Analyse de sensibilité : Utilisation d’un groupe de contrôle différent . 76

Un autre moyen de tester la robustesse des résultats consiste à estimer l’effet du traitement en utilisant un groupe de contrôle différent. L’évaluation d’impact est robuste si les effets estimés avec un autre groupe de contrôle sont semblables à ceux obtenus avec le groupe de contrôle initial. Dans le cadre de cette étude, nous avons utilisé la méthode d’appariement optimal afin de constituer un nouveau groupe de contrôle. Cette méthode d’appariement sélectionne les unités de contrôle et les apparie aux unités

trai-tées sur la base de la plus petite distance absolue moyenne (Zepeda,2015). Avec cette

méthode, nous avons choisi les cinq meilleures entreprises de contrôle, ce qui a abouti à un échantillon de 180 entreprises dont 150 entreprises de contrôle. Nous avons répliqué les mêmes analyses. Dans l’ensemble, les résultats sont similaires en termes de signi-ficativité des variables et d’ordre de grandeur, à quelques différences très minimes (les

différents résultats sont dans les tableauxA.5,A.6,A.7etA.8dans l’annexe).

2.6.3 Analyse de la sensibilité : Analyse intertemporelle des effets

Notre analyse intertemporelle des effets repose sur l’hypothèse que certaines va-riables seraient impactées par le traitement (dispositif IRT) dans un horizon de court terme (pendant le traitement) tandis d’autres le seraient plutôt dans un horizon de moyen ou long terme (après le traitement). Pour vérifier cette hypothèse, notre approche consiste à décomposer l’effet moyen permanent en deux effets : Un effet instantané qui représente l’effet de l’IRT pendant la période traitement et un effet post-traitement qui constitue l’effet de l’IRT après la période de traitement.

Les résulats de cette analyse sont regroupés dans les tableauxA.9,A.10,A.11etA.12

(dans l’annexe) représentant respectivement l’effet homogène du traitement, l’effet hé-térogène en fonction de la durée du traitement, l’effet héhé-térogène en fonction du type

de traitement et l’effet hétérogène en fonction de l’interaction entre la durée et le type de traitement. Concernant les variables financières, les résultats tendent à montrer que dans l’ensemble l’IRT a un effet moyen instantané sur l’autonomie financière et un effet moyen post-traitement sur le chiffre d’affaires net. Ce résultat semble corroborer l’effi-cacité de l’IRT dans la mesure où l’observation des effets du traitement sur le chiffre d’affaires nécessite du temps pour le passage des activités de R&D aux performances financières. Par ailleurs, l’autonomie financière est un indicateur de performance de court terme. Pour ce qui est des variables d’emploi, les résultats semblent montrer un effet ins-tantané négatif sur l’emploi total et le nombre de cadres et un effet post-traitement positif sur l’emploi total. De même, cette observation semble confirmer nos résultats trouvés dans les sections précédentes et l’efficacité de l’IRT en ce sens que les variables d’em-ploi sont généralement les indicateurs de performance de long terme. Par ailleurs, l’effet instantané négatif trouvé, pourrait trouver sa justification dans le fait que la période de traitement, les entreprises bénéficiant des services de R&D seraient moins incitatives à embaucher en ce sens qu’elles ont déjà accès à la main d’œuvre de l’IRT pour réaliser leurs activités.

2.7 Conclusion

Ce chapitre avait pour objectif d’examiner et d’évaluer l’impact des plateformes tech-nologiques utilisées comme outils de transfert de technologie, sur les variables finan-cières et d’emploi des petites et moyennes entreprises (PMEs). Pour cela, nous avons considéré l’Institut de Recherche Technologique (IRT) Français "Nanoelec" qui est un ins-titut interdisciplinaire thématique fondé sur les plateformes technologiques dont l’objectif est entre autres d’aider les PMEs à créer des nouveaux produits ou à faire évoluer les produits existants ; à accélérer le développement de leurs produits, services ou procédés innovants et à donner à l’entreprise un avantage compétitif et ce, grâce au savoir-faire du territoire grenoblois. Trois questions de recherche principales ont été abordées par notre analyse d’évaluation. La première question de recherche consistait à déterminer si la plateforme IRT Nanoelec en tant qu’outil de diffusion technologique a eu des effets d’additionnalité sur les variables financières et sur les variables d’emploi. La deuxième question de recherche visait à savoir si ces effets sont hétérogènes au regard de la du-rée de participation, d’une part et d’autre part, au regard du type d’aide proposé par l’IRT. Autrement dit, est-ce que la durée de participation et le type d’aide pourraient jouer un rôle dans l’efficacité de l’IRT ? Enfin, entre la durée du traitement et le type de traitement, lequel d’entre eux pourrait jouer un rôle plus important dans l’efficacité de l’IRT ?

En utilisant une approche de différence-en-différence appariée sur les données de pa-nel observées sur la période 2008 - 2016, les résultats d’évaluation indiquent que l’IRT

a eu des effets positifs sur les variables financières. Il semblerait que l’IRT a réussi à stimuler la croissance des capitaux propres des entreprises bénéficiaires pris dans leur ensemble comparativement aux entreprises de contrôle. En distinguant les entreprises bénéficiaires en fonction de la durée de participation, les résultats tendent à montrer que l’impact évalué est hétérogène. En effet, on observe les effets positifs sur le chiffre d’af-faires, les capitaux propres et l’autonomie financière qui semblent se concentrer sur les entreprises qui ont une durée de traitement plus longue (2 à 3 années). Aucun effet n’est décelé sur les entreprises qui sont restées seulement une année. Cela laisse penser que plus la durée de participation d’une entreprise est élevée, plus cette dernière a tendance à bénéficier des retombées économiques du dispositif. Ce résultat pourrait s’expliquer par le fait que l’assimilation des connaissances requiert un certain temps surtout pour les PMEs qui n’ont pas une capacité d’absorption assez importante leur permettant de comprendre et d’assimiler rapidement les informations de leur environnement externe. En distinguant les entreprises bénéficiaires en fonction du type de traitement reçu, les résultats semblent indiquer que l’IRT a eu des effets positifs sur les capitaux propres et l’autonomie financière et que ces effets semblent concerner uniquement les entreprises ayant eu une véritable collaboration avec les laboratoires du CEA dans le cadre de la pla-teforme. Un effet négatif faiblement significatif est identifié sur le chiffre d’affaires et cet effet se focalise uniquement sur les entreprises ayant bénéficié du traitement "expertise". Aucun effet n’est trouvé sur les entreprises ayant bénéficié du traitement "INP R&D". L’ef-fet positif du type d’aide "CEA R&D" est conforme aux attentes dans la mesure où la collaboration avec un laboratoire du CEA représentait de loin le traitement a priori le plus impactant par rapport aux autres traitements. Quant aux variables d’emploi, les résultats d’évaluation montrent que dans l’ensemble, l’IRT n’a aucun effet sur ces variables com-parativement aux entreprises de contrôle. En distinguant les entreprises bénéficiaires en fonction de la durée de traitement d’une part et d’autre part en fonction du type de traite-ment reçu, aucun effet n’est toujours identifié. En distinguant ces entreprises en fonction de la combinaison de la durée et du type de traitement, on observe un effet positif et significatif sur l’emploi total qui semble se focaliser sur les entreprises ayant bénéficié du type de traitement "CEA R&D" pendant une année. Toutefois, tous ces résultats doivent être pris avec beaucoup de précaution en raison de la faible taille de l’échantillon des entreprises bénéficiaires. Les analyses de l’hétérogénéité du traitement ont montré que la durée du traitement et le type de traitement choisi semblent jouer un rôle important dans l’efficacité de l’IRT, avec un rôle prépondérant du type de traitement.

Il serait intéressant de confronter nos résultats à ceux des études sur les soutiens directs aux collaborations science-industrie afin de déterminer si les retombées semblent plus fortes (ou au contraire moins fortes) lorsque le soutien est assuré par les plateformes. Nous avons identifié dans la littérature empirique seulement trois études sur les aides directes aux collaborations science-industrie au sens strict. Par ailleurs, ces études n’ont pas choisi exactement les mêmes variables de performance que notre étude, ce qui rend

la comparaison difficile. La seule variable commune est le chiffre d’affaires. On la trouve

dans deux travaux d’évaluation (Nishimura et Okamuro,2016;Eom et Lee,2010) mais

l’effet significatif sur cet indicateur est identifié uniquement dans les travaux de

Nishi-mura et Okamuro (2016). Cet impact estimé est de 3,2% en 2007 et 2,6% en 2008, ce qui représente en moyenne 2,9%. En comparant ce chiffre à notre effet rapporté en pourcentage, on constate que l’effet identifié dans notre étude qui d’environ 9,7% est

lar-gement supérieur à celui de Nishimura et Okamuromême si des décalages temporels

sont différents. Avec ces seuls chiffres, il serait prématuré de penser que les plateformes seraient plus efficaces que les soutiens directs aux collaborations science-industrie.

Les résultats de cette étude nous ont permis d’envisager quelques recommandations en termes de politiques publiques. La première recommandation porte sur la durée de participation. Notre analyse de l’évaluation a mis en évidence le rôle clé joué par la durée du traitement. Il a été en effet démontré que plus une entreprise reste dans l’IRT, plus elle a des fortes chances de bénéficier des retombées économiques. Par conséquent, il serait intéressant d’améliorer le design de cette politique en y inscrivant une durée plus longue du traitement comme étant une condition préalable à la participation à l’IRT. La deuxième recommandation est relative au type de traitement. Nos analyses ont montré que le contrat de collaboration de R&D avec un laboratoire du CEA était le traitement le plus efficace. Par conséquent, nous recommandons de multiplier ce type de traitement dans le dispositif.

Cette étude d’évaluation n’est pas exempte de limites. Il serait intéressant de les prendre en considération pour les recherches futures. Premièrement, l’une des limites les plus souvent rencontrées dans les évaluations d’impact des politiques d’innovation est

l’utili-sation d’une variable indicatrice comme mesure de la variable de traitement (Bellucci et

al.,2018).Cela s’explique par la difficulté d’accéder à toutes les informations sur la taille

des subventions reçues chaque année de traitement par l’entreprise bénéficiaire. Notre étude n’échappe à cette limite. Même si nous avons les informations sur le montant to-tal dépensé par projet, nous sommes dans l’incapacité de savoir exactement la somme dépensée annuellement, ce qui rend difficile l’utilisation cette information dans le cadre de cette évaluation. Deuxièmement, la taille de l’échantillon des entreprises traitées n’est pas très élevé. Elle l’est encore moins lorsque nous subdivisons cet échantillon afin d’étu-dier l’hétérogénéité dans le traitement. Il serait donc intéressant de conduire les mêmes analyses avec un échantillon de taille plus grande afin de voir si les résultats restent stables. Troisièmement, notre étude d’évaluation repose principalement sur l’addition-nalité des variables financières et d’emploi. Il se peut que ces variables ne soient pas suffisantes pour évaluer l’efficacité des programmes de recherche collaborative. D’après

Bellucci et al. (2018), "la coopération en R&D peut avoir un impact plus général sur la stratégie de R&D des PME et, en particulier, sur leur capacité à assimiler et exploiter les connaissances externes et les capacités internes requises pour établir de nouvelles

collaborations avec des entreprises et des centres de recherche. Tous ces effets,

identi-fiés par la littérature sous le concept général d’additionnalité comportementale (

Buisse-ret, Cameron, & Georghiou,1995), sont particulièrement importants pour les politiques d’innovation basées sur le lieu et doivent être soigneusement pris en compte dans les recherches futures." Quatrièmement, il est impossible à ce stade, de tirer une conclusion sur la comparaison entre l’efficacité des plateformes technologiques et celle d’autres formes de soutiens directs aux entreprises. C’est une perspective intéressante pour les recherches futures. Par ailleurs, il est important de souligner que même si nous n’avons pas pu observer les effets significatifs sur tous les indicateurs de performance, cela ne signifie pas nécessairement qu’il n’y pas d’effets. Il peut y avoir des effets indirects dûs aux interactions entre les entreprises traitées et les autres entreprises non traitées. Par conséquent, il serait intéressant d’analyser et d’évaluer les effets indirects de l’IRT. Cette problématique sera abordée en profondeur dans le chapitre suivant.

Chapitre 3

ESTIMATION DES EFFETS INDIRECTS DES POLITIQUES D’INNOVATION FONDÉES SUR LES RELATIONS SCIENCE-INDUSTRIE : L’IMPACT DESINSTITUTS DE

RECHERCHE TECHNOLOGIQUEFRANÇAIS SUR LES PERFORMANCES DES

PMES NON-BÉNÉFICIAIRES.