check for spatial dependence among variables. Econometric analysis supports the theoretical assumption that regulatory complexity is an impediment to the growth of regional GDP and per capita income. The main finding of our analysis is that a reduction in regulatory complexity would be more effective than a reduction in the duration of civil disputes in increasing the income and growth rate. This result could be useful for the policy‐maker because by reducing regulatory complexity we may obtain a considerable by‐product in the shorter duration of civil disputes. Resumen es En este artículo se estudia el impacto de la complejidad regulatoria, que es una medida de la calidad institucional, en el PIB, en ingresos per cápita y en la tasa de crecimiento de las regiones italianas. Por razones comparativas, también se utilizó la duración de las disputas civiles como un indicador adicional de la calidad institucional empleada en las regresiones como una alternativa al indicador de complejidad regulatoria. Desde el punto de vista teórico, se utiliza el enfoque de las externalidades de coordinación negativas entre las cuatro fuentes de producción reguladora que funcionan al mismo tiempo. El enfoque de este artículo se puede aplicar en cualquier país con un sistema de gobierno multinivel. Mediante el uso de modelos de efectos aleatorios y regresiones cuantílicas se pudo cuantificar los efectos de una mejora en la calidad institucional sobre el PIB y la tasa de crecimiento, lo que permitió una comparación entre los resultados obtenidos utilizando la complejidad regulatoria o la duración de las disputas civiles como covariables. También se comprobó la dependencia espacial entre variables. El análisis econométrico apoya el supuesto teórico de que la complejidad regulatoria es un impedimento para el crecimiento del PIB regional y los ingresos per cápita. El principal hallazgo de este análisis es que una reducción en la complejidad regulatoria sería más efectiva que una reducción en la duración de las disputas civiles para aumentar los ingresos y la tasa de crecimiento. Este resultado podría ser útil para quienes formulan políticas, ya que al reducir la complejidad regulatoria se puede obtener un subproducto considerable en forma de una menor duración de las disputas civiles. 抄録 ja 本稿では、制度の質の指標となるregulatory complexity(規制の複雑さ)が、GDP、一人当たり所得、イタリアの地方の経済成長率に及ぼす影響を検討する。また比較検討のために、民事紛争の期間をregulatory complexityの代替となる、制度の質のより詳細な指標として回帰分析に使用する。理論的観点から、同時に進行する規制立案の4つの情報源の中から、協調の負の外部効果のアプローチを使用する。このアプローチは、マルチレベルの行政システムのあるすべての国に応用できる可能性がある。変量効果モデルと分位点回帰モデルを使用することにより、制度の質の改善がGDPと経済成長率に与える影響の定量が可能となり、regulatory complexityまたは民事紛争の期間を共変量として用いて得られた結果を比較する。また、変数の中に空間依存性がないか確認を行う。計量経済学的分析から、regulatory complexityが地域のGDPと一人当たり国民所得の増加の障害となるという理論的仮説が裏付けられた。今回の分析の主な知見は、regulatory complexityの減少は、所得と経済成長率の増加に関する民事紛争の期間の減少よりも効果的であると考えられることである。regulatory complexityを減少させることにより、より短期間の民事紛争の間に、かなりの副次的結果が得られる可能性があるため、本結果は政策立案者にとって有用となる。
Article
In this paper we estimate the long-run relationship between regional total factor productivity, RD among them, human capital turns out to have the strongest impact on productivity. Regional productivity is found also to be positively affected by RD only for R&D stock is the bi-directional causality found.
Article
Impact of European Cohesion Policy on regional growth: does local economic structure matter? Regional Studies. A growing body of literature has analysed the effect of European Cohesion Policy on regional gross domestic product (GDP) growth. The paper contributes to this literature by discussing Structural Funds and assigning an explicit role to the choice of strategy and the economic structure of regions. In particular, adopting a regression discontinuity design with heterogeneous treatment and using data on NUTS-3 regions makes it possible to identify the causal impact of Structural Funds on regional growth according to the size of the service sector, a sector that accounts for a large share of total Structural Funds expenditure. The paper shows that the larger the sector, the greater the amount of financial resources directed to services and the slower is growth. The interpretation pertaining to policy implications is that higher growth rates can be obtained by promoting the service sector at its early stages, i.e., when it is comparatively small and its potential for productivity growth is higher.
Article
This paper looks at the European Union as a laboratory to study how ‘spatially-targeted’ policies (i.e. the EU Cohesion and Rural Development Policies) interact with sectoral ‘spatially-blind’ policies (i.e. the Common Agricultural Policy - CAP), jointly shaping regional growth dynamics. The analysis of the drivers of regional growth shows that the EU Regional Policy has a positive influence on economic growth in all regions. However, its impact is stronger in the most socio-economically advanced areas and is maximised when its expenditure is complemented by Rural Development and CAP funds. The top-down funding of the CAP seems to be able to concentrate some benefits in the most deprived areas of the Union. This suggests that bottom-up policies are not always the best approach to territorial cohesion. Top-down policies may – in some cases – be effective in order to channel resources to the most socio-economically deprived areas. Territorial cohesion requires the flexible integration and coordination of both bottom-up and top-down approaches.