Vous consultezL’intégration régionale des espaces en Europe : un processus tridimensionnel [*] [*] Première version septembre 2007, version révisée décembre...
suite

AuteurStéphane VIROL du même auteur

- 1 - Introduction

Les processus d’internationalisation de la production, des échanges et des mouvements de capitaux et celui d’intégration économique au sein de l’Union européenne semblent avoir accentué les disparités de croissance et les écarts de développement entre les régions constitutives. Les stratégies des acteurs au sein de l’Union européenne se mondialisent. La production se délocalise : pour un même produit fabriqué, elle se déroule désormais sur des régions, des pays, voire des continents entièrement différents (FONTAGNÉ et al., 2004). Il y a simultanément globalisation et mondialisation des processus de production et d’échanges et ancrage dans des savoir-faire et des systèmes productifs parfois étroitement territorialisés (SAVY et VELTZ, 1995). Nous pouvons nous interroger sur l’occurrence et la poursuite de processus de concentration et d’agglomération au sein de l’espace européen, comme tendent à le montrer les tenants de la nouvelle économie géographique et ce, malgré les fonds structurels européens dont l’importance est, c’est vrai, relativement faible (0.4 % du RNB européen sur la période 2000-2006).

2 La politique régionale européenne est un instrument au service du renforcement de la cohésion économique et sociale. Elle est peu puissante mais orientée vers les régions et la convergence. Les réflexions d’orientations ont été engagées depuis longtemps, notamment à travers le SDEC (Commission Européenne, 1999) qui a cherché à promouvoir une politique volontariste d’aménagement polycentrique de l’espace européen (CARRIÈRE, 2005). Aujourd’hui, ces actions méritent d’être questionnées dans leurs fondements et leur portée. Dans cette perspective, l’objet de cet article est de s’interroger sur les dynamiques de structuration et d’intégration régionale de l’espace européen. Notre démarche s’appuie sur l’analyse spatiale afin de rendre compte de l’impact du processus d’intégration économique (KRUGMAN, 1991a, 1991b, 1991c ; BRÜLHART et TORSTENSSON, 1996) ainsi que de la politique régionale sur la structuration de cet espace.

3 Une utilisation originale de certains outils de l’économétrie spatiale permet d’apprécier et de quantifier les processus en jeu. En outre, une attention particulière est portée à l’amélioration de la modélisation des interactions spatiales entre régions, obtenue par la construction de matrices de poids gravitaires intégrant des éléments jugés à la source des interactions économiques par la théorie spatiale (VIROL, 2006).

4 Pour notre analyse, nous utilisons les PIB par habitant d’un échantillon de 252 régions européennes (ce qui correspond aux régions de l’Europe des vingt-cinq) sur une période allant de 1991 à 2002. Nous allons utiliser conjointement les diagrammes de MORAN issus de l’étude des PIB par tête en niveau, ceux résultant des taux de croissance et les statistiques LISA émanant de ces mêmes taux de croissance.

5 La première question en suspend est celle de la dynamique du processus d’intégration régionale des espaces. La seconde question est plus pointue. Afin de la favoriser, doit-on développer les associations locales entre régions périphériques et/ou entre les pôles locaux de développement et leurs périphéries ? Ou bien doit-on poursuivre dans la logique qui est celle de la politique régionale européenne, à savoir des aides ciblées sur les régions les plus en difficulté sans favoriser forcément les liens avec leurs voisins ?

6 La première proposition renvoie à la logique émanant du SDEC et plus généralement à celle d’un développement polycentrique tel qu’il est défini dans le rapport ESPON (2005) [1] [1] - Voir le site Internet : http:/ / www. espon. lu/ ...
suite. Deux aspects complémentaires y sont mobilisés pour définir le polycentrisme : le premier se relie à la morphologie, c’est-à-dire la distribution des secteurs urbains dans un territoire donné (nombre de villes, de hiérarchie, de distribution), le second concerne les relations entre les secteurs urbains, c’est-à-dire les réseaux, les effets d’interaction et la coopération. Ces effets d’interaction sont généralement liés à la proximité, bien que les réseaux puissent également être indépendants de la distance. L’idée est de relier deux ou plusieurs villes ayant des activités complémentaires afin que ce nouveau noyau rééquilibre la structure spatiale nationale, et qu’il diffuse, au travers d’interactions, son potentiel de croissance dans ses périphéries.

7 L’utilisation simultanée du diagramme de MORAN et des statistiques LISA donnant des informations sur la situation d’une région ainsi que sur les interactions qu’elle peut avoir avec ses voisins, nous pouvons alors dégager trois logiques majeures de l’intégration régionale au cours de notre période d’étude ; logiques que nous développerons après avoir présenté les outils et la méthodologie utilisés.

- 2 - Les outils d’analyse de la structure spatiale de l’espace européen

8 Après avoir décrit la manière dont est modélisé l’espace à travers l’utilisation des matrices de poids ainsi que les approfondissements que nous apportons à cette modélisation, nous présentons les outils économétriques que nous mobilisons afin de mettre en lumière les processus d’intégration régionale de l’espace européen.

2.1. Un approfondissement de la modélisation des interactions spatiales : les matrices de poids et les modèles de gravité.

9 Si dans la littérature les matrices de poids basées soit sur la contiguïté soit sur la seule distance kilométrique sont traditionnellement utilisées, nous avons souhaité, dans nos travaux précédents, approfondir cette modélisation en construisant des matrices de pondération originales intégrant des éléments jugés centraux par la théorie spatiale dans l’explication des interactions. Ces approfondissements ayant déjà été détaillés précédemment (VIROL, 2005 et 2006), nous nous contenterons de les présenter extrêmement succinctement dans l’encadré 1.

Encadré 1 : Rappel sur la construction des matrices de poids

Afin d’appréhender le plus précisément possible les interactions spatiales entre les différentes entités géographiques de notre échantillon, nous avons construit des matrices de poids que nous qualifions de gravitaires.
Nous introduisons des éléments importants quant à l’origine de ces interactions : la distance, la population concentrée dans chaque région NUTS2. La combinaison de ces deux éléments va nous permettre de générer d’autres matrices de pondération des interactions spatiales interrégionales.
Les données utilisées sont la distance par route, non seulement en kilomètres mais aussi en temps qui sépare deux régions ; la population (mesurée en 2000) présente dans chacune des régions prises en compte. Ces éléments ont été choisis en écho aux fondements théoriques sur lesquels reposent les phénomènes de structuration de l’espace : agglomération, concentration et dispersion [2] [2] - Les justifications théoriques de ces choix sont développées...
suite.
À partir de ces éléments nous avons construit les termes wijde chaque matrice en nous inspirant du modèle de gravité qui a été notamment utilisé pour expliquer les conduites humaines (ANDERSON, 1979 ; ISARD, 1975) liées à l’interaction spatiale, comme les mouvements migratoires (SEN et SMITH, 1995) ou les activités commerciales et le processus d’intégration économique (MCCALLUM, 1995).
En partant de cette configuration générale, nous avons établi plusieurs définitions pour les éléments wijdes matrices de pondération (voir tableau 1) (VIROL, 2006). Dans tous les cas, nous supposons une relation directe entre l’interaction spatiale et les variables liées à la population, et une relation inverse avec la distance (kilométrique et/ou temps).

Tableau 1 - Matrices de pondérations spatiales pour l’échantillon de 252 régions

La sélection s’opère en utilisant la statistique I de MORAN, le choix entre les différentes matrices s’effectue suivant la valeur standardisée de cette statistique [3] [3] - La valeur standardisée de la statistique I de MORAN...
suite, c’est donc la matrice midtps que nous retenons pour la suite de notre analyse (voir tableau 2).

Note : L’espérance de la statistique I de MORAN est constante : E (I) =-0.004
Variable testée Y0291 : taux de croissance moyen du PIB par tête régional sur la période 1991-2002

Tableau 2 - Valeur de la statistique I de MORAN selon la matrice de poids composite utilisée

Nous avons jusqu’à présent supposé, en utilisant la matrice composite midtps, que la région i pouvait avoir des relations avec toutes les autres régions de notre échantillon. Si sur le plan économique cette hypothèse nous est apparue justifiable et justifiée par les résultats, une région i pouvant raisonnablement avoir des connexions avec une région j située à une très grande distance, ce manque de restriction quant à l’étendue de la dépendance spatiale pose problème pour l’analyse économétrique. En effet, le champ des interactions doit être limité du fait des limites asymptotiques exigées afin d’obtenir des estimations cohérentes pour les paramètres du modèle (ABREU et al., 2005). Ainsi, il doit exister une limite à l’étendue sur laquelle l’addition de nouveaux points modifie la structure de connexion des points déjà pris en compte (ANSELIN, 2002). Si tel n’est pas le cas, FLORAX et REY (1995) ont montré que aussi bien la sous-spécification que la sur-spécification de la matrice de poids pouvaient affecter les résultats des tests de dépendance spatiale ainsi que les estimateurs du modèle d’économétrie spatiale.
Dès lors, afin de tenir compte de ces recommandations économétriques, nous avons construit des matrices des k-plus proches voisins à partir de la matrice composite midtps. Cette nouvelle matrice peut donc se définir comme une matrice des k-plus proches voisins en distance temps et non en distance kilométrique.
En réitérant les calculs de la statistique I de MORAN, nous avons mis en évidence (VIROL, 2006) d’une part, l’existence d’une autocorrélation spatiale globale positive sur l’espace européen et d’autre part, le fait que ces matrices de poids gravitaires, déclinées en matrices de k-plus proches voisins, semblent les plus aptes à capter ce phénomène de concentration globale de l’espace (voir tableau 3).

Note : L’espérance de la statistique I de MORAN est constante : E (I) =-0.004
Y0291 est le taux de croissance moyen du PIB par tête régional sur la période 1991-2002

Tableau 3 - Comparaison de la valeur standardisée du I de MORAN selon les matrices des k-plus proches voisins

10 La statistique I de MORAN que nous avons utilisée est une statistique globale qui ne permet pas d’apprécier la structure régionale de l’autocorrélation spatiale. Nous souhaitons affiner cette analyse globale afin de caractériser la nature de ce phénomène d’autocorrélation spatiale au niveau des entités géographiques étudiées. En d’autres termes, nous souhaitons savoir tout d’abord, s’il existe des regroupements locaux de valeurs fortes ou faibles, mais aussi quelles sont les régions qui contribuent le plus à l’autocorrélation spatiale globale et, enfin, dans quelle mesure l’évaluation de ce phénomène pris globalement dissimule ce que nous nommerons des localisations atypiques c’est-à-dire des régions ou groupes de régions qui s’éloignent du schéma global d’autocorrélation spatiale.

11 À cette fin, l’analyse de l’autocorrélation spatiale locale peut s’effectuer en utilisant le diagramme de MORAN (ANSELIN, 1996) pour visualiser la situation d’une région i en termes de PIB par habitant, en niveau ainsi qu’en taux de croissance moyen. Cependant, cet outil statistique, s’il nous permet de caractériser la structuration locale de l’espace européen ne donne aucune indication quant à la significativité des différents schémas mis en lumière. Afin de pallier ce manque, nous utiliserons les indicateurs locaux d’association spatiale, ou « LISA » [4] [4] - Local Indicators of Spatial Association. ...
suite (ANSELIN, 1995) également utilisés pour tester l’hypothèse d’une distribution aléatoire, en comparant les valeurs de chaque localisation spécifique avec les valeurs des localisations voisines.

2.2. Le diagramme de MORAN

12 Le diagramme de MORAN (ANSELIN, 1996) est utilisé pour visualiser les formes de l’autocorrélation spatiale locale. L’idée du diagramme de MORAN consiste à représenter le revenu par tête de chaque région, noté z, (sur l’axe horizontal) par rapport à la moyenne standardisée et spatialement pondérée, notée Wz (moyenne du revenu par tête des voisins, également appelé décalage spatial) sur l’axe vertical. L’intérêt d’exprimer les variables en forme standardisée (c’est-à-dire avec une moyenne nulle et un écart-type égal à un) est d’estimer à la fois l’association spatiale globale, car la pente de la droite à l’intérieur du diagramme de MORAN est équivalente au I de MORAN, et l’association spatiale locale, à l’aide du quadrant du diagramme de MORAN dans lequel se situe une région i.

13 Les quatre différents quadrants du diagramme correspondent alors aux quatre différents types d’association spatiale locale existant entre une région et ses voisines :

14

1. HH : une région associée à une valeur élevée entourée de régions associées à des valeurs élevées.
2. LL : une région associée à une valeur faible entourée de régions associées à des valeurs faibles.
3. HL : une région associée à une valeur élevée entourée de régions associées à des valeurs faibles.
4. LH : une région associée à une valeur faible entourée de régions associées à des valeurs élevées.

15 Les quadrants HH [5] [5] - A noter que « élevé » (resp. « faible ») signifie...
suite et LL sont associés à une autocorrélation spatiale positive car ils indiquent un regroupement spatial de valeurs similaires. En revanche, les quadrants LH et HL représentent une autocorrélation spatiale négative car ils indiquent un regroupement spatial de valeurs dissemblables. Par conséquent, le diagramme de MORAN peut être utilisé pour visualiser les localisations atypiques, c’est-à-dire les régions qui se trouvent dans les quadrants LH et HL.

16 Une des limites de cet outil est qu’il ne fournit pas d’information sur la significativité des regroupements spatiaux. Celle-ci est obtenue à l’aide d’indicateurs locaux d’association spatiale.

2.3. Les indicateurs locaux d’association spatiale (LISA)

17 ANSELIN (1995) définit un indicateur local d’association spatiale ou « LISA » comme toute statistique satisfaisant deux critères. Premièrement, le LISA donne une indication sur le regroupement spatial significatif de valeurs similaires autour de chaque observation. Deuxièmement, la somme des LISA associés à toutes les observations est proportionnelle à un indicateur global d’association spatiale.

18 En outre, comme le montrent les simulations effectuées par BOOTS et TIEFELSDORF (2000) sur des configurations spatiales régulières, la distribution pour ces statistiques ne peut pas être approximée par une distribution normale. L’inférence statistique doit alors être basée sur l’approche de permutation (ANSELIN, 1995) [6] [6] - Il s’agit d’une approche en termes de permutation...
suite, 10 000 dans notre analyse. Dans ce cas, les probabilités critiques obtenues pour les statistiques locales de MORAN sont, en fait, des pseudo-niveaux de significativité.

19 Finalement, en combinant l’information donnée par le diagramme de MORAN et la significativité des LISA, on obtient des cartes de significativité de MORAN, qui montrent les régions associées avec un LISA significatif et indiquent, par un code de couleurs, les quadrants du diagramme de MORAN auxquel ces régions appartiennent (ANSELIN et BAO, 1997).

20 Nous allons nous focaliser sur la relation existant entre la situation économique initiale des régions et le taux de croissance que connaissent ces régions sur la période, c’est-à-dire non seulement, au processus de développement que peuvent mettre en œuvre les régions dans le temps mais aussi à la dynamique de l’intégration régionale des espaces sous-jacente.

2.4. Méthodologie : une utilisation simultanée des outils économétriques

21 Si dans la littérature le diagramme de MORAN (ANSELIN, 1996) et les statistiques LISA (ANSELIN, 1995) sont traditionnellement utilisés de façon successive (ERTUR et KOCH, 2005 ; DALL’ERBA, 2005), nous proposons une utilisation conjointe des diagrammes de MORAN issus de l’étude des PIB par tête en niveau, ceux résultant des taux de croissance et des statistiques LISA émanant de ces mêmes taux de croissance. La mise en œuvre de cette nouvelle procédure nous permet de caractériser la dynamique d’intégration des régions de l’échantillon sur la période étudiée.

22 En effet, les diagrammes de MORAN définis lors de l’analyse des PIB par habitant en niveau nous fournissent l’état de chaque région à la date initiale (1991), ceux établis pour le taux de croissance nous indiquent la dynamique dans laquelle se situent la région et ses voisines sur la période, enfin les statistiques LISA nous donnent une information quant à la façon dont cette dynamique s’opère. En d’autres termes, une statistique LISA, en termes de taux de croissance, nous indique, si elle est significative, que la performance économique d’une région est liée à celle de ses voisins (association spatiale significative) ou au contraire, si elle ne l’est pas, que cette performance est due à d’autres facteurs ne provenant pas des interactions existant entre les régions.

23 L’utilisation simultanée de ces trois aspects, caractérisant la situation d’une région ainsi que les interactions qu’elle peut avoir avec ses voisins, nous permet de dégager trois résultats de l’intégration régionale au cours de notre période d’étude [7] [7] - Pour cette analyse, seule la matrice composite midtp30...
suite. D’abord, une tendance à la redistribution au niveau global, les régions du centre identifiées comme HH en 1991 en PIB par habitant en niveau connaissant un tassement de leur rythme de croissance alors que, dans le même temps, certaines régions dites périphériques entament un processus de rattrapage. Ensuite, pour certaines de ces régions appartenant au quadrant LL en niveau en 1991, apparaît une dynamique d’intégration conjointe, correspondant aux fondements d’un développement polycentrique. Enfin, une logique plus locale caractérisée par les regroupements spatiaux déviant du schéma général, c’est-à-dire les régions appartenant aux quadrants HL et LH.

- 3 - Analyse du processus d’intégration régionale de l’espace européen

24 Les résultats auxquels nous parvenons en termes de processus d’intégration régionale se déroulant en Europe montrent qu’il n’y a pas unicité de ce phénomène mais qu’au contraire, il se décline selon trois dimensions.

3.1. Une tendance à la redistribution globale

25 Cette analyse va porter sur les régions caractérisées en 1991 par une association spatiale positive de type HH et LL dans le diagramme de MORAN relatif au PIB par tête, leur localisation dans ce même diagramme lorsqu’il s’agit du taux de croissance moyen du PIB par habitant (cartes 1 et 3) et sur la significativité de ces regroupements (cartes 2 et 4), puisqu’elles relèvent des deux pans d’un même processus de rattrapage.

26 La majorité des régions appartenant au quadrant HH (respectivement LL) du diagramme de MORAN en 1991 pour le PIB par tête en niveau, relève d’une association de valeurs similaires de type LL (respectivement HH) lorsque nous considérons leur taux de croissance sur la période allant de 1991 à 2002.

27 Une telle dynamique renvoie à la logique de tassement de la croissance des régions centres caractérisées par un niveau de développement élevé par rapport au reste de l’Europe et au rattrapage des régions dites périphériques. Cette dynamique que nous pouvons assimiler à de la convergence a été abondamment analysée aussi bien sous l’angle théorique que sous l’angle empirique.

28 D’un point de vue théorique, les apports sont notamment dus à la nouvelle économie géographique. Si les premiers modèles (KRUGMAN, 1991a, 1991b, 1991c), appliqués au cas européen, ont énoncé que la poursuite de l’intégration européenne conduirait inexorablement à un schéma de type centre-périphérie et exacerberait les différences de niveau de développement entre le centre et la périphérie, ces conclusions ont été nuancées par la renonciation à l’hypothèse de parfaite mobilité de la main-d’œuvre. En effet, cette hypothèse qui peut se vérifier au sein des économies nationales est peu compatible avec le cas européen.

29 Ainsi, à l’exception des mouvements de l’Est européen vers l’Allemagne au début de la transition, les migrations intra-européennes sont devenues extrêmement faibles (JENNEQUIN, 2001). La prise en compte de cette immobilité permet de considérer l’existence d’écarts salariaux entre les nations européennes dans une seconde génération de modèles (VENABLES, 1996 ; KRUGMAN et VENABLES, 1995, 1996 ; PUGA et VENABLES, 1999).

30 Leurs conclusions montrent une tendance à la divergence pour des niveaux intermédiaires d’intégration, suivie d’un retour à la dispersion des activités pour une intégration avancée. En effet, l’accentuation des écarts de coûts salariaux entre le centre et la périphérie est source de gains potentiels suffisamment importants pour inciter les firmes des secteurs intensifs en main-d’œuvre à se délocaliser vers la périphérie, pouvant expliquer une part du tassement de la croissance des régions du centre et le rattrapage des régions périphériques.

État dans le diagramme de MORAN en taux de croissance 1991/2002 des régions classées HH en 1991 en termes de PIB par tête

État dans le diagramme de MORAN en taux de croissance 1991/2002 des régions classées HH en 1991 en termes de PIB par tête

31 D’autres facteurs peuvent être évoqués afin d’expliquer ce phénomène de redistribution au niveau global. Ainsi, l’existence de déséconomies d’agglomération peut expliquer les processus de diffusion des activités industrielles des régions centrales vers les régions périphériques. Ce type de dynamique a été exploré notamment par BRAKMAN et al. (1996) dans un modèle qui montre que des externalités négatives liées à la congestion peuvent rendre profitable la délocalisation d’un certain nombre de firmes industrielles du centre vers la périphérie à mesure qu’augmente la production industrielle.

Statistiques LISA en taux de croissance 1991/2002 des régions classées HH en 1991 en termes de PIB par tête

Statistiques LISA en taux de croissance 1991/2002 des régions classées HH en 1991 en termes de PIB par tête

32 Un autre corollaire négatif de l’agglomération qui peut expliquer les choix de relocalisation vers la périphérie est l’augmentation du coût du foncier due à l’allocation d’une ressource rare (le sol) entre un nombre croissant de demandeurs (firmes et individus).

33 Les régions appartenant au quadrant LL en 1991 (en niveau de PIB par tête), qu’elles appartiennent effectivement à la Communauté ou qu’elles fassent partie des futurs membres, ont bénéficié sur cette période d’aides financières importantes. Les régions des pays membres font partie de celles couvertes par l’Objectif 1 de la politique régionale européenne qui a pour but de promouvoir le développement et l’ajustement structurel des régions en retard de développement, donc de permettre à ces régions de mieux faire face à leurs difficultés et de tirer pleinement partie des opportunités du Marché Unique.

État dans le diagramme de MORAN en taux de croissance 1991/2002 des régions classées LL en 1991 en termes de PIB par tête

État dans le diagramme de MORAN en taux de croissance 1991/2002 des régions classées LL en 1991 en termes de PIB par tête

34 Pour les pays de l’Est, candidats à l’adhésion sur la période, il y a eu l’aide européenne qui s’est matérialisée sous la forme du programme PHARE et, la transition qui a favorisé l’entrée massive d’investissements directs étrangers puisque entre 1990 et 2002, le stock d’IDE est passé d’un montant de 3 à près de 147 milliards de dollars (DUPUCH et al., 2004). Bien qu’ils ne représentent que 4 % des flux mondiaux, les IDE ont localement un poids bien plus important. Avec des niveaux voisins de 30 % du PIB, le stock d’IDE pèse aujourd’hui autant dans les économies de ces pays que dans celle de l’Union, alors que les firmes n’y investissent que depuis une douzaine d’années (DUPUCH et al., 2004).

35 Cependant, les IDE se répartissent de manière très inégalitaire entre les pays et au sein de ces pays. La Pologne, la République Tchèque, la Hongrie et la Slovaquie regroupent à elles quatre la grande majorité de ces investissements. En outre, un petit nombre de régions, les capitales et les zones frontalières de l’Union Européenne, concentrent généralement la quasi-totalité des entrées d’IDE (DUPUCH et al., 2004).

36 Un des effets des entrées d’IDE est l’évolution de la spécialisation vers un type intra-branche. En effet, il s’agit majoritairement d’investissements directs horizontaux c’est-à-dire que des firmes multinationales partent à la conquête des marchés locaux. Les firmes implantent plusieurs unités de production pour servir les marchés domestiques si elles peuvent réaliser des économies d’échelle entre ces différents sites du fait d’avantages technologiques. Elles répondent alors à une demande de biens différenciés, se localisent à proximité des consommateurs et se développent davantage entre des pays dont les préférences sont similaires (MARKUSEN, 1995).

37 Les justifications empiriques d’un tel processus ont été données dans un grand nombre d’études sur la convergence des régions européennes (CAPRON, 1997 ; ARMSTRONG, 1995). Les études de BARRO et SALA-I-MARTIN (1995) identifiaient une β-convergence conditionnelle sur différents échantillons de pays du monde dont la vitesse est stable et de l’ordre de 2 %. Au niveau de l’Union Européenne, de nombreuses études ont montré qu’il existait une convergence au niveau des pays, accompagnée d’une divergence entre les régions (CAPRON, 1997). À la suite de cette dernière conclusion, des auteurs ont mis en avant la nécessité de s’interroger sur la possibilité de l’existence de clubs de convergence (BAUMOL, 1986). Les résultats obtenus, sur la période 1980-1999, par DALL’ERBA et LE GALLO (2005) indiquant une convergence significative (à une vitesse de 1,10 %) entre toutes les régions européennes et une convergence significative (à une vitesse de 3,15 %) seulement entre les régions périphériques, mettent en évidence la formation d’un club de convergence, à l’instar de BAUMONT et al. (2003), entre régions périphériques au sein de l’Union Européenne et une différenciation entre le processus de convergence des régions du centre et celui des régions de la périphérie. Ces résultats sont donc compatibles avec ce que nous observons sur notre échantillon à savoir un processus de rattrapage des régions périphériques sur les régions centres. Cependant, ce processus est à nuancer puisque la majorité des régions classées dans le quadrant LL en 1991 le sont toujours en 2002, lorsque l’analyse porte sur les niveaux de PIB par tête (VIROL, 2005).

3.2. Un phénomène d’intégration au sein des périphéries

38 Au regard de la carte 4, nous constatons qu’au sein des régions appartenant au quadrant LL en niveau en 1991 et qui ont connu un taux de croissance les identifiant comme HH sur la période, 61 % se caractérisent par une association spatiale significative. Ces régions ont connu une forte progression de leur taux de croissance qui a profité à leurs voisins et réciproquement, les interactions entre ces entités se révélant bénéfiques pour l’ensemble.

Statistiques LISA en taux de croissance 1991/2002 des régions classées LL en 1991 en termes de PIB par tête

Statistiques LISA en taux de croissance 1991/2002 des régions classées LL en 1991 en termes de PIB par tête

39 Ainsi, l’idée d’intégrer les périphéries entre elles plutôt que de les relier au centre, et de structurer l’espace européen par les périphéries en créant des pôles secondaires que nous avons abordés sous l’angle théorique (VIROL, 2005) semble, dans ce cas, se révéler pertinente à la lumière d’une analyse empirique. Ainsi, la structuration de l’espace est le résultat de l’affrontement entre des forces centrifuges et des forces centripètes. L’idée est donc d’agir sur les conditions initiales des régions en faisant en sorte d’égaliser leurs chances ou tout au moins de réduire les différentiels trop grands. À ce titre, nous pouvons souligner le rôle des infrastructures publiques dans ce type d’approches. Il peut s’agir, d’une part, d’infrastructures de formation ou d’éducation aptes à améliorer le niveau de qualification de la main-d’œuvre et par extension le niveau de capital humain local afin d’influer sur la productivité des entreprises (CATIN, 1997).

40 D’autre part, une préconisation forte pour soutenir la convergence des régions en Europe réside précisément dans le développement des investissements en éducation et en recherche et développement dans les régions périphériques (CAPRON, 1997). Nous avons montré (VIROL, 2005) le rôle majeur que peuvent jouer les infrastructures de transport (CHARLOT et LAFOURCADE, 2000) sous certaines conditions de mise en œuvre (MARTIN et ROGERS, 1995). Ceci renvoie au fait que le potentiel attractif d’une région peut être amélioré en jouant sur le développement de facteurs immobiles. En effet, plus il existe de facteurs immobiles et plus les forces de dispersion sont influentes. En particulier, HELPMAN (1996) montre qu’en présence d’un bien homogène intransportable, la diminution des coûts de transport du bien industriel conduit à un schéma géographique dispersé, en lieu et place de la structure centre-périphérie.

41 Au sein des régions illustrées par la carte 4, nous citerons un exemple de ce type de dynamique, celui de la région de Dresde/Chemnitz/Leipzig/Halle. Même si la motivation était en grande partie économique, son expression a pris la forme de stratégie spatiale commune de développement intégrant notamment les infrastructures de transport, reliant le « triangle de la Saxe ». Cette stratégie a été établie en 1995, avec pour ambition de rapprocher ces villes afin de créer une seule zone métropolitaine d’importance européenne. Au regard des résultats que nous avons obtenus, nous constatons que ces trois régions ont connu sur la période un taux de croissance élevé qui leur a permis de connaître un rattrapage important. En effet, si en 1991 elles appartenaient au quadrant LL du diagramme de MORAN, elles sont caractérisées en 2002 par une association spatiale de type HH pour Leipzig et Halle, et de type HL pour Chemnitz et Dresde (VIROL, 2005).

42 Au final, compte tenu des variables utilisées et des données dont nous disposons, la stratégie spatiale d’intégration des périphéries entre elles semble se révéler pertinente pour la majorité des régions concernées de notre échantillon.

3.3. Le développement polycentrique à la lumière de l’étude des cas atypiques

43 Deux aspects complémentaires sont mobilisés par le rapport ESPON (2005) pour définir le polycentrisme : le premier est relié à la morphologie, c’est-à-dire la distribution des secteurs urbains sur un territoire donné (nombre de villes, de hiérarchie, de distribution), le second concerne les relations entre les secteurs urbains, c’est-à-dire les réseaux, les effets d’interaction et la coopération. Ces effets d’interaction sont généralement liés à la proximité, bien que les réseaux puissent également être indépendants de la distance. Le polycentrisme peut se comprendre à différents niveaux : le niveau continental (global) et régional (local). C’est sur ce deuxième niveau que nous allons concentrer notre analyse. À cette échelle, l’idée est de relier plusieurs villes ayant des activités complémentaires afin, d’une part, que ce nouveau noyau rééquilibre la structure spatiale nationale et, d’autre part, qu’il diffuse, au travers d’interactions, son potentiel de croissance vers ses périphéries.

Etat dans le diagramme de MORAN en taux de croissance 1991/2002 des régions classées HL en 1991 en termes de PIB par tête

Etat dans le diagramme de MORAN en taux de croissance 1991/2002 des régions classées HL en 1991 en termes de PIB par tête

44 Ce type de configurations spatiales se matérialise dans notre étude sous la forme des associations spatiales de type HL et LH. En effet, de telles formes spatiales sont potentiellement aptes à rendre compte de la diffusion d’un pôle fort vers ses voisins moins développés au cours du temps. Les cartes 5 et 7 (respectivement 6 et 8) rendent compte des changements d’état connus par les associations spatiales de type HL (respectivement LH) en 1991 (en niveau de PIB par tête) lorsque nous analysons leur taux de croissance sur la période allant de 1991 à 2002.

45 Concernant les regroupements de valeurs dissemblables HL en 1991, l’occurrence d’un développement polycentrique se traduirait par l’apparition de configurations de type HH ou LH en taux de croissance du PIB par habitant. En effet, dans les deux cas, on peut constater que la croissance du centre a été bénéfique à ses voisins au travers des interactions potentiellement existantes. Dans le premier cas, le centre possède toujours une croissance importante mais compte tenu des interactions, ses voisins ont eux aussi une croissance forte : il y a dans ce cas un phénomène de rattrapage qui s’instaure. Dans le second cas, les interactions permettent aux voisins moins développés de bénéficier d’une croissance forte alors que le centre connaît un tassement de sa dynamique économique.

46 Ce même type de processus peut être identifié pour les régions caractérisées par une association spatiale de type LH en 1991, dans le cas où se manifesterait une croissance du PIB par tête sur la période leur permettant de se situer dans le quadrant HH du diagramme de MORAN. Ainsi, l’idée de mettre en place une politique volontariste favorisant un développement polycentrique de l’espace européen peut paraître justifiable a priori, dès lors que ce type de configurations spatiales existe. Cependant, pour qu’une telle politique, d’une part, et une telle organisation spatiale, d’autre part, soient efficaces, il est nécessaire qu’il existe entre les régions des interrelations fortes et significatives afin que le processus de diffusion puisse se concrétiser.

47 Or, si nous considérons les cartes 6 et 8, qui révèlent la significativité des regroupements spatiaux déviant du schéma général (HL ou LH), nous constatons que seulement 2 de ces associations spatiales en termes de taux de croissance sont significatives au sens des statistiques LISA sur la période étudiée.

48 Il s’agit des régions allemandes de Berlin et d’Oberfranken qui appartiennent au quadrant HL en 1991 (en niveau) et qui deviennent des associations spatiales significatives de type LH en taux de croissance. Ces deux entités se conforment donc bien aux hypothèses fondatrices du développement polycentrique puisque leurs régions voisines ont connu sur la période un processus de rattrapage qui peut être en partie expliqué par des effets positifs des taux de croissance de ces deux régions « centres » sur leur propre taux de croissance du PIB par tête, du fait de l’existence d’interrelations significatives. Nous pouvons peut-être trouver une explication à ces deux cas que nous qualifierons d’atypiques en nous référant à leur situation particulière. D’abord, si nous considérons le cas de Berlin, le contexte historique de la réunification n’est sûrement pas totalement étranger aux résultats obtenus. Ensuite, la région d’Oberfranken est une région limitrophe de la République Tchèque qui a connu sur la période un rattrapage comme nous l’avons souligné, dû notamment aux IDE surtout implantés dans les zones frontalières.

Statistiques LISA en taux de croissance 1991/2002 des régions classées HL en 1991 en termes de PIB par tête

Statistiques LISA en taux de croissance 1991/2002 des régions classées HL en 1991 en termes de PIB par tête

49 Ainsi, compte tenu des données dont nous disposons, la croissance des régions, pour une grande majorité d’entre elles, n’est pas influencée de manière significative par celle de leurs voisins, ce qui nuance la stratégie du développement polycentrique. En effet, en considérant les régions caractérisées par une association spatiale de type HL en niveau en 1991, et qui se situent en termes de taux de croissance du PIB par tête sur la période dans le quadrant HH du diagramme de MORAN, le fait que ces associations spatiales ne sont pas significatives montre que le rattrapage connu par les régions voisines s’est fait indépendamment de la croissance de la région centre initiale. Cette croissance est donc le résultat d’autres facteurs qui sont soit endogènes à chacune des régions voisines, soit le fait d’aides financières extérieures du type de celles allouées par l’Union Européenne, notamment au titre de l’objectif 1.

État dans le diagramme de MORAN en taux de croissance 1991/2002 des régions classées LH en 1991 en termes de PIB par tête

État dans le diagramme de MORAN en taux de croissance 1991/2002 des régions classées LH en 1991 en termes de PIB par tête

50 Il en va de même dans les cas des régions de type HL en 1991 qui deviennent LH lorsque l’analyse porte sur le taux de croissance du PIB par tête sur la période 1991-2002. Dans ce cas, il s’agit d’un tassement de la croissance de la région centre alors que les régions voisines connaissent une croissance importante indépendamment de la région initialement plus développée.

Statistiques LISA en taux de croissance 1991/2002 des régions classées LH en 1991 en termes de PIB par tête

Statistiques LISA en taux de croissance 1991/2002 des régions classées LH en 1991 en termes de PIB par tête

51 Enfin, les régions telles que Madrid, le Pays Basque espagnol ou la Navarre qui restent localisées dans le même quadrant (HL) - que l’analyse soit faite en niveau de PIB par tête ou en taux de croissance et dont l’association spatiale n’est pas significative -, fournissent des exemples types de ce que KRUGMAN (1996) appelle le phénomène « d’ombre d’agglomération ». Celui-ci traduit la domination que peut exercer un centre économique important sur le reste de son territoire. En effet, compte tenu des forces centripètes, les activités et les individus sont attirés par ce centre économique au détriment des régions alentour, suivant les prédictions du modèle gravitationnel. Dès lors, des pôles secondaires ne peuvent apparaître qu’à une distance suffisante pour échapper à ce phénomène d’attraction, laissant les espaces intermédiaires relativement vides.

52 Dans le cas des régions formant des regroupements spatiaux de type LH en 1991, nous arrivons aux mêmes conclusions. La significativité des associations spatiales lorsque l’analyse porte sur les taux de croissance n’est pas vérifiée, la croissance économique des régions ne peut être expliquée par les interactions avec leurs voisines. Cette absence d’interactions entre régions voisines, quant à leur croissance, semble mettre à mal la pertinence de la stratégie du polycentrisme au sein de notre échantillon.

- 4 - Conclusion

53 L’ensemble de l’analyse laisse apparaître la persistance de disparités relativement importantes au sein des régions étudiées qui se matérialisent par des concentrations régionales prégnantes sur la période. Ces inégalités sont d’autant plus profondes que les régions des pays de l’Est sont prises en compte. En effet, ces dernières sont caractérisées par de très fortes disparités et un revenu moyen par habitant très inférieur à celui de la moyenne communautaire actuelle. Ainsi, l’adhésion a pour conséquence la plus forte baisse relative du niveau de prospérité de l’Union Européenne en relation avec un élargissement. Même si les résultats montrent le démarrage d’un processus de rattrapage, celui-ci reste insuffisant et ne permet pas aux régions les plus périphériques de sortir de leur situation de région en retard de développement. Il est intéressant de noter que la dynamique caractérisant un développement polycentrique apparaît là où l’on ne l’attend pas forcément (au sein des périphéries), alors même qu’elle n’existe pas sur les configurations spatiales atypiques (HL et LH) pourtant supposées en être la configuration idéale compte tenu de la définition du polycentrisme retenue précédemment. Ce faisant, et compte tenu de ce résultat, nous nuancerons la validité d’une stratégie de développement par le polycentrisme.

54 Dès lors, un retour sur la politique régionale et sur son rôle majeur quant à la réduction des inégalités nous apparaît pertinent. Ce nouvel essor de l’aide structurelle à ces régions accentue la pression quant à l’obtention de résultats concluants de ces politiques. Cette analyse suggère qu’un poids supplémentaire (à 0,4 % du RNB européen) et que de nouvelles orientations pour la politique régionale européenne sont encore à identifier et à mettre en œuvre.

55 PUGA D., VENABLES A., 1999, « Agglomeration and Economic Development : Import Substitution vs. Trade Liberalisation », Economic Journal, vol. 109, n° 45, pp. 292-311.

56 SAVY M., VELTZ P. (eds.), 1995, Économie globale et réinvention du local, DATAR/L’Aube, Paris.

57 SEN A., SMITH T. E., 1995, Gravity Models of Spatial Interaction Behavior, Springer, New York.

58 VENABLES A. J., 1996, « Equilibrum Locations of Vertically Linked Industries », International Economic Review, n° 37, pp. 341-359.

59 VIROL S., 2005, Espace communautaire européen : unité ou morcellement ?, Thèse de doctorat ès Sciences Économiques, Université Montesquieu-Bordeaux IV.

60 VIROL S., 2006, « Distance temps, discontinuité des interactions spatiales et concentration globale de l’espace européen », Revue d’Économie Régionale et Urbaine, n° 1, pp. 7-26.

Bibliographie

Bibliographie

ABREU M., DE GROOT H. L. F., FLORAX R. J. G. M., 2005, « Space and Growth : A Survey of Empirical Evidence Methods », in DALL’ERBA S., LE GALLO J. (eds.), 2005, « Croissance, convergence et interactions spatiales », Région et Développement, n° 21, pp. 13-44, L’Harmattan.

ANDERSON J. E., 1979, « A Theoretical Foundation for the Gravity Equation », American Economic Review, vol. 69, n° 1, pp. 69-106.

ANSELIN L., 1995, « Local indicators of spatial association-LISA », Geographical Analysis, n° 27, pp. 93-115.

ANSELIN L., 1996, « The MORAN scatterplot as an ESDA tool to access local instability in spatial association », in FISHER M., SCHOLTEN H. J., UNWIN D. (eds.), 1996, Spatial Analytical Perspectives on GIS, Taylor & Francis, London.

ANSELIN L., 2002, « Under the Hood. Issues in the Specification and Interpretation of Spatial Regression Models », Agricultural Economics, n° 27, pp. 247-267.

ANSELIN L., BAO S., 1997, « Exploratory spatial data analysis linking SpaceStat and ArcView », in FISHER M, GETIS A. (éds.), 1997, Recent Developments in Spatial Analysis, Springer, Berlin.

ARMSTRONG H., 1995a, « Convergence among the regions of the European Union », Papers in Regional Science, n° 74, pp. 143-152.

BARRO R. J., SALA-I-MARTIN X., 1995, Economic Growth, McGraw-Hill, New York.

BAUMOL W. J., 1986, « Productivity growth, convergence and welfare : what the long-run data show », American Economic Review, n° 76, pp. 1072-1085.

BAUMONT C., ERTUR C., LE GALLO J., 2003, « Spatial Convergence Clubs and the European Growth Process, 1980-1995 », in FINGELTON B. (ed.), 2003, European Regional Growth, Springer, Berlin.

BOOTS B., TIEFELSDORF M., 2000, « Global and Local autocorrelation in bounded regular tessellations », Journal of Geographical Systems, n° 2, pp. 319-348.

BRAKMAN S., GARRETSEN H., GIGENGACK R., van MARREWIJK C., WAGENVOORT R., 1996, « Negative Feedbacks in the Economy and Industrial Location », Journal of Regional Science, vol. 36, n° 4, pp. 631-651.

BRULHART M., TORSTENSSON J., 1996, « Regional Integration, Scale Economies and Industry Location », CEPR Discussion Paper, n° 1435.

CAPRON H., 1997, « La dynamique de croissance des régions en Europe », in CELIMENE F., LACOUR C. (dir.), 1997, L’intégration régionale des espaces, ASRDLF, Economica, pp. 105-122.

CARRIERE J.-P., 2005, « Une réflexion sur la construction du polycentrisme en Europe : apport et limites du rapport Potentials for polycentric development in Europe », Territoires 2030, n° 1, DATAR, pp. 47-64.

CATIN M., 1997, « Disparités spatiales de productivité, accumulation de capital et économie d’agglomération », Revue Economique, vol. 48, n° 3, pp. 579-589.

CHARLOT S., LAFOURCADE M., 2000, « Infrastructures publiques, coûts de transport et croissance régionale », in BAUMONT C., COMBES P. P., DERYCKE P. H., JAYET H. (eds.), Economie géographique. Les théories à l’épreuve des faits, Bibliothèque de Science Régionale, Paris, Economica, pp. 143-177.

Commission Européenne, 1999, SDEC : Schéma de Développement de l’Espace Communautaire. Vers un développement spatial équilibré et durable du territoire de l’Union Européenne, Conseil informel des Ministres de l’aménagement du territoire, Posdam, mai.

DALL’ERBA S., 2005, « Distribution of Regional Income and Regional Funds in Europe 1989-1999 : an Exploratory Spatial Data Analysis », Annals of Regional Science, vol. 39, pp. 121-148.

DALL’ERBA S., LE GALLO J. (eds.), 2005, « Croissance, convergence et interactions spatiales », Région et Développement, n° 21, L’Harmattan.

DUPUCH S., JENNEQUIN H, MOUHOUD E. M., 2004, « Les incidences de l’élargissement de l’Union Européenne sur la géographie économique européenne : les tendances de la spécialisation », in CHAVANCE B. (dir.), 2004, Les incertitudes du grand élargissement. L’Europe centrale et balte dans l’intégration européenne, L’Harmattan, Collection « Pays de l’Est », Paris.

ERTUR C., KOCH W., 2005, « Une analyse exploratoire des disparités régionales dans l’Europe élargie », in DALL’ERBA S., LE GALLO J. (eds.), 2005, « Croissance, convergence et interactions spatiales », Région et Développement, n° 21, L’Harmattan, pp. 65-92.

ESPON, 2005, Potentials for polycentric development in Europe, Rapport 1.1.1, www.espon.lu/," target="_blank">http:// www.espon.lu/, Mars.

FLORAX R. J. G. M., REY S., 1995, « The Impacts of Misspenfied Spatial Interaction in Linear Regression Models », in ANSELIN L., FLORAX R. J. G. M. (eds), 1995, New Directions in Spatial Econometrics, pp. 111-135, Springer, Berlin.

FONTAGNE L., FOUQUIN M., GAULIER G., HERZOG C., ZIGNAGO S., 2004, L’insertion de l’industrie européenne dans la Division Internationale du Travail : situation et perspectives, Rapport pour la Direction Générale du Commerce, Commission européenne, CEPII-CIREM, Paris.

HELPMAN H., 1996, « The size of region », Working paper of the Foerder Institute for Economic Research, pp. 14-95, Université de Tel-Aviv, Conférence Universitaire de Suisse Occidentale, CEPR/CUSO, février.

ISARD W., 1975, « A Simple Rationale for Gravity Model Type Behavior », Papers of the Regional Science Association, n° 35, pp. 25-30.

JENNEQUIN H., 2001, « Le rôle de la mobilité du travail dans la localisation des activités : une revue critique de la littérature d’économie géographique », Working Paper, 01/2001, CEPN Université Paris Nord.

KRUGMAN P., 1991a, « Increasing Returns and Economic Geography », Journal of Political Economy, vol. 99, n° 3, pp. 483-499.

KRUGMAN P., 1991b, Geography and trade, The MIT Press, Cambridge, Mass.

KRUGMAN P., 1991c, « History versus Expectations », Quarterly Journal of Economics, n° 106, pp. 651-667.

KRUGMAN P., 1996, The Self-Organizing Economy, Blackwell Publishers Ldt, Cambridge, Mass.

KRUGMAN P., VENABLES A. J., 1995, « Globalization and the Inequalities of Nations », Quaterly Journal of Economics, n° 110, pp. 857-880.

KRUGMAN P., VENABLES A. J., 1996, « Integration, Specialization and Adjustment », European Economy Review, n° 43, pp. 959-967.

MARKUSEN J.-R., 1995, « The Bounderies of Multinational Enterprises and the Theory of International Trade », Journal of Economic Perspectives, vol. 9, n° 2, pp. 169-189.

MARTIN P., ROGERS C. A., 1995, « Industrial location and public infrastructure », Journal of International Economics, n° 39, pp. 335-351.

McCALLUM J., 1995, « National Borders Matter : Canadian-US Regional Trade Patterns », American Economic Review, vol. 85, n° 3, pp. 615-623.

Notes

[ *] Première version septembre 2007, version révisée décembre 2007.

[ 1] - Voir le site Internet : http://www.espon.lu/

[ 2] - Les justifications théoriques de ces choix sont développées dans VIROL (2005 et 2006).

[ 3] - La valeur standardisée de la statistique I de MORAN est égale à :

[ 4] - Local Indicators of Spatial Association.

[ 5] - A noter que « élevé » (resp. « faible ») signifie au-dessus (resp. en dessous) de la moyenne européenne.

[ 6] - Il s’agit d’une approche en termes de permutation conditionnelle dans le sens où la valeur yipour la localisation i est maintenue fixée pendant que les valeurs restantes sont permutées sur toutes les autres localisations de l’échantillon.

[ 7] - Pour cette analyse, seule la matrice composite midtp30 sera utilisée compte tenu de sa plus grande capacité à capter les interactions existant entre les régions.

Résumé

Alors que le processus d’intégration économique s’accentue en Europe, la dynamique d’intégration régionale des espaces nous paraît être un enjeu central. Des réflexions engagées, notamment à travers le SDEC, visent à promouvoir une politique volontariste d’aménagement polycentrique de l’espace européen. Il convient donc de s’interroger sur les dynamiques de structuration et d’intégration régionale de cet espace. Une utilisation originale de certains outils de l’économétrie spatiale ainsi qu’une attention particulière portée à l’amélioration de la modélisation des interactions entre régions permettent d’apprécier et de quantifier les processus en jeu. Dès lors, nous montrons qu’il existe un processus tridimensionnel d’intégration régionale de l’espace européen.

Mots-clés

PLAN DE L'ARTICLE

• - 1 - Introduction
• - 2 - Les outils d’analyse de la structure spatiale de l’espace européen
  • 2.1. Un approfondissement de la modélisation des interactions spatiales : les matrices de poids et les modèles de gravité.
  • 2.2. Le diagramme de MORAN
  • 2.3. Les indicateurs locaux d’association spatiale (LISA)
  • 2.4. Méthodologie : une utilisation simultanée des outils économétriques
• - 3 - Analyse du processus d’intégration régionale de l’espace européen
  • 3.1. Une tendance à la redistribution globale
  • 3.2. Un phénomène d’intégration au sein des périphéries
  • 3.3. Le développement polycentrique à la lumière de l’étude des cas atypiques
• - 4 - Conclusion

Stéphane VIROL « L'intégration régionale des espaces en Europe : un processus tridimensionnel », Revue d’Économie Régionale & Urbaine 5/2008 (décembre), p. 701-724.
URL : www.cairn.info/revue-d-economie-regionale-et-urbaine-2008-5-page-701.htm.
DOI : 10.3917/reru.085.0701.