Des acteurs qui s’adaptent à la politique ré- ré-gionale et premier aperçu de celle-ci

Dans la section précédente à travers la réduction que nous avons proposé, nous avons identifié les variables les plus représentatives de la politique régionale en matière de financement de la recherche. Dans la suite de ce travail, nous allons essayer de tirer des enseignements des deux typologies de variables que nous avons ainsi construite : d’un côté les variables qui font partie de la réduction et de l’autre celles qui n’en font par partie. En particulier à l’aide d’un raisonnement empirique issu de l’évolution de la valeur de chacune des variables nous allons observer le comportement des opérateurs de recherche vis à vis de cet appel à projets.

6.4.1 Variables représentatives de la politique régionale

Pour commencer nous proposons de regrouper les 14 variables représentatives de la politique régionale en groupes permettant de caractériser plus facilement les projets qu’elles spécifient. Ainsi nous proposons les 4 groupes suivants :

1. Taille du projet constitué des variables COUTc, SUBVENTION, DUREE et NbPARTENAIRESt qui représentent respectivement le coût complet du projet, le montant de subvention demandé, sa durée et le nombre total de partenaires qui le compose. On considère ainsi que plus un projet est grand, plus son coût et son besoin de financement associé sont importants, plus sa durée sera longue et plus il y aura de partenaires impliqués.

2. Qualité du projet constitué des variables NOTEmoy, NOTEmin, NOTE-max, NOTEpilote qui représentent respectivement la moyenne des notes des directions, la moins bonne note donnée par une direction, la meilleure note donnée par une direction et la note donnée par la direction pilote du projet. On considère ainsi que la qualité d’un projet pour la région est déterminée par les notes données par ses directions.

3. Structuration du projet constituée des variables NbPARTENAIRESac et NOTEdesrtt qui représentent respectivement le nombre de partenaires aca-démiques présents dans le projet et la note de structuration donnée par la direction de la recherche de la région. On considère ainsi qu’un projet est d’autant plus structurant d’un point de vue scientifique pour la région que la note donnée par sa direction de la recherche est bonne et que le nombre de partenaires académiques est important.

4. Impact stratégique du projet constitué des variables SUJETrd, SUJETde, SUJETdps, SUJETNb qui représentent respectivement un lien avec les po-litique régionale de recherche et de développement économique, un lien avec

CHAPITRE 6. EXPERIMENTATION

les domaines de spécialisation de la région et le nombre de politiques régio-nales en lien avec le projet. On considère ainsi que l’impact d’un projet est défini en fonction des politiques prioritaires qu’il adresse d’une part et du nombre de politiques avec lequel il est en lien d’autre part. Ce groupe est ici qualifié de stratégique pour le distinguer des variables d’impact économique qui ne font pas partie des variables représentatives de la politique régionale. Dans la figure 6.13 nous avons représenté par groupe l’évolution par année de la moyenne de chaque variable en faisant la distinction entre les projets financés (courbe verte) et les projets non financés (courbe rouge).

Figure 6.13 – Evolution par année de la moyenne de chaque variable représenta-tives en faisant la distinction entre les projets financés (courbe verte) et les projets non financés (courbe rouge) - # correspond au classement de la variable dans la réduction Rough Set

CHAPITRE 6. EXPERIMENTATION

l’exception des titres en rouge) une courbe verte (projets financés) au dessus de la courbe rouge (projets non financés) avec une tendance à la fois croissante et convergente. On remarque ainsi une courbe rouge qui suit le comportement de la courbe verte en cherchant à la rattraper, ce phénomène est particulièrement observable pour la Moyenne de SUBVENTION, du NbPARTENAIRESt, des NOTEmoy, des NOTEmin, des NOTEmax, des NOTEpilote, du NbSUJET et de SUJETde. A contrario, on pourra noter un comportement contraire pour la moyenne de SUJETrd et SUJETdps que nous expliquons notamment par la disponibilité des données assez récente qui ne permet pas d’avoir un recul suffisant pour observer une tendance. Cette explication est également valable pour les variables de structuration qui bien qu’elles existent depuis les origines de l’APR IR, elle n’ont réellement étaient prises en compte par les équipes de la région que depuis 2016. Enfin, les moyennes des variables COUTc et DUREE affichent un comportement divergent qu’il nous est assez difficile d’expliquer autrement que par un raisonnement statistique. En effet les courbes affichées ne représentent que la moyenne des valeurs de chacune des variables. Rien n’indique de ce fait que ces dernières ne soient pas confondues à l’intérieur de leur variance. Nous traitons ce problème pour chaque groupe de variables en figure 6.14 à travers plusieurs régressions pour démontrer la convergence des courbes pour chaque groupe de variables. Ainsi en faisant une régression de la différence entre les courbes des projets financés et non financés on démontre que le résultat est bien décroissant et tend bien vers 0 et par conséquent que les courbes initiales sont bien convergentes. La convergence des courbes que l’on observe pour la majorité des variables re-présentatives de la politique régionale démontre une certaine adaptation des opé-rateurs de recherche qui proposent des projets toujours plus grands, plus structu-rants, plus impactants et d’un niveau scientifique de plus en plus élevé. Ces derniers font donc preuve d’une capacité d’analyse des attendus de la région en proposant des projets similaires aux projets déjà financés. En partant de ce constat, il est donc possible pour la région d’influencer le système régional à travers les projets qu’elle finance en espérant qu’à l’appel à projets suivant, des projets similaires lui seront présentés, si bien qu’après plusieurs appels à projet il deviendra difficile de discriminer les projets. Cette situation est d’ailleurs déjà observée par la région no-tamment sur les variables SUBVENTION, NbPARTENAIRESt, NOTEmoy, NO-TEmin, NOTEmax, NOTEpilote, NbSUJET et de SUJETde où l’écart entre les courbes vertes et rouges est très réduit. C’est d’ailleurs ce qui explique l’importance croissante depuis 2016 des variables de structuration. Il est par ailleurs probable que ce dernier groupe qui permet encore de différencier les projets suive la même trajectoire que les autres pour qu’à terme il devienne presque impossible pour la région de distinguer un projet financé d’un projet non financé sur la base des

cri-CHAPITRE 6. EXPERIMENTATION

Figure 6.14 – Régressions linéaires de variables représentatives de chacun des 4 groupes

tères objectifs actuels. Notons enfin que ces observation graphiques sont confirmée par l’évaluation de la politique régionale de soutien à la recherche de la région Centre-Val de Loire réalisée par le cabinet CMI [Koeltz et Duval, 2016] qui a dé-terminé "La qualité scientifique et l’organisation du projet sont perçus comme les critères prépondérants dans la sélection des projets IR".

6.4.2 Variables non représentatives de la politique

régio-nale

Précédemment nous avons observé un comportement commun entre la majo-rité des variables représentatives de la politique régionale qui tend à démontrer que les opérateurs de recherche s’adaptent à la nature des projets financés par la région, si bien qu’il est possible pour cette dernière de les influencer. A travers ce comportement, la région dispose ainsi d’un moyen pour orienter son système de recherche dans une direction souhaitée. Pour aller plus loin dans

CHAPITRE 6. EXPERIMENTATION

l’observation de ce comportement nous proposons de réaliser le même exercice que précédemment mais cette fois avec les variables non représentatives de la politique régionale. Nous espérons ainsi observer des différences importantes entre les deux typologies de variables pour démontrer que les opérateurs de recherche parviennent effectivement avec l’expérience de plusieurs appels à projets à caractériser la nature des projets attendus par la région. Ceci devrait être validé si nous n’observons pas pour la majorité des variables non représentatives le phénomène de convergence clairement identifié pour les variables représentatives. Pour commencer, comme précédemment, nous avons regroupé les variables non-représentatives de la politique régionale en groupes permettant de caractériser plus facilement les projets qu’elles spécifient. Ainsi nous proposons les 4 groupes suivants :

1. Impact eco qui regroupe à la fois les variables indiquant quelles politiques sont ciblées par le projet et quelles directions régionales sont mandatées pour l’évaluer.

2. Domaine qui regroupe les variables indiquant le nombre et quels domaines scientifiques sont adressés par le projet.

3. Impact Pilote qui regroupe les variables indiquant la direction pilote en charge de synthétiser l’évaluation des différentes direction régionales. 4. Jeune qui indique la présence ou non de jeunes chercheurs dans le projet. Nous avons ainsi représenté en figure 6.15, l’évolution par année de la moyenne de chaque variable non représentative en faisant la distinction entre les projets financés (courbe verte) et les projets non financés (courbe rouge). A travers ces courbes on peut observer pour la majorité des variables (à l’exception des titres en rouge) une courbe verte et une courbe rouge qui se croisent à plusieurs reprises sans qu’aucun schéma particulier ne se distingue véritablement. De ce fait, graphiquement on peut clairement faire la différence entre variables représentatives et non représentatives de la politique régionale avec d’un côté un comportement qui tend vers l’adaptation des opérateurs de recherche et de l’autre aucune tendance particulière qui se dégage.

Nous avons ainsi démontré que les opérateurs de recherche de la région dis-posent d’une capacité de compréhension et d’analyse d’une politique de finance-ment de la recherche et s’y adaptent à travers la proposition de projets toujours plus proches de ceux déjà financés. Notons cependant que bien que l’étude n’ait pas été faite à une autre échelle, sur un dispositif national par exemple, nous pen-sons qu’un phénomène similaire pourrait être observé même si celui-ci devrait être plus lent et moins flagrant. En effet, un dispositif régional bénéficie d’une commu-nication plus ciblée en particulier sur les projets financés. Compte tenu du nombre