Thèses

Université de Nice Sophia Antipolis
Institut Supérieur d’Economie et de Management

Université de Tunis
Institut Supérieur de Gestion
THESE DE DOCTORAT EN COTUTELLE

en vue de l’obtention du titre de docteur en
Sciences Economiques
Les déterminants de la dynamique de l’innovation :

une analyse de la complémentarité entre les compétences
technologiques et organisationnelles
HAJJEM ZAIER OLFA
Soutenue le 28 Octobre 2015, devant le jury composé de :
MAIRESSE JACQUES Professeur,Université de Maastricht Président

MOHNEN PIERRE Professeur, Université de Maastricht Rapporteur
M’HENNI HATEM Professeur, Université de Manouba Rapporteur
BEN YOUSSEF ADEL Maı̂tre de conférence,Université de Nice Membre
AYADI MOHAMED Professeur, Université de Tunis Directeur
GARROUSTE PIERRE Professeur, Université de Nice Directeur
2015-2016
Ecole doctorale Droit et Sciences Politiques, Economiques et de Gestion
Laboratoires : GREDEG et UAQUAP
DÉDICACE
A mes parents,
A mes soeurs et mon frère,
A mon mari,...
i
REMERCIEMENT
Je souhaite tout d’abord remercier mes directeurs Messieurs Mohamed Ayadi et

Pierre Garrouste pour la confiance qu’ils m’ont accordée, très tôt, et tout au long de
ce projet. Leurs qualités scientifiques et humaines et la clairvoyance de leurs conseils
m’ont été d’une aide précieuse.
Je remercie également Messieurs Jacques Mairesse, Hatem M’Henni, Pierre Moh-

nen et Adel Ben Youssef qui me font l’honneur de composer mon jury.
Je voudrais par ailleurs exprimer ma gratitude aux membres de GREDEG et

de l’UAQUAP, qui m’ont permis de poursuivre ma thèse dans un environnement
scientifique de qualité. Sans leur collaboration, je n’aurais pu mener à bien cet essai.
Qu’ils en soient tous remerciés.
Une mention particulière à mes collegues et amies de l’ISG pour leur aide pré-
cieuse et surtout leur soutien moral tout au long de ce travail.
Merci pour tous ceux qui, de près ou à distance, récemment ou depuis plus long-
temps, m’ont permis de garder les pieds sur terre. Mes parents et ma famille ont
suscité en moi une curiosité de la vie et une envie d’apprendre qui m’ont été indis-
ii
pensables tout au long de ce parcours. Leur encouragements sans faille jour après
jour m’ont été très précieux.
Enfin, mes tendres remerciements à mon mari pour sa patience et son assistance
morale malgrés la longue distance qui nous a séparé la plupart du temps.
iii
TABLE DES MATIÈRES
Liste des tableaux 5
Table des figures 6
1 Cadre d’analyse : Economie des connaissances et supermodularité

de l’innovation 17
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2 De la conception de la firme comme processeur d’information à la
conception de la firme comme processeur de connaissances . . . . . . 18
1.2.1 La conception de la firme comme processeur d’information . . 18
1.2.2 La conception de la firme comme processeur de connaissances 19
1.3 L’approche par les compétences et notion d’apprentissage organisa-
tionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.4 Les concepts de supermodularité et de complémentarité et leur apport
à l’étude des stratégies d’innovation . . . . . . . . . . . . . . . . . . . 24
1.4.1 Les notions de supermodularité et de complémentarité . . . . 24
1.4.2 La complémentarité des stratégies d’innovation . . . . . . . . 28
1.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2 L’innovation en France : Contexte, typologie et évolution des en-

quêtes sur l’innovation 31
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1
2.2 Les politiques Européenne et Française en matière d’innovation . . . . 32
2.2.1 Initiatives Européennes en recherche et innovation . . . . . . . 32
2.2.2 La recherche et l’innovation en France . . . . . . . . . . . . . 37
2.3 Définition et typologie des innovations . . . . . . . . . . . . . . . . . 39
2.4 Evolution des enquêtes et des études sur l’innovation . . . . . . . . . 43
2.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 La complémentarité entre les changements organisationnels, l’acti-

vité de R&D et la coopération technologique dans l’industrie fran-
çaise 46
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2 Les déterminants de l’innovation : une approche par les compétences 47
3.2.1 Effets des caractéristiques internes et externes de l’entreprise 48
3.2.2 Les coopérations inter-entreprises comme sources d’internali-
sation des compétences pour innover . . . . . . . . . . . . . . 48
3.2.3 Effet des activités de recherche et développement . . . . . . . 50
3.2.4 Les changements organisationnels et les systèmes de gestion
des connaissances . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.5 Complémentarité entre les compétences technologiques et les
changements organisationnels . . . . . . . . . . . . . . . . . . 53
3.3 Etude empirique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3.1 Construction des variables . . . . . . . . . . . . . . . . . . . . 55
3.3.2 Les déterminants de la probabilité d’innover pour les entre-
prises françaises . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.3.2.1 Rôle des caractéristiques internes et externes de l’en-
treprise . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.3.2.2 Rôle des pratiques technologiques et des changements
organisationnels . . . . . . . . . . . . . . . . . . . . 61
3.3.3 Etude de la complémentarité entre les pratiques organisation-
nelles et technologiques . . . . . . . . . . . . . . . . . . . . . 63
3.3.3.1 Conditions de complémentarité . . . . . . . . . . . . 63
3.3.3.2 Tests de complémentarité et résultats . . . . . . . . 65
2
3.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4 Effets des innovations technologiques et organisationnelles sur la

productivité : Une extension du modèle CDM 72
4.1 Revue de la littérature basée sur le modèle CDM . . . . . . . . . . . 75
4.1.1 Présentation du modèle CDM . . . . . . . . . . . . . . . . . . 75
4.1.2 Travaux basés sur le modèle CDM . . . . . . . . . . . . . . . . 76
4.2 Modèle économétrique . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.2.1 Donnés et méthodologie . . . . . . . . . . . . . . . . . . . . . 80
4.2.2 Étape I : Equations des inputs d’innovation . . . . . . . . . . 81
4.2.2.1 Equations . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2.2.2 Choix des variables . . . . . . . . . . . . . . . . . . . 82
4.2.2.3 Résultats des estimations . . . . . . . . . . . . . . . 85
4.2.2.4 Interprétaion des résultats . . . . . . . . . . . . . . . 87
4.2.3 Étape II : Equations des outputs d’innovation . . . . . . . . . 89
4.2.3.1 Equations et méthode d’estimation . . . . . . . . . . 89
4.2.3.2 Résultats d’estimation . . . . . . . . . . . . . . . . . 91
4.2.3.3 Interprétaion des résultats . . . . . . . . . . . . . . . 92
4.2.3.4 Interdépendance entre les différents types d’innovation 94
4.2.4 Étape III : Equation de la productivité . . . . . . . . . . . . . 96
4.2.4.1 Méthode et résultats d’estimation . . . . . . . . . . . 96
4.2.4.2 Interprétation des résultats . . . . . . . . . . . . . . 98
4.3 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5 L’aspect dynamique de l’activité d’innovation 102

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.2 Revue de la littérature . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.2.1 Arguments économiques de la persistance d’innovation . . . . 104
5.2.1.1 Le succès engendre le succès . . . . . . . . . . . . . . 104
5.2.1.2 L’accumulation des connaissances dans le temps . . . 105
5.2.1.3 Les coûts irrécupérables . . . . . . . . . . . . . . . . 105
5.2.2 Littérature empirique sur la persistance de l’innovation . . . . 107
3
5.3 Etude de la persistance de l’activité d’innovation des entreprises fran-
çaises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.3.1 Données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.3.1.1 Répartition sectorielle des trois vagues de CIS . . . 111
5.3.1.2 Evolution des inputs et des outputs d’innovation pour
les trois vagues de CIS . . . . . . . . . . . . . . . . . 113
5.3.2 Modèle économétrique . . . . . . . . . . . . . . . . . . . . . . 117
5.3.2.1 Dynamique des inputs d’innovation . . . . . . . . . 118
5.3.2.2 Dynamique des outputs d’innovation . . . . . . . . . 128
5.3.2.3 Equation de la productivité . . . . . . . . . . . . . . 135
5.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Bibliographie 153
A Annexes du chapitre 3 167

A.1 Estimation des modèles probit à variables instrumentales en deux étapes167
A.2 Estimation des modèles probit simples . . . . . . . . . . . . . . . . . 168
A.3 Tests de complémentarité . . . . . . . . . . . . . . . . . . . . . . . . 169
B Annexes du chapitre 4 174

B.1 Estimation des équations des inputs d’innovation . . . . . . . . . . . 174
B.2 Estimation des équations des outputs d’innovation . . . . . . . . . . . 179
B.3 Estimation de chaque combinaison possible d’innovation . . . . . . . 181
B.4 Estimation de la productivité . . . . . . . . . . . . . . . . . . . . . . 191
C Annexes du chapitre 5 192

C.1 Estimation des équations de R&D interne . . . . . . . . . . . . . . . 192
C.2 Estimation des équations de R&D externe . . . . . . . . . . . . . . . 196
C.3 Estimation des équations d’achat de machines et logiciels . . . . . . . 199
C.4 Estimation des modèles statiques et dynamiques d’innovation . . . . . 203
C.5 Estimation des équations de la productivité . . . . . . . . . . . . . . 216
4
LISTE DES TABLEAUX
3.1 Estimation des modèles probit à variables instrumentales en deux étapes 58

3.2 Estimation des modèles Probit simples . . . . . . . . . . . . . . . . . 59
3.3 Tests de complémentarité entre activité de R&D, partenariat techno-
logique et changements organisationnels . . . . . . . . . . . . . . . . 67
4.1 Liste non exhaustive des travaux sur le rendement de l’innovation . . 77

4.2 Estimation des équations des inputs de l’innovation . . . . . . . . . . 86
4.3 Estimation des outputs d’innovation . . . . . . . . . . . . . . . . . . 92
4.4 Estimation de chaque combinaison possible d’innovations . . . . . . . 95
4.5 Estimation de la productivité . . . . . . . . . . . . . . . . . . . . . . 97
5.1 Liste non exhaustive des travaux sur la persistance de l’innovation . . 108
5.2 Probabilité de transition des inputs d’innovation . . . . . . . . . . . . 115
5.3 Probabilité de transition des outputs d’innovation . . . . . . . . . . . 116
5.4 Estimation des équations de R&D interne . . . . . . . . . . . . . . . 123
5.5 Estimation des équations de R&D externe . . . . . . . . . . . . . . . 125
5.6 Estimation des équations d’achat de machines et logiciels . . . . . . . 127
5.7 Estimation des équations de l’innovation produit et l’innovation procédé130
5.8 Estimation des équations de l’innovation en organisation et l’innova-
tion en marketing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
5.9 Estimation de l’équation de productivité . . . . . . . . . . . . . . . . 137
5
TABLE DES FIGURES
2.1 Performance d’innovation . . . . . . . . . . . . . . . . . . . . . . . . 35

2.2 Performance d’innovation des Etats de l’UE . . . . . . . . . . . . . . 36
2.3 Comparaison des performances d’innovation . . . . . . . . . . . . . . 38
4.1 Modèle CDM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.1 couverture sectorielle . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

5.2 Intensité technologique . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.3 Activités d’innovation . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.4 Pourcentage des 4 types d’innovation . . . . . . . . . . . . . . . . . . 114
6
INTRODUCTION GÉNÉRALE
Un intérêt ascendant est attribué à la question de l’innovation considérée comme

un déterminant de la compétitivité et de la flexibilité des entreprises dans le contexte
actuel de mondialisation des échanges. Dés lors, le renforcement de la recherche et
des compétences pour innover est devenu de plus en plus au cœur des politiques stra-
tégiques gouvernementales. En effet, les critères tels que l’investissement en R&D,

en mobilisation du capital humain ou en gestion des connaissances sont devenus des
indicateurs de croissance et de développement des pays.
Pour cette raison, le conseil européen de Lisbonne tenu en Mars 2000 projetait de
faire de l’UE ”l’économie de la connaissance la plus compétitive et la plus dynamique
du monde”. Le conseil européen de Barcelone tenu en Mars 2002 fixait l’objectif d’at-
teindre un niveau de dépenses en recherche et développement (R&D) représentant
plus de 3% du PIB d’ici 2020. L’identification des conditions de réussite d’une telle
stratégie devient alors une nécessité et appelle une réflexion approfondie pour com-
prendre le mécanisme de création et de diffusion des compétences pour innover.
Vue son importance et afin de proposer des politiques d’innovation plus perti-
nentes, cette question a fait l’objet de plusieurs travaux de recherche. Ces études
7
ont intégré un ensemble de déterminants de l’activité d’innovation ayant trait aux
caractéristiques de l’entreprise (vision schumpetérienne), notamment sa taille, son
niveau d’exportation, son investissement en R&D et son utilisation des technologies

avancées ; ou de son environnement (Crépon, Duguet et Mairesse, 2000), notamment
l’intensité de la compétition et le contexte régional. La majorité de ces travaux se sont
focalisés sur l’innovation technologique en produit étant donné que c’est le seul type
d’innovation pouvant être évalué d’une manière précise et accessible par des données
quantitatives (nombre de brevets, part des produits nouveaux dans le chiffre d’af-
faire).
Cependant, nous assistons à un changement des données disponibles avec l’appa-
rition de nouvelles enquêtes communautaires sur l’innovation (CIS) qui ont introduit
d’autres inputs (investissement en TIC) et outputs (innovation organisationnelle et
de marketing) de l’innovation. Ainsi, des études récentes ont montré l’importance de
l’effet des pratiques organisationnelles et de la gestion des connaissances (knowledge
management) sur la réussite de l’innovation. Certains d’entre eux ont mis l’accent
sur la nécessité que les innovations technologiques, pour être efficaces, soient accom-
pagnées de changements organisationnels liés à une bonne gestion des connaissances
(Brynjfolsson et Hitt, 2000 ; Bresnahan et al., 2002 ; Greenan et Mairesse, 2004 ; Ga-
lia et Legros, 2005 ; Mohnen et Roller, 2005).
Toutefois, très peu de travaux empiriques ont été réalisés pour déterminer l’effet
de l’adoption des nouvelles pratiques organisationnelles sur le renforcement de la ca-
pacité innovatrice des entreprises. Notre étude s’inscrit dans ce champ de recherche
en s’interrogeant plus précisément sur les déterminants de la dynamique d’innovation
tout en mettant en relief l’importance de l’impact des changements organisationnels
sur la gestion des connaissances et l’acquisition et le développement des compétences
8
pour innover. Cette question reste en effet très peu abordée par la littérature malgré
l’abondance des travaux sur le rendement des innovations technologiques.
La plupart des travaux empiriques qui ont analysé l’activité de l’innovation (Mai-
resse et Mohnen, 2003 ; Galia et Legros, 2005 ; Robin et Mairesse, 2008) ont appliqué
ou bien fait quelques extensions du modèle de Crépon, Duguet et Mairesse (1998)
connu par CDM. Selon ce modèle, les attributs internes (taille, secteur d’activité) et
externes (impulsion du marché et dynamique de la technologie) de la firme déter-
minent son activité de R&D. Cette dernière stimule le développement du capital de
connaissances technologiques qui détermine l’intensité d’innovation et par là la pro-
ductivité de la firme. Pour notre étude, on s’intéresse à la modélisation des détermi-
nants de la dynamique d’innovation. Nous souhaitons mettre l’accent sur la nécessité

de prendre en considération la complémentarité entre les compétences technologiques
et l’architecture organisationnelle lors de l’étude de l’activité d’innovation en plus des
déterminants liés aux caractéristiques de l’entreprise ou celles de son environnement.
Dans notre étude, nous proposons une extension du modèle CDM consistant
d’abord à considérer les investissements en R&D externe et en achat de machines et
logiciels (M&L) en plus des investissements classiques en R&D interne comme input
d’innovation, puis à introduire les innovations organisationnelles (changement dans

les stratégies managériales, l’organisation du travail ou les relations extérieurs) et
de marketing (changement dans la conception du produit, l’emballage, le placement
ou la politique de prix) comme outputs complémentaires aux innovations technolo-
giques en produit (innovation ou amélioration significative de biens et services) et en

procédé (changement dans les méthodes de production ou de distribution).
Cependant, ce modèle statique de l’activité d’innovation ne permet pas de prendre
9
en considération l’importance du facteur temporel pour l’acquisition et l’accumula-
tion des compétences technologiques et organisationnelles pour innover et pour le
lancement effectif des entreprises dans une activité d’innovation qui soit rentable. En
effet, il y a un décalage entre d’une part l’investissement en R&D, la coopération
inter-firmes et la mise en œuvre des changements organisationnels et d’autre part
l’acquisition et la diffusion des compétences pour innover. En outre, les innovations
passées génèrent des profits et des compétences qui peuvent stimuler le lancement
des activités d’innovation courantes (Griffith et Harvey, 2001 ; Duguet and Monjon,
2002). Dès lors, nous proposons de mettre l’accent sur l’aspect dynamique de l’ac-
tivité d’innovation (Griffith et Harvey, 2001 ; Peri, 2005) et ce à travers la prise en
considération de la composante temporelle par l’introduction de variables endogènes
et exogènes retardées mesurant les inputs et les outputs d’innovation antérieurs.
Ce travail de thèse a donc pour finalité de procurer grâce à une étude économé-
trique sur des données d’entreprises françaises les éléments de réponse aux questions
fondamentales suivantes :
Quel est le rôle joué par l’adoption des innovations organisationnelles et plus pré-
cisément des pratiques de management des connaissances sur l’innovation en produit
et en procédé ? Y a-t-il une complémentarité entre l’impact des compétences organi-

sationnelles et des compétences technologiques en matière de création des connais-
sances et de stimulation de l’innovation ? Comment mesurer le rendement des dif-
férents types d’innovation tout en tenant compte de leur interdépendance ? Dans
quelle mesure les compétences pour innover s’accumulent avec le temps et comment
expliquer la dynamique de l’innovation ?
Pour répondre à ces questions de recherche, nous avons organisé notre travail de
10
la manière suivante :
Dans un premier chapitre, nous développons notre cadre d’analyse théorique

traitant de l’économie des connaissances et de la supermodularité de l’innovation.
A fin de trouver un cadre d’analyse adéquat, nous partons de l’analyse de la
conception de la firme comme processeur d’information prenant comme cadre la théo-

rie des coûts de transaction, la théorie de l’agence et la théorie conventionnaliste, à
laquelle nous associons une approche de la firme comme processeur de connaissances
(Cohendet et Llerena, 1999). Dans cette perspective, nous étudions l’apport de la
théorie évolutionniste et des approches de la gestion stratégique de la firme basée sur
les connaissances notamment l’approche des ressources et l’approche stratégique par

les compétences, à l’étude de l’apprentissage organisationnel. Le reste du chapitre
est dédié à la présentation des concepts de complémentarité et de supermodularité,
traditionnellement utilisés en mathématiques et en optimisation combinatoire et la
démonstration de leur apport à l’étude de l’interdépendance des stratégies d’innova-

tion technologiques et non technologiques.
En effet, le travail pionnier en économie de Milgrom et Roberts (1990,1995) leur a
permis de montrer qu’en présence de complémentarité l’adoption d’une stratégie sera

plus rentable si les autres pratiques sont adoptées simultanément. Selon ces écono-
mistes, une fonction est dite supermodulaire dans le cas où la somme des changements
dans la fonction quand quelques éléments augmentent séparément est inférieure au
changement résultant d’une augmentation des éléments conjointement. Ainsi, il se-

rait plus rentable dans ce cas de procéder à un changement radical pour modifier
toutes les stratégies complémentaires simultanément. Dans le cadre de ce travail,
nous exploitons ces conditions de complémentarité pour l’étude de la sensibilité de
11
la fonction d’innovation et pour montrer la complémentarité entre les innovations
technologiques et non technologiques.
Tout au long de ce chapitre nous présentons un panorama des études théoriques

et empiriques faites sur les déterminants des compétences technologiques et organi-
sationnelles et de l’activité d’innovation. Dans cette revue de littérature, on met en
évidence la richesse de cet axe de recherche malgré la rareté des travaux empiriques
s’interrogeant sur le rôle de l’adoption des nouvelles pratiques organisationnelles sur
la création et la diffusion des connaissances. A la lumière de ces études, nous posons
nos hypothèses de recherche sur les déterminants de l’activité d’innovation.
Après avoir fait un survol sur la littérature économique des capacités cognitives,
nous présentons le contexte de la recherche et de l’innovation en Europe et plus
particulièrement en France (étant donné que nous travaillerons sur des données d’en-
treprises françaises) ainsi que les différentes façades de l’innovation dans le deuxième
chapitre.
Notre deuxième Chapitre jette une lumière sur l’innovation en France et décrit
son contexte, sa typologie ainsi que l’évolution des enquêtes sur l’innovation.
Dans ce chapitre, nous positionnons l’Union Européenne en matière de recherche

et d’innovation par rapport à ses concurrents leaders mondiaux en innovation no-
tamment les Etat Unis, le Japon et la Coré de Sud. Nous présentons également les
différentes mesures prises par l’Union Européenne pour réduire cet écart et qui se
sont répercutées directement sur les initiatives de recherche et d’innovation de chaque
pays membre et notamment de la France. Notre étude comparative descriptive sera
basée sur les indicateurs d’innovation synthétiques disponibles dans les rapports et
12
les tableaux de bord annuels de l’Union Européenne.
Le reste du chapitre est dédié à la présentation des différents aspects de l’innova-

tion proposés dans la littérature et de l’évolution des données disponibles à son sujet
en France (les enquêtes communautaires sur l’innovation).
Tous ces concepts et avancés théoriques appellent une validation empirique qui
fera l’objet des chapitres suivants et qui nous permettra de tester nos hypothèses de
recherche et de répondre à notre problématique.
Dans notre troisième Chapitre nous étudions les déterminants de l’activité
d’innovation et considérons les changements organisationnels comme facteurs com-

plémentaires aux activités de R&D et de coopération technologique.
Ce chapitre est consacré à l’analyse des déterminants de l’activité d’innovation
des entreprises françaises tout en mettant en exergue l’importance et la complémen-

tarité de l’impact des compétences organisationnelles et technologiques. Nous exploi-
tons les données de l’enquête communautaire française sur l’innovation de 2006 pour
l’application empirique. Nous commençons par l’utilisation des modèles Probit pour
expliquer les déterminants de la décision d’innover en produit et en procédé et éva-

luer leurs effets marginaux. Ensuite, pour affirmer l’existence d’éventuelles relations
d’interdépendance et de complémentarité entre les pratiques technologiques (activité
de R&D et partenariat technologique) et organisationnelles (de management des
connaissances), nous testons les conditions de complémentarité de chaque couple de

stratégies telles que définies par Topkis (1978) et Milgrom & Roberts (1990, 1995).
Notre étude des effets marginaux des trois stratégies sur la probabilité d’innover nous
permettra de montrer que ces stratégies sont inter-reliées et qu’elles ont des effets
13
complémentaires qui appellent leur adoption simultanée plutôt que leur adoption
isolée.
En tenant compte de ces relations de complémentarité entre les compétences tech-

nologiques et organisationnelles pour innover, montrées dans le troisième chapitre,
nous proposons un modèle pour mesurer l’effet des innovations technologiques et or-
ganisationnelles sur la productivité dans le quatrième chapitre.
Dans notre quatrième Chapitre nous effectuons une extension du modèle de

Crépon, Duguet et Mairesse (1998, 2000) considéré comme le modèle de référence
de la majorité des travaux empiriques récents sur l’innovation. Notre apport consiste
d’abord à introduire les investissements en R&D externe et en machines et logiciels

en plus des investissements classiques en R&D interne comme input d’innovation,
puis à introduire les innovations organisationnelles et de marketing comme outputs
complémentaires aux innovations technologiques en produit et en procédé.
Le modèle que nous utiliserons est composé de trois blocs d’équations structu-
relles. Le premier bloc est consacré à l’input de l’innovation. Il considère trois types
d’investissements : en R&D interne, en R&D externe et en machines & logiciels. La
fonction d’investissement est estimée par un modèle Tobit généralisé type II composé
de deux équations (la première analyse les déterminants de la décision d’investir et
la deuxième analyse ceux du montant d’investissement) tout en corrigeant le pro-
blème de biais de sélection. Les valeurs prédites des investissements seront par la
suite introduites dans le deuxième bloc relatif à l’output de l’innovation qui permet-
tra d’approximer les probabilités d’innover en produit, en procédé, en organisation
et en marketing par un modèle Probit multivarié.
14
Ce deuxième modèle sera estimé par la méthode de maximum de vraisemblance
simulé en utilisant le simulateur GHK (Train, 2003). Les probabilités prédites de
chaque type d’innovation seront par la suite introduites dans le troisième bloc com-
posé de l’équation linéaire de productivité mesurée par le rapport du chiffre d’affaire
par le nombre d’employés.
Enfin, pour tenir compte du processus d’accumulation des compétences, nous

avons consacré le cinquième chapitre à l’étude de l’aspect dynamique de l’activité
d’innovation.
Nous allons nous baser sur un panel de données non cylindrés de trois vagues de
CIS françaises (1998-2000 ; 2002-2004 ; 2004-2006) pour étudier la persistance de la

relation dynamique entre R&D-innovation-productivité. Notre apport pour ce cha-
pitre consiste à examiner l’effet des activités de R&D et d’innovations passées sur les
activités de R&D et d’innovations présentes et à voir si les innovations proviennent
des mêmes entreprises (”success breeds success”) ou s’il y a un phénomène de des-

truction créatrice. Ce modèle dynamique permettra aussi de déterminer la durée de
l’effet des différents types d’innovation sur la productivité.
Pour répondre à cette problématique, nous utiliserons la même structure à trois

étapes du modèle CDM utilisée dans le chapitre précédent à laquelle nous ajouterons
des variables endogènes et exogènes retardées. Ces nouvelles variables nous permet-
trons d’étudier l’effet des inputs et des outputs d’innovation antérieurs sur l’activité
d’innovation actuelle et sur la productivité. Pour estimer les équations des inputs
d’innovation, nous utiliserons un modèle Tobit type II dynamique tenant compte de
l’hétérogénéité inobservée, du problème de la condition initiale (par la méthode de
Wooldridge, 2005) et du problème de sélection (par la méthode de Heckman, 1979).
15
Les équations des outputs d’innovation seront estimées par des modèles Probit dy-
namiques tenant compte de la même manière de l’hétérogénéité inobservée.
A l’issue de ce travail de thèse, notre ambition est alors d’apporter un éclairage

plus précis sur l’activité d’innovation en étudiant, non seulement l’effet des détermi-
nants classiques liés aux caractéristiques internes et externes des entreprises, mais
aussi en intégrants les nouveaux inputs (R&D externe et NTIC) et outputs (innova-
tion organisationnelle et en marketing) de l’innovation. Nous souhaitons, en outre,
proposer des politiques d’innovation tenant compte de la complémentarité entre les
compétences technologiques et organisationnelles pour innover d’une part et du pro-
cessus d’accumulation de ces compétences dans le temps d’autre part.
16
CHAPITRE 1
CADRE D’ANALYSE : ECONOMIE DES
CONNAISSANCES ET SUPERMODULARITÉ DE
L’INNOVATION
1.1 Introduction
Des avancées importantes ont été réalisées par les théories économiques pour la
compréhension des mécanismes de l’innovation. Ces études ont montré d’une part,
que l’innovation doit être envisagée en tant que processus dynamique plutôt que
d’être considérée comme un changement à un instant précis, celui de la mise sur le
marché d’un produit nouveau. D’autre part, l’innovation ne peut être portée par un
individu isolé, l’entrepreneur schumpetérien, mais doit être vue comme le résultat
d’un travail collectif favorisant l’implication de tous les partenaires internes et ex-
ternes de l’entreprise.
L’objectif de ce chapitre est de proposer un cadre d’analyse adéquat pour l’étude
des déterminants de l’activité d’innovation de la firme. Pour cela, nous étudions

d’abord l’évolution de la conception de la firme comme processeur d’information
vers la conception de la firme comme processeur de connaissances. Ensuite, nous
présentons les notions de routines et d’apprentissage organisationnel selon l’approche
17
par les compétences. Enfin, nous exploitons les théories de complémentarités et de
supermodularité traditionnelemt utilsées en mathématiques et en optimisation com-
binatoire et montrons leur apport pour mieux comprendre les stratégies d’innovation
et pour étudier la complémentarité entre les innovations technologiques et non tech-
nologiques.
1.2 De la conception de la firme comme proces-
seur d’information à la conception de la firme
comme processeur de connaissances
Les théories de la firme n’abordent pas de la même manière les questions des ca-
pacités cognitives et celles du processus d’apprentissage (Fransman, 1994, Cohendet
et Llerena 1999). Cette diversification de conceptions refère à des visions différentes
de la raison d’existence de la firme, du contexte d’analyse, des hypothèses, etc. . .
1.2.1 La conception de la firme comme processeur d’infor-
mation
L’approche basée sur l’information est représentée essentiellement par les théories
contractuelles de la firme telle que la théorie des coûts de transaction (Coase, 1937 ;
Williamson, 1985, 1991), la théorie de l’agence (Jensen et Meckling, 1976) et la théo-
rie conventionnaliste (Orléan, 1991), Gomez (1994,1996)). Ces courants remettent en

cause la primauté des mécanismes de prix comme instrument unique de coordination
en présence de l’asymétrie informationnelle et du comportement opportuniste des
agents. Ils mettent en exergue le rôle institutionnel de la firme pour remédier à ces
problèmes via les mécanismes d’incitation.
18
Ainsi, le centre d’analyse de cette approche est l’échange de l’information. La
prise en compte des contraintes cognitives des agents est matérialisée par le principe
de leur rationalité limitée. Mais, l’introduction de ces dimensions cognitives est très
réduite et les processus d’apprentissage ne sont pas au centre de l’analyse (Cohendet
& Llerena, 1999). En effet, selon cette vision, les connaissances et les capacités cog-
nitives sont figées et totalement déterminées par les flux informationnels. Autrement
dit, un même flux d’informations génère exactement le même flux de connaissances
chez tous les individus. Les compétences de la firme sont donc statiques et n’évoluent
pas dans le temps.
On assiste à une remise en cause de cette vision statique de la firme et des

connaissances car la firme évolue dans un environnement de plus en plus dynamique
et l’interprétation d’une même information diffère d’un agent à l’autre surtout si
elle est tacite. En outre, la résolution des problèmes informationnels ne peut aboutir
sans un effort interne de rationalisation de l’organisation. D’où la nécessité de la

prise en compte de la notion de connaissance comme un concept aussi important que
l’information.
1.2.2 La conception de la firme comme processeur de connais-
sances
Les approches de la firme fondées sur les connaissances appartiennent à deux prin-
cipaux courants (Amesse, Avadikyan et Cohendet, 2006) : les approches de gestion

stratégique (englobant la théorie fondée sur les ressources et la théorie des compé-
tences de base) et l’approche évolutionniste. Cette nouvelle conception de la firme
considère les compétences et le processus de création et de diffusion des connais-
sances comme centre d’analyse. Elle est focalisée sur les caractéristiques internes de
19
l’organisation [Nelson et Winter (1982), Teece (1988) et Prahalad et Hamel (1990)] et
accorde une attention particulière aux compétences-clés (Penrose, 1959) de la firme,
à ses aptitudes à faire des innovations en produits et en processus et à entrer sur

de nouveaux marchés. Il s’agit d’une vision dynamique de la firme selon laquelle les
capacités cognitives évoluent dans le temps. Elle suppose que les compétences des
organisations et des individus à traiter les connaissances sont limitées.
A cet égard, les évolutionnistes utilisent la notion de routines pour montrer que
les activités de la firme à un moment donné résultent de ses activités antérieures et
qu’elle s’adapte aux mutations et à la complexité de son environnement grâce à ses
compétences et ses capacités d’apprentissage. En effet, cette approche envisage les
processus organisationnels comme un ensemble de routines (Nelson & Winter, 1982)

constituant une forme de mémoire organisationnelle. Selon ces auteurs les “organi-
sations se souviennent en agissant” et les routines “constituent la plus importante
forme de stockage des connaissances spécifiques opérationnelles des organisations”.
La survie et le maintien du bon fonctionnement de l’organisation dépendent donc

des séquences apprises d’actions configurées impliquant des acteurs multiples liés par
des relations de communication et/ou d’autorité (Grant, 1991). Deux conséquences
résultent de cette constatation : premièrement la firme évolue selon un “itinéraire

contraint” (’path dependency’ (Dosi et al. 1994)) étant donné que les routines d’au-
jourd’hui déterminent les actions de demain. Deuxièmement, en cas de changement
de l’environnement, la survie de la firme dépend de sa flexibilité et de sa capacité à
modifier et innover ses routines : c’est le rôle des routines particulières que Nelson
et Winter (1982) appellent activités de recherche. Les compétences de l’organisa-
tion (les routines) ne sont donc pas figées, mais elles résultent d’un apprentissage et
d’un développement au cours du temps, et le changement organisationnel permet la
20
substitution d’une ou plusieurs routines par une autre afin de retrouver la situation
d’équilibre.
1.3 L’approche par les compétences et notion d’ap-
prentissage organisationnel
Contrairement au schéma des forces concurrentielles de Porter (1980), la théorie

de la firme basée sur les compétences est focalisée sur les caractéristiques internes
des firmes. Les contributions à cette approche (Nelson et Winter, 1982 et Wernerfelt,
1984, Teece, 1988 et Prahalad et Hamel, 1990) ont été développées en parallèle avec
la littérature relative aux coopérations inter-firmes. En effet, Il y a des convergences

entre la théorie basée sur les compétences et les analyses de la coopération (Hamel,
1991, Mothe et Quelin, 1997).
Une attention particulière est accordée par ces études aux compétences internes
à la firme, à ses aptitudes à faire des innovations en produits et en processus et à
entrer sur de nouveaux marchés. Les compétences-clés distinguent une firme d’une
autre et sont la source de l’avantage concurrentiel (Barney, 1991 ; Leonard-Barton,
1992 ; Amit et Schoemaker, 1993). Ces compétences-clés sont difficiles à imiter par
les concurrents parce qu’elles sont spécifiques, tacites, intangibles, accumulées dans
le temps, durables et rares.
Cependant, le processus de création et de développement des nouvelles compé-
tences n’a pas encore été analysé de manière assez approfondie par la théorie basée
sur les compétences.
Les compétences ou les routines organisationnelles englobent l’ensemble des connais-
21
sances opérationnelles engendrées par l’apprentissage. Ces compétences reflètent la
capacité de l’entreprise à déployer les ressources pour atteindre un objectif voulu,
habituellement sous forme de combinaison faisant appel à des processus organisa-

tionnels, ou pour reprendre la définition de Grant (1991) : « La compétence organi-
sationnelle est essentiellement une intégration de savoirs spécialisés afin de réaliser
une tâche productive discrète. ».
La distinction entre compétences technologiques et compétences organisation-

nelles est très utile (Dosi & Teece, 1998, Coriat & Weinstein, 2002). Les compé-
tences technologiques regroupent les connaissances scientifiques et technologiques à
des questions sur “ la structure de la nature” et des routines indiquant “comment la
manipuler ”. Cependant, les compétences organisationnelles sont les connaissances et
les routines relatives à la gestion de la coordination et des interactions sociales in-

ternes et avec les partenaires externes de l’organisation (clients, fournisseurs, etc. . .),
c.-à-d “Comment manipuler des personnes”.
On peut alors définir l’apprentissage comme le processus par lequel la répétition

et l’expérimentation améliorent la réalisation rapide et efficace des tâches. La per-
ception traditionnelle de l’apprentissage le considère comme un résultat issu de la
scolarisation et rarement comme processus diffus, dynamique et multiforme. De plus,
il est analysé uniquement comme levier d’amélioration de la productivité et de mini-

misation des charges salariales (Malerba 1992 ; Freeman 1994 ; Edquist et al 1997).
De plus en plus de recherches tentent de montrer que l’apprentissage est désormais
un processus dynamique, multiforme et très exigeant en coordination et en interac-
tion sociale [Lundvall 1997 ; Lundvall et Johnson 1994 ; Cohen 1995 ; Lamari et al.,
2001 ; Galia et Legros, 2005].
Ces travaux ont mentionné plusieurs stratégies d’apprentissage dont les plus ana-
22
lysées sont celles qui ont trait à l’apprentissage par la recherche (learning by sear-
ching), à l’apprentissage par la pratique (learning by doing), à l’apprentissage par
l’utilisation des technologies de pointe (learning by using), à l’apprentissage par l’in-

teraction (learning by interacting), à l’apprentissage par les externalités industrielles
(learning from industry spillovers) et à l’apprentissage par les externalités régionales
(learning region).
Ainsi, si l’existence de la firme réside dans sa capacité à surmonter les limites de la

rationalité de ses membres (Dosi & al, 1994), son mécanisme principal est alors l’inté-
gration des savoirs fragmentés des individus. Cette intégration conduit à concevoir la
firme comme un ensemble de compétences organisées en une structure (Quélin, 1996)
ou une architecture (Grant, 1991). Quélin distingue trois niveaux d’intégration : un

niveau élémentaire, qui comprend les compétences directement liées aux activités
opérationnelles de la firme (ex : savoir-faire de production), un niveau intermédiaire
où les compétences spécialisées sont agrégées dans des compétences fonctionnelles
(ex : marketing) et un niveau supérieur, où résident les compétences impliquant une
large intégration intra- ou inter- fonctionnelle (ex : gestion de la qualité, service
client) et les compétences générales qui influencent la totalité de l’organisation (ex :
processus de coordination, de décision).
Ainsi, la création et la diffusion des connaissances nécessitent des modalités de

coordination qui renvoient aux capacités de leur acquisition et leur utilisation. D’oú
l’utilité d’étudier les relations de complémentarité entre les compétences technolo-
giques et organisationnelles des entreprises.
23
1.4 Les concepts de supermodularité et de com-
plémentarité et leur apport à l’étude des stra-
tégies d’innovation
Les travaux précurseurs en supermodularité et en complémentarité stratégique

trouvent leurs origines en mathématique appliquée et en recherche opérationnelle.
Leur application et les résultats qui leur sont attachés restent désormais relativement
récents pour l’étude des phénomènes économiques et notamment pour l’étude de
l’activité d’innovation.
1.4.1 Les notions de supermodularité et de complémentarité
La théorie de base était développée par Topkis (1968, 1978) puis appliquée à
l’économie par Vives (1985,1990) et Milgrom et Roberts (1990, 1995).

Le travail précurseur de Topkis a pour objectif d’étudier la maximisation d’une
“fonction supermodulaire” ainsi que ses implications en termes de “ statique compa-
rative monotone ”. Cette fonction est définie sur un ensemble appelé “ treillis ”.
Définition 1 : Un treillis est un ensemble partiellement ordonné, où pour deux

éléments quelconques a et b, les valeurs inf(a, b) et sup(a, b) sont des éléments de
cet ensemble.
Le cadre d’analyse approprié pour traiter la complémentarité des situations stra-
tégiques est la théorie des statiques comparatives monotones et des jeux supermo-
dulaires (Vives, 2005). Ainsi, le centre d’analyse de cette approche consiste à étudier
les conditions sous lesquelles les solutions optimales des problèmes d’optimisation
changent d’une façon monotone avec les paramètres. Elle se base sur les jeux de
complémentarité stratégique où l’utilité marginale que retire chaque joueur de sa
propre stratégie croı̂t avec le niveau des stratégies adoptées par les autres joueurs.
24
Deux ou plusieurs variables sont appelées complémentaire à la Edgeworth si une
valeur supérieure de n’importe quelle variable augmente les rendements marginaux
engendrés par l’augmentation des valeurs des autres variables. Autrement dit : l’effet
marginale d’une action ou d’une variable augmente avec le niveau d’une autre action
ou variable (Vives, 2005).
En language mathématique, deux éléments sont complémentaires dans la fonc-
tion objectif si et seulement si ils satisfont aux restrictions de supermodularité (une

augmentation conjointe des deux valeurs à la fois a un rendement plus important
que leur augmentation séparée).
Dans le cas où les variables sont continues, leur relation de complémentarité est
définie comme suit (Baumol et al, 1982) :
Définition 2 :(Cas de variables continues)

Deux stratégies xi et xj sont considérées comme complémentaires à la fonction f
si et seulement si :
∂ 2 f /∂xi ∂xj ≥ 0 (1)
pour toutes les valeurs de (x1 , ..., xn ) avec une inégalité stricte pour au moins une
valeur.
Deux stratégies xi et xj sont considérées comme substituables à la fonction f si
et seulement si :
∂ 2 f /∂xi ∂xj ≤ 0 (2)
25
pour toutes les valeurs de (x1 , ..., xn ) avec une inégalité stricte pour au moins une
valeur.
Preuve : Les différences croissantes impliquent que pour tout b > a, F (., b)−F (., a)
est une fonction croissante.
Dans le cas des variables discrètes (les variables dichotomiques indiquant si la

stratégie est utilisée ou non est un cas particulier des variables discrètes), la complé-
mentarité est définie de la manière suivante :
Définition 3 (Cas de variables discrètes) Deux stratégies x1 et x2 sont considérés
comme complémentaires à la fonction f si et seulement si :
f (x1 + 1, x2 + 1, ..., xn ) − f (x1 , x2 + 1, ..., xn ) ≥ f (x1 + 1, x2 , ..., xn ) − f (x1 , x2 , ..., xn )

(3)
Pour toutes les valeurs de (x1 , ..., xn ) avec une inégalité stricte pour au moins une
valeur.
Dans le cas où toutes les combinaisons bilatérales des pratiques satisfont les
conditions de complémentarité, la fonction objectif est appelée strictement super-
modulaire.
Définition 4 : Soit une fonction objectif f à valeurs réelles définit sur un treillis
X, f est dite supermodulaire et ses arguments sont complémentaires si et seulement
si pour tout x, y dans X,
f (x) − f (x ∩ y) ≤ f (x ∪ y) − f (y) (4)
Cette définition implique qu’une fontion est supermodulaire dans le cas où la somme
26
des changements dans la fonction quand quelques éléments augmentent séparament
est inférieure au changement résultant d’une augmentation des éléments conjointe-
ment (Milgrom et Roberts, 1990). Pour l’étude des fonctions de productivité, cela
implique que l’augmentation d’un ou de plusieurs inputs renforce le rendement mar-
ginal d’autres variables.
Cette relation doit être vérifiée pour chaque couple de stratégies ou de variables.
En effet, la supermodularité d’une fonction à n variables revient à vérifier que la fonc-
tion présente des différences croissantes ou qu’elle est supermodulaire pour chaque
paire de variables (Amir, 2005). Cette condition revient à vérifier la complémenta-
rité pour toutes les combinaisons possibles de stratégies indépendament des autres
stratégies ou variables.
Ainsi, il serait plus rentable dans ce cas de procéder à un changement radical

pour modifier toutes les stratégies complémentaires simultanément. Ces résultats is-
sus des techniques mathématiques d’optimisation combinatoires et n’exigeant que la

continuité de la fonction objectif 1 , ont suscité un intérêt de plus en plus ascendant
auprés des économistes qui les ont exploités pour l’étude de la sensibilité des variables
endogènes suite aux changements des variables exogènes stratégiques.
En effet, Selon Samuelson (1974) :“the time is ripe for a fresh modern look at the
concept of complementarity,. . ., the last word has not yet been said on this ancient
preoccupation of literary and mathematical economists“. Dans le cadre de ce travail
nous allons exploiter ces conditions de complémentarité pour l’étude de la sensibilité

1. Le théorème de monotonie de Topkis considéré comme la base de la théorie de complémentarité
et donnant lieu à la définition de la supermodularité n’exige que la continuité de la fonction objectif.
Ce théorème vient remédier aux limites du thèorème de la fonction implicite traditionnelement
utilisé en économie et qui a été largement critiqué à cause de ses hypothèses jugées nombreuses et
défficiles à vérifier (unicité de la solution optimale, concavité et dérivabilité de la fonction objectif,
applicable que pour les variables continues).
27
de la fonction d’innovation et pour montrer la complémentarité entre les innovations
1.4.2 La complémentarité des stratégies d’innovation
Le travail pionnier en économie de Milgrom et Roberts (1990,1995) leur a permis
de montrer qu’en présence de complémentarité l’adoption d’une stratégie sera plus

rentable si les autres pratiques sont adoptées simultanément. Ils ont appliqué leur
étude sur un ensemble de variables de décision telles que la flexibilité de production,
l’innovation, la gestion des compétences, la formation et le système d’incitation.
Leurs résultats ont engendré une importante littérature exploitant les conditions de
complémentarité sur les différentes branches de l’économie.
A titre d’exemples ces recherches se sont interressés à l’étude des relations de
complémentarité entre les pratiques de gestion des ressources humaines et la straté-
gie de l’entreprise (Ichniowski et al., 1997), la R & D interne et l’acquisition externe

des technologie (Arora et Gambardella, 1994), les différentes politiques d’innovation
du gouvernement (Mohnen et Roller, 2005), la technologie de l’information, la ré-
organisation du travail, et les innovations de produit et service (Bresnahan et al,
2002), ainsi que l’adoption de différentes technologies de l’information (Athey et
Stern, 2002 ; Percival, 2008).

En effet, l’approche de complémentarité appelle à un changement radical étant
donné que plusieurs éléments complémentaires doivent être changés à fin de mainte-
nir l’ensemble optimal de stratégies d’équilibre (Baura et al, 1996). Cette conclusion
a été soutenue aussi par Whttington et al (1999) qui ont fait une étude européenne
sur l’innovation dans laquelle ils ont montré que le changement radical génère un
bénéfice plus grand qu’un petit changement incrémental qui manque de coordina-
tion. D’autres travaux ont examiné le paradoxe de la productivité des technologies
d’information. Ils ont montré que l’implémentation des nouvelles technologies aug-
28
mente la productivité mais la structure organisationnelle détermine la taille de ce
rendement. Ce n’est pas le montant investis en technologie qui détermine son succés
mais c’est l’adéquation avec les autres politiques stratégiques qui importe. L’accent
est mis désormais sur la nécessité que les innovations technologiques soient accom-
pagnées de changements organisationnels liés à une bonne gestion des connaissances
pour qu’elles soient efficaces (Brynjfolsson et Hitt, 2000 ; Bresnahan, Brynjolfsson et
Hitt, 2002 ; Greenan et Mairesse, 2004).

Mohnen et Roller (2005) ont étudié la supermodularité de la fonction d’innnova-
tion. Pour cela, ils ont montré la complémentarité entre quatre obstacles affectant la
politique gouvernementale en matière d’innovation (manque de sources appropriés
de financement, manque de personnel qualifié, manque d’opportunité de coopération
et la la régidité des lois, normes et taxation).

Ces travaux ont montré la nécessité de prendre en considération la complémen-
tarité entre les compétences technologiques et l’architecture organisationnelle lors de
l’étude de l’activité d’innovation.
1.5 Conclusions
Tout au long de ce chapitre nous avons présenté un panorama des études faites
sur l’économie d’innovation. Cette revue de littérature a montré la richesse de cet axe
de recherche ainsi que la rareté des travaux s’interrogeant sur le rôle de l’adoption des
innovations organisationnelles sur la création et la diffusion des connaissances.Elle
nous a permis également de souligner l’évolution de la conception de la firme comme
processeur d’information vers la conception de la firme comme processeur de connais-

sances.
Dans une deuxieme étape, nous avons exploré les théories de complémentarité
29
et de supermodularité (Topkis (1978), Vives (1990) et Milgrom et Roberts (1995))
traditionnellement utilisées en mathématiques et en optimisation combinatoire. En-
suite, nous avons montré l’apport de ces theories pour étudier la complémentarité
entre les différentes stratégies d’innovation.
Dés lors, nous avons traité d’une part la complémentarité des compétences tech-
nologiques et organisationnelles pour l’activité d’innovation des entreprises. D’autre

part, nous avons montré que la relation entre compétences et innovation est de nature
simultanée et dynamique. L’activité de l’innovation est donc un processus cumulé
dans le temps et déterminé par la manière dont l’entreprise gère ses compétences
technologiques et organisationnelles (knowledge management) et par ses caractéris-
tiques internes et externes. Néanmoins, ces résultats restent théoriques et nécessitent

une validation sur des données réelles d’entreprises pour être approuvés ce qui fera
l’objet des chapitres suivants.
Mais avant de passer à la validation empirique et après avoir fait un survol sur
la littérature économique des capacités cognitives, il convient d’étudier le contexte
de la recherche et de l’innovation en Europe et plus particulièrement en France ainsi
que les différentes façades de l’innovation.
30
CHAPITRE 2
L’INNOVATION EN FRANCE : CONTEXTE,
TYPOLOGIE ET ÉVOLUTION DES ENQUÊTES SUR
L’INNOVATION
2.1 Introduction
Le renforcement de la recherche et des compétences pour innover sont devenus

de plus en plus au cœur des politiques stratégiques gouvernementales. En effet, les
critères tels que l’investissement en R&D, en mobilisation du capital humain ou en

gestion des connaissances sont devenues des indicateurs de croissance et de dévelop-
pement des pays.
L’objectif de ce chapitre est de fournir un aperçu sur le contexte et les initiatives
mises en oeuvre pour encourager l’innovation en Europe et particulièrement en France

étant donné que notre étude empirique sera basée sur des données d’entreprises
françaises.
Ainsi, nous allons d’abord positionner l’Union Européenne en matière de re-
cherche et d’innovation par rapport à ses concurrents leaders mondiaux en innovation

notamment les Etat Unis, le Japon et la Coré de Sud. Nous présenterons également
les différentes mesures prises par l’Union Européenne pour réduire cet écart et qui se
sont répercutées directement sur les initiatives de recherche et d’innovation de chaque
31
pays membre et notamment de la France. Notre étude comparative descriptive sera
basée sur les indicateurs d’innovation synthétiques disponibles dans les rapports et
les tableaux de bord annuels de l’Union Européenne.

Le reste du chapitre sera dédié à la présentation des différents aspects de l’inno-
vation proposés dans la littérature et de l’évolution des données disponibles à son
sujet en France (les enquêtes communautaires sur l’innovation).
2.2 Les politiques Européenne et Française en ma-
tière d’innovation
Depuis les années 40, de plus en plus d’attention a été attribuée à l’économie de
l’innovation et aux dispositifs devant être implantés par les pouvoir publics en vu de
renforcer la capacité d’innovation des entreprises.
2.2.1 Initiatives Européennes en recherche et innovation
La recherche et l’innovation sont devenues au cœur des priorités de la stratégie de

l’Union Européenne (UE) pour l’emploi et la croissance. Le Conseil européen de Lis-
bonne tenu en mars 2000 projetait de faire de l’UE “l’économie de la connaissance la

plus compétitive et la plus dynamique du monde”; le Conseil européen de Barcelone
des 15 et 16 mars 2002 fixait l’objectif d’atteindre un niveau de dépenses en recherche
et développement (R&D) représentant plus de 3% du PIB. Les Etats membres ont
été encouragés à investir 3% de leur PIB dans la R&D d’ici 2020 (1% de financement
public et 2% d’investissement du secteur privé) ce qui devrait permettre la création

de 3,7 millions d’emploi et d’accroitre le PIB annuel d’environ 800 milliards d’euros.
Pour atteindre ces objectifs ambitieux, la politique européenne est focalisée sur
« le triangle de la connaissance » : recherche, éducation et innovation. Ainsi, l’UE a
32
procédé à la création d’un espace européen de la recherche unique dont la principale
mission est le renforcement de la coopération transfrontalière en matière de recherche.
L’ensemble des initiatives récentes de l’UE sont concrétisées dans le septième

programme-cadre 2007-2013 (7e PC) disposant d’un budget de 50,5 milliard d’euros.
Ce programme comporte quatre volets 1 disposant chacun d’un programme spécifique
correspondant aux domaines principaux de la recherche de l’UE :

– Coopération : recherche conjointe dans les domaines de la santé, de l’ali-
mentation, de l’agriculture, de la pêche, de la biotechnologie, des technologies
de l’information et de la communication, de l’énergie, de l’environnement (y
compris le changement climatique), des transports (y compris l’aéronautique),
des sciences économiques et sociales et des sciences humaines, de l’espace et de

la sécurité. Ce volet inclut également les nanosciences, les nanotechnologies,
les matériaux et les nouvelles technologies de production.
– Idées : création du Conseil européen de la recherche, qui finance la science

exploratoire.
– Personnes : ressources humaines, y compris les bourses pour de jeunes cher-
cheurs, les bourses pour la formation tout au long de la vie et le développement

de la carrière, les partenariats entre les mondes économique et universitaire et
les prix récompensant l’excellence.
– Capacités : financement des infrastructures de recherche, R&D dans les PME,

connaissances et groupements scientifiques, et connaissances scientifiques gé-
nérales.
1. Site de l’Union Européenne /Recherche et innovation :
http://europa.eu/pol/rd/index_fr.htm
33
Le programme de financement de la recherche et de l’innovation de l’UE pour
la période 2014-2020 s’appelle Horizon 2020. Les fonds (80,2 milliards d’euros pour
toute la période) seront destinés aux établissements de recherche, aux universités,

aux entreprises innovantes du secteur privé et aux PME. Tous les secteurs de l’éco-
nomie européenne en profiteront : agriculture, pèche, alimentation, santé, transport,
énergie et technologies d’information et de communication.
Ces différentes mesures de l’union européennes se sont répercutées directement

sur les initiatives de recherche et d’innovation de chaque pays membre et notamment
de la France.
Le tableau de bord de l’union de l’innovation est un outil d’évaluation comparative

des performances des 27 Etats membres de l’UE et avec leurs principaux concurrents,
en matière d’innovation. Son but est de faciliter la mise en œuvre de l’initiative phare
Europe 2020 ” une union de l’innovation ”. L’évaluation annuelle des forces et fai-
blesses de chaque pays membre est basée sur un ensemble de 25 indicateurs reflétant
les performances des systèmes nationaux de recherche et d’innovation 2 .
2. Ressources humaines (Nouveaux titulaires de doctorats par tranche de mille habitants
âgés de 25 à 34 ans ; Pourcentage de la population âgée de 30 à 34 ans ayant achevé un cursus
universitaire ; Pourcentage de jeunes âgés de 20 à 24 ans ayant achevé au minimum un cursus de
l’enseignement secondaire supérieur).
Systèmes de recherche ouverts, excellents et attractifs (Copublications scientifiques inter-
nationales par million d’habitants ; Publications scientifiques figurant parmi les 10% de publications
les plus citées au niveau mondial, en pourcentage du total de publications scientifiques du pays ;
Titulaires de doctorats issus de pays tiers32 par million d’habitants)
Financements et aides (Dépenses publiques de R&D en pourcentage du PIB ; Investissements de
capital-risque en pourcentage du PIB) Investissements des entreprises (Dépenses privées de R&D
en pourcentage du PIB ; Dépenses d’innovation autres que de R&D en pourcentage du chiffre d’af-
faires)
Collaborations et entrepreneuriat (SME faisant de l’innovation en interne en pourcentage du
total des PME ; PME novatrices collaborant avec d’autres en pourcentage du total des PME ; Co-
publications public-privé par million d’habitants)
Actifs intellectuels (Demandes de brevets PCT par milliard d’EUR de PIB ; Demandes de bre-
vets PCT concernant des défis sociétaux ; Marques communautaires par milliard d’EUR de PIB ;
Dessins ou modèles communautaires par milliard d’euros de PIB)
Résultats (% de PME introduisant des innovations de produits et procédés ; % de PME introdui-
sant des innovations de commercialisation ou d’organisation ; % d’Entreprises à forte croissance ;
34
Selon ce tableau de bord en 2011, tous les États membres ont enregistré une
amélioration de leurs indicateurs d’innovation. Toutefois, ces progrès ne parviennent

pas encore à combler l’écart de l’UE par rapport à ses concurrents, leaders mondiaux
de l’innovation (les États Unis, le Japon et la Corée du Sud) surtout en ce qui
concerne l’innovation dans le secteur privé. Une comparaison basée sur l’indicateur
synthétique d’innovation (issu des 25 indicateurs de performance) montre bien ce

retard illustré dans le graphique suivant :
Au sein de l’UE, la comparaison de la performance des Etats membre basée sur

Figure 2.1 – Performance d’innovation
Au sein de l’UE, la comparaison de la performance des Etats membres basée sur

% d’Emploi dans les activités à forte intensité de connaissance ; % d’Exportations de produits
manufacturés de moyenne et haute technologie ; % d’Exportations de services à forte intensité de
connaissance ; % de Ventes d’innovations nouvelles pour le marché et pour l’entreprise ;Recettes
tirées de licences et brevets depuis l’étranger, en pourcentage du PIB).
35
l’indicateur synthétique d’innovation est donnée par le graphique suivant :
Figure 2.2 – Performance d’innovation des Etats de l’UE
Selon ce classement, la Suède vient en tête, suivie de près par le Danemark, l’Al-
lemagne et la Finlande. Ainsi, le tableau de bord de l’Union de l’innovation 2011
classe les États membres en quatre groupes de pays :
– Les champions de l’innovation : la Suède, le Danemark, l’Allemagne et

la Finlande
– Les suiveurs de l’innovation : la Belgique, le Royaume-Uni, les Pays-Bas,

l’Autriche, le Luxembourg, l’Irlande, la France, la Slovénie, Chypre et l’Estonie,
dont les résultats sont proches de la moyenne de l’UE-27
– Les innovateurs modérés : l’Italie, le Portugal, la République tchèque,
l’Espagne, la Hongrie, la Grèce, Malte, la Slovaquie et la Pologne, dont les

résultats sont inférieurs à la moyenne de l’UE-27
– Les innovateurs modestes : la Roumanie, la Lituanie, la Bulgarie et la
36
Lettonie, dont les résultats sont nettement inférieurs à la moyenne de l’UE-27.
La France occupe la 11ème place de ce classement. Ses points forts en matière d’in-
novation sont : les ressources humaines et l’attractivité de son système de recherche.

De ce fait plusieurs mesures ont été prises à fin de rattraper ce retard par rapport à
ses voisins ”champions de l’innovation ”.
2.2.2 La recherche et l’innovation en France
Les commissions françaises du Commissariat Général au plan étaient incitées

depuis 1945 par Jean Monnet à se focaliser plus sur la productivité du travail, à
identifier les causes de son retard par rapport aux pays étrangers et à mettre en
œuvre des mesures pour le rattraper (fonctions, mécanisme, réorganisation, R&D,
décentralisation géographique. . .).
Le graphique suivant illustre bien l’ampleur du retard enregistré en France au

cours des cinq dernières années par rapport aux leaders d’innovation européens :
37
Figure 2.3 – Comparaison des performances d’innovation
Source : graphique effectué par les auteurs sur la base des données disponibles dans le tableau de
bord d’innovation 2011
Dés lors pour rattraper ce retard, la France a procédé à une redéfinition des ob-
jectifs, outils et initiatives en matière de recherche et d’innovation. Une attention

particulière a été accordée pour les secteurs à forte valeur ajoutée comme les tech-
nologies de l’information, les biotechnologies, les nanotechnologies, les technologies
de l’environnement et l’énergie ou les matériaux de haute performance.
Ces constatations rejoignent les recommandations de Jean-Luis Beffa (2005) dans

son rapport destiné au président de la république, à l’époque, Jaques Chirac et sti-
pulant que « L’effort de recherche et développement industriel de la France reste
faible par rapport à celui de ses concurrents. Cette faiblesse n’est cependant pas liée
à l’insuffisance de la R&D au sein de chaque entreprise. Elle tient à la trop grande
spécialisation industrielle de la France dans des secteurs de faible technologie, qui
sont davantage soumis aux nouvelles concurrences internationales ».
38
De ce fait, le dispositif français de recherche et d’innovation a connu des réformes
profondes : mise en cohérence des dispositifs existants, renforcement des partena-

riats publics et privés et optimisation de l’utilisation des ressources humaines et
financières. L’objectif étant d’accroı̂tre la performance et la notoriété internationale
de la recherche française.
Dans ce contexte, la compréhension de la nature des déterminants et des consé-

quences de l’effort privé d’innovation et de R&D et de l’effet des interventions pu-
blics est une question d’importance. Le présent travail doctoral propose plusieurs
contributions essentiellement empiriques sur ces aspects. Mais avant de procéder à
l’investigation empirique, il est essentiel de connaitre les différents aspects de l’inno-

vation et la nature des données disponibles à son sujet notamment en France.
2.3 Définition et typologie des innovations
Il est difficile de proposer une définition de l’innovation qui couvre tous les aspects
présents dans la littérature. Le regroupement de plusieurs typologies et approches
va nous permettre de dévoiler les différentes dimensions de l’innovation et leurs in-

teractions.
Joseph Schumpeter, précurseur de l’économie de l’innovation, propose cette défi-
nition : “the mean of changes in the production fonction” (1939, p 84). Il considère
l’innovation comme l’origine de la dynamique de changement dans l’économie fondée
sur les connaissances. Elle se présente comme un déséquilibre perturbant un équilibre
antérieur. Il parle ainsi de destruction créatrice. En effet, l’activité d’innovation fait
39
intervenir la majorité des fonctions de l’entreprise : service de production, départe-
ment de R&D, de marketing, commercial, financier et de ressources humaines.
De ce fait l’innovation suppose une dynamique complexe d’interaction entre une

multitude d’acteurs appartenant aux différentes unités de la firme, à diverses filiales
ou entreprises ou autres organismes de recherche et d’enseignement publics et privés.
Dans l’approche schumpetérienne, l’innovation est considérée comme le moment

de la réalisation de nouvelles combinaisons. Elle est le produit de l’activité de l’inven-
teur entrepreneur ou du chercheur isolé dans son laboratoire. L’entrepreneur joue-
rait dans cette optique un rôle central dans le progrès technique car il développe
de nouvelles combinaisons donnant naissance à de nouveaux marchés dont il profite

immédiatement. Le processus d’innovation est alors discontinu et se focalise sur les
innovations majeures.
D’un autre côté, Schumpeter a mis en relief les changements et transformations
des processus innovants internes de l’entreprise ou boite noire qui résultent des pro-
cessus innovants.
Cette conception large englobe aussi bien les innovations techniques qu’organi-
sationnelles. Elle peut regrouper cinq alternatives différentes : la production d’un

produit nouveau, l’introduction d’une méthode de production nouvelle, l’ouverture
d’un débouché nouveau, la conquête d’une nouvelle source de matières premières et
la réalisation d’une nouvelle organisation.
Ainsi, nous pouvons distinguer plusieurs types d’innovations : selon leur nature
(produit ou procédé) et leur importance (radicale ou imitative). Une innovation en
produit peut concerner soit la production d’un produit entièrement nouveau soit
40
l’amélioration significative de la qualité d’un produit existant. Quant à l’innovation
en procédé, elle consiste à l’innovation ou l’amélioration des méthodes de produc-
tion dans un but de réduction des coûts de production unitaires. Or la production

d’un produit nouveau peut obliger l’entreprise à réviser ou complètement modifier
les méthodes de production existantes, l’innovation en produit et en procédé se font
souvent d’une manière simultanée.
En fait, plusieurs auteurs ont montré que la conception de l’innovation a enregis-

tré une évolution remarquable dernièrement [Landry et al. (1999) pour une synthèse].
Auparavant, selon la vision schumpetérienne, l’innovation était considérée comme le
produit de l’activité de l’inventeur entrepreneur ou du chercheur isolé dans son labo-
ratoire. Aujourd’hui, elle est plutôt considérée comme le résultat d’un processus dont
le succès dépend de l’interaction et de l’échange de savoir entre une grande diver-
sité d’acteurs largement interdépendants (Edquist et Hommen, 1997 ; Landry et al,
1999). En effet, surtout avec l’émergence du secteur des services, l’innovation ne se
limite plus à l’innovation des méthodes de production mais également à l’innovation

des pratiques organisationnelles favorisant le travail d’équipe et l’implication de tous
les partenaires internes et externes de l’entreprise.
Les innovations organisationnelles englobent les innovations tenant à la structure

de l’entreprise, à l’organisation du travail, à la gestion des connaissances et aux re-
lations avec des partenaires extérieurs (sous-traitance, externalisation, partenariats
liés à la production de services, aux approvisionnements ou aux activités de support).
Ces changements sont considérés comme des innovations d’organisation, lorsqu’elles

correspondent à des nouveautés ou modifications significatives. Elles doivent résul-
ter de décisions stratégiques prises par la direction. Les fusions ou acquisitions sont
exclues, même si ces opérations affectent l’entreprise pour la première fois.
41
La gestion des connaissances est définie comme tous les processus ou pratiques
d’organisation liés à la saisie, au partage et à l’utilisation des connaissances. Cette

gestion des connaissances peut être tournée vers l’organisation interne de l’entreprise
(circulation des informations entre les services, reconnaissance des compétences exis-
tantes. . .) ou vers l’acquisition ou l’assimilation des savoirs extérieurs à l’entreprise.
Elle peut être mise en œuvre pour obtenir une certification de la production (ISO
ou autres normes), pour tirer partie de coopérations (scientifiques, commerciales. . .)
ou de contacts avec les clients ou fournisseurs (faire parvenir les remarques, oppor-
tunités. . .). Cette pratique est généralement accompagnée de l’utilisation d’outils
spécifiques de gestion de l’information.
Dernièrement, les études sur l’innovation ont introduit également les innovations
en marketing. Ce type correspond à la mise en œuvre de concepts, de méthodes
ou de stratégies de vente nouveaux ou modifiés de manière significative afin d’amé-
liorer les qualités présentation des produits ou pour entrer des nouveaux marchés.
Les changements d’emballage (packaging, présentation) ou de design, lorsqu’ils ont
un impact significatif, constituent en eux-mêmes des innovations de marketing. Ce
type d’innovation englobe aussi les opérations de fidélisation de la clientèle par une
offre différenciée, des innovations de canal de distribution (franchisage, promotion

par internet, etc.) visant à accroı̂tre le volume des ventes par le positionnement (pré-
sentation, réputation) des produits. Il faut distinguer innovations en marketing des
innovations de procédés liées à la distribution (logistique, méthodes de livraison)
visant la réduction des coûts ou des délais.
42
2.4 Evolution des enquêtes et des études sur l’in-
novation
De plus en plus de pays développés et en développement sont entrain de lancer

des enquêtes communautaires sur l’innovation (Community Innovation Survey ou
CIS) en vue d’étudier le processus d’innovation des entreprises. Ces enquêtes conçues
initialement selon les instructions du manuel de Frascati qui restreint l’étude de l’ac-
tivité d’innovation à l’analyse de la relation entre les investissements en R&D et les
brevets. Ainsi, de plus en plus d’informations qualitatives sont intégrées dans ces
enquêtes visant à décrire les différentes façades et activités de l’innovation.
Cependant, l’utilisation de ces donnéesnécessite une grande vigilance pour ré-

soudre les problèmes méthodologiques qui peuvent affecter leur exploitation statis-
tique et économétrique. Ainsi, les travaux récents se sont focalisés sur l’utilisation de
nouvelles techniques économétriques permettant de pallier aux problèmes adjacents
à la nature de ces données (problème de sélection, d’endogeneité, dynamique,. . ..
De plus en plus d’études sont orientées vers l’analyse approfondie des mécanismes
microéconomiques des fonctions de production de l’innovation et des connaissances
et l’intégration de nouveaux inputs et outputs d’innovation. Ces études prennent en

compte d’autres types d’innovation notamment les innovations organisationnelles et
en marketing en plus des innovations en produits et en procédés et de leurs effets sur
la productivité. L’évolution de ces données est marquée aussi par l’élargissement des
champs sectoriels et territoriaux couverts ce qui a permis des études comparatives, de

nouvelles méthodes d’économétrie de l’innovation, l’étude des complémentarités entre
les différents types et ressources d’innovation, de l’effet des moyens de protection de
la propriété intellectuelle, des modes de financement, des sources d’information, de
la coopération technologique.etc.
43
Dans le cadre de ce travail de thèse, nous allons exploiter la quatrième vague de
l’enquête communautaire sur l’innovation en France en vue d’étudier le mécanisme

d’innovation des entreprises industrielles françaises. L’utilisation de cette vague nous
permettra la prise en consideration de l’évolution de la conception de l’innovation et
de l’apparition de nouveaux inputs et outputs.
2.5 Conclusions
Tout au long de ce chapitre nous avons procuré une description du contexte et
de l’environnement de l’innovation afin de mieux comprendre le cadre de nos contri-

butions empiriques. Ainsi, nous avons commencé par une étude comparative basée
sur les indicateurs synthétiques de l’innovation pour positionner l’Union Européenne
et en particulier la France par rapport à leurs concurrents leaders internationaux en
innovation.
Il s’est avéré que la France occupe la 11me place de ce classement. De ce fait

plusieurs mesures ont été prises à fin de rattraper ce retard par rapport à ses voisins
(mise en cohérence des dispositifs existants, renforcement des partenariats publics et
privés, optimisation de l’utilisation des ressources en se focalisant sur les secteurs à
forte valeur ajoutée).

Ensuite nous avons présenté les différents aspects de l’innovation et la nature des
données disponibles à son sujet notamment en France. Nous avons souligné l’évolu-
tion de la conception de l’innovation et l’apparition de nouveaux inputs et outputs
devant être pris en considération lors de l’étude des déterminants et des implications
de l’activité d’innovation.
Tous ces concepts et avancés théoriques appellent une validation empirique qui
va faire l’objet des chapitres suivants et nous permettant de tester nos hypothèses
44
de recherche et de répondre à notre problématique.
En effet, Ces contributions empiriques ont pour finalité de procurer grâce à une
étude économétrique sur des données d’entreprises françaises les réponses aux ques-
tions suivantes :
Quel est le rôle joué par l’adoption des innovations organisationnelles et plus pré-
cisément des pratiques de management des connaissances sur l’innovation en produit
et en procédé ? Y a-t-il une complémentarité entre l’impact des compétences organi-

sationnelles et technologiques en matière de création des connaissances et de stimula-
tion de l’innovation ? Comment mesurer le rendement des différents types d’innova-
tion sachant leur interdépendance ? Dans quelle mesure les compétences pour innover
s’accumulent dans le temps et comment expliquer la dynamique d’innovation ?
45
CHAPITRE 3
LA COMPLÉMENTARITÉ ENTRE LES
CHANGEMENTS ORGANISATIONNELS, L’ACTIVITÉ
DE R&D ET LA COOPÉRATION TECHNOLOGIQUE
DANS L’INDUSTRIE FRANÇAISE
3.1 Introduction
La phrase célèbre de Solow “We see computers everywhere but in the productivity
statistics” a engendré de nombreux travaux de recherche liés à l’effet qu’exerce le pro-
grès technologique sur la productivité et la performance des entreprises en général.
Certains d’entre eux ont mis l’accent sur la nécessité que les innovations techno-
logiques, pour être efficaces, soient accompagnées de changements organisationnels
(Brynjfolsson et Hitt, 2000 ; Bresnahan, Brynjolfsson et Hitt, 2002 ; Greenan et Mai-
resse, 2004 ; Galia et Legros, 2005 ; Mohnen et Roller, 2005). Ces travaux mettent en
évidence la complémentarité entre les compétences technologiques et l’architecture
organisationnelle lors de l’étude de l’activité d’innovation en plus des déterminants

liés aux caractéristiques des entreprises (taille, niveau d’exportation, investissement
en R&D, utilisation des technologies avancées) ou aux caractéristiques de son envi-
ronnement (intensité de la compétition, contexte régional) (Lundvall, 1997 ; Baldwin
et al, 2000 ; Crépon, Duguet et Mairesse, 2000).
46
Toutefois, très peu de travaux empiriques ont été réalisés pour déterminer l’effet
de l’adoption des nouvelles structures organisationnelles sur le renforcement de la ca-

pacité d’innovation des entreprises. Ce chapitre s’inscrit dans ce champ de recherche
en s’interrogeant plus précisément sur les déterminants de l’activité d’innovation tout
en mettant en évidence l’importance et la complémentarité de l’impact des compé-
tences organisationnelles et technologiques en matière de création de connaissances

et de stimulation de l’innovation en produits et en procédés. Pour cela, nous présen-
tons en premier lieu une revue de la littérature portant sur les sources de création
et de diffusion des compétences pour innover. En deuxième lieu, nous étudions les
relations d’interdépendance et de complémentarité entre les changements organisa-
tionnels et le management des connaissances d’une part et l’activité de R&D et la

coopération technologique d’autre part.
3.2 Les déterminants de l’innovation : une approche
par les compétences
Quoique la littérature portant sur l’innovation soit très abondante, l’étude des
facteurs qui déterminent le processus de création et de diffusion des compétences pour

innover demeure encore une question ouverte. Dans cette section, nous présentons
les travaux existants qui étudient l’impact des caractéristiques internes et externes
de l’entreprise, les effets de l’introduction de nouvelles pratiques organisationnelles
et de systèmes de gestion des connaissances, et les conséquences de la coopération et

de la R&D sur le développement des compétences pour innover.
47
3.2.1 Effets des caractéristiques internes et externes de l’en-
treprise
Un grand nombre de travaux ont confirmé l’hypothèse de Schumpeter stipulant

que les grandes entreprises ou les industries où la concurrence est moins vive sont
plus propices à l’innovation (Baldwin et al., 2000 ; Crépon, Duguet et Mairesse, 1998,
2000). Selon ces études, les caractéristiques de l’entreprise telles que sa taille, son ap-
partenance à un groupe ou son secteur d’activité déterminent son intensité d’innova-
tion. A ces déterminants, s’ajoutent d’autres déterminants propres à l’environnement
de l’entreprise. Crépon, Duguet et Mairesse (1998, 2000) ont repris la distinction entre
l’impulsion par le marché (demand pull) et la poussée de la technologie (technology

push) pour classer les caractéristiques externes de la firme influençant simultané-
ment l’innovation. Selon la première conception, les besoins des consommateurs sont
à l’origine du développement de nouveaux produits et procédés. Les services liés à la
clientèle et la croissance anticipée du marché stimuleraient alors l’innovation. D’après

la seconde, la dynamique propre de technologie inciterait à développer de nouveaux
produits. L’engagement dans une activité d’innovation peut ainsi être déterminé par
les conditions de la demande et les caractéristiques de la technologie propres à l’ac-
tivité de l’entreprise. En plus de ces caractéristiques internes et externes, d’autres
facteurs favorisent le lancement de l’entreprise dans une activité d’innovation.
3.2.2 Les coopérations inter-entreprises comme sources d’in-
ternalisation des compétences pour innover
Plusieurs auteurs ont montré que le facteur de motivation le plus cité par les
firmes lors de l’engagement dans une relation de coopération est l’acquisition ou la
création des ressources nouvelles (Hamel, 1991 ; Quélin, 1996). D’autres travaux ont
précisé que l’engagement des entreprises dans une relation de coopération est lié à
48
trois attributs : la combinaison et la complémentarité des compétences tacites (Se-
gretin, 2003), leur acquisition et leur échange sans engagement irréversible (Karray,
2003 ; Segretin, 2003) et la création de la valeur par l’augmentation de la flexibilité

de la firme face aux mutations de son environnement (Doz, 1992).
Malgré l’abondance des études faites sur les coopérations inter-firmes, la littéra-
ture analysant l’interaction entre les compétences spécifiques de chacun des parte-
naires et les changements organisationnels opérés afin de créer de nouvelles ressources
et compétences reste encore très restreinte. Cependant, la réussite et la fructification
des relations de coopération surtout en R&D sont conditionnées par l’identifica-
tion des types de compétences crées en commun et des formes organisationnelles les
plus adaptées au développement des nouvelles compétences (Mothe et Quelin, 1997).

Ainsi, la coopération inter-firmes est vue comme un moyen d’acquérir et internaliser
les ressources ou compétences d’entreprises partenaires. Il peut s’agir d’une mise en
commun de connaissances et d’informations complémentaires ou du développement
d’un processus d’apprentissage (Hamel et Prahalad, 1994). Ces relations permettent

ainsi la stimulation de l’apprentissage d’une entreprise et de son innovation (Cohen
et Levinthal, 1990 ; Karray, 2003) grâce à sa « capacité d’absorption ». Ainsi, l’enga-
gement de l’entreprise dans une relation de coopération augmente ses compétences
pour innover.
En complément de la coopération, le lancement de l’entreprise dans des activités

de R&D est cité dans la majorité des travaux empiriques comme une source très
importante de développement des compétences technologiques.
49
3.2.3 Effet des activités de recherche et développement
Les activités de recherche et développement (R&D) sont présentées dans la litté-

rature comme les déterminants les plus traditionnels de la capacité innovatrice des
entreprises (pour une synthèse, confère Mairesse et Hall (1996)). En effet, les inves-
tissements en R&D constituent le principal mécanisme de développement des com-
pétences technologiques (Crépon, Duguet et Mairesse, 1998 ; 2000). Ces compétences

reposent sur un processus d’apprentissage fondé sur les ressources techniques et l’ef-
fort des unités de recherche de la firme. Ainsi les compétences n’ont pas seulement
une dimension cognitive, elles ont également une dimension technologique. Padmore
et Gibson (1998) insistent sur l’importance des compétences technologiques issues

des activités de R&D (par rapport aux compétences organisationnelles) dans l’expli-
cation de la capacité innovatrice de la firme.
De leur côté, Amara, Lamari & Landry (2001) ont montré que les entreprises
pratiquant une activité de R&D ont plus de chance que les autres entreprises d’in-
nover en produit et en procédé. Ainsi, ils concluent que l’apprentissage par la R&D
intra-muros a un considérable impact sur l’innovation. En effet, l’effort interne en-
trepris par les équipes de R&D a pour objectif de traiter et d’aboutir à des réactions
appropriées à deux types d’informations. Le premier type regroupe les informations

technologiques que l’entreprise peut acquérir de son environnement, grâce à l’ac-
quisition de nouveaux équipements et de nouvelles technologies d’information et de
communication. L’effort des équipes de R&D consiste dans ce cas à transformer ces
informations en de nouvelles connaissances dont la diffusion au sein de l’entreprise

se traduit par de nouvelles compétences technologiques stimulant sa capacité d’in-
novation. Le deuxième type d’informations est lié aux différents problèmes que peut
rencontrer l’entreprise tels que les défaillances techniques des méthodes de produc-
tion, le besoin d’une stratégie de différenciation pour confronter la concurrence, etc.
50
L’effort des équipes consiste alors à trouver des remèdes à ces problèmes et ces so-
lutions sont de nature à engendrer l’innovation en produit et en procédé. De ce fait,
les activités et les investissements en R&D agissent significativement et positivement

sur l’innovation.
En plus de ces déterminants traditionnels, de nouvelles études ont montré l’im-
portance du rôle des nouvelles pratiques organisationnelles et des systèmes de gestion

des connaissances.
3.2.4 Les changements organisationnels et les systèmes de
gestion des connaissances
On assiste à une adoption accrue de nouvelles pratiques organisationnelles par

les entreprises telle que les systèmes de gestion de la chaı̂ne d’approvisionnement, le
business re-engineering, la production sur commande, les systèmes de gestion de la

qualité, les systèmes de formation, etc. Ces changements organisationnels impliquent
en premier lieu de nouveaux systèmes de gestion de connaissances permettant l’amé-
lioration de l’utilisation ou de l’échange de l’information, du savoir ou des compé-
tences au sein de l’entreprise, ou le collecte et le traitement de l’information obtenue

à l’extérieur. Ils appellent, en deuxième lieu, une nouvelle répartition des responsa-
bilités et du pouvoir de décision parmi les salariés favorisant ainsi le travail d’équipe,
la décentralisation, l’intégration ou autonomisation de différents services de l’entre-
prise, etc.
De fait, la modernisation de l’architecture organisationnelle agit sur les compé-

tences de l’entreprise à travers l’application d’un ensemble de bonnes méthodes de
résolution de problèmes et de techniques qui exigent la coopération active et l’inter-
action entre tous les partenaires internes et externes de l’organisation. Dés lors, les
51
changements organisationnels peuvent s’appliquer à toutes les phases d’un proces-
sus ou du cycle de vie d’un produit ou service et s’étendre à toutes les parties d’un
’organisme’. L’adoption de ces pratiques par une organisation stimule la créativité in-
dividuelle en lui fournissant le contexte pour créer et échanger des connaissances. Or,
le savoir organisationnel est envisagé comme une amplification du savoir individuel,
la mise en place d’un tel système est présentée alors comme un facteur accélérant
et améliorant la création de connaissances dans une firme. Dans ce cadre, à titre

d’exemple, Winter (1995) considère la mise en place d’un système qualité comme
une innovation organisationnelle qui permet d’assembler et d’utiliser un savoir orga-
nisationnel fragmenté. Ainsi, plusieurs auteurs ont démontré que les services du génie
et de la production constituent des sources d’innovations aussi importantes que les
activités de R&D considérées pendant longtemps comme les seuls déterminants de

l’innovation (Dosi & Teece, 1998 ; Coriat et Weinstein, 2002). La gestion de l’innova-
tion devient donc un élément essentiel du système global de gestion, particulièrement
pour les firmes basées sur les technologies (Galia et Legros, 2005 ; Mohnen et Roller,
2005). Ce concept regroupe une variété d’éléments tels que la gestion de la propriété
intellectuelle, les supports à la formation, la gestion du changement et surtout la
gestion des connaissances (Knowledge management). D’où l’importance de l’effet de
l’adoption des nouvelles pratiques organisationnelles et des systèmes de gestion des
connaissances sur le développement des compétences pour innover.
Ainsi, en nous basant sur les travaux empiriques antérieurs, nous avons pu construire
nos hypothèses de recherche concernant les différents facteurs contribuant à la créa-
tion et au développement des compétences pour innover en produit et en procédé. Or

les connaissances nécessitent des modalités de coordination qui renvoient à la capacité
de leur acquisition et leur utilisation. D’où la nécessité d’étudier les interdépendances
entre les compétences technologiques et organisationnelles des entreprises.
52
3.2.5 Complémentarité entre les compétences technologiques
et les changements organisationnels
Partant du fait que les phases d’invention, d’innovation et de diffusion sont for-
tement inter-reliées et doivent être analysées dans leurs dynamiques, les auteurs
évolutionnistes considèrent l’innovation comme un processus complexe exigeant l’in-
teraction et l’échange de compétences entre tous les partenaires internes et externes

à l’organisation. Cette théorie défend donc l’idée selon laquelle l’innovation est le
résultat d’un phénomène de couplage entre technique et marché (Freeman, 1974)
opérant d’une manière interactive (Mowery et Rosenberg, 1989 ; Dosi & Teece, 1998).
Considérée comme processus, l’innovation ne peut alors pas être portée par le seul
entrepreneur schumpetérien (Mustar, 1994). Elle est davantage produite par des col-
lectifs qui capitalisent le travail d’une myriade d’autres collectifs (Callon, 1994). Ces
travaux ont, en outre, démontré que les activités d’innovation se développent pro-
gressivement car elles nécessitent une lente accumulation de connaissances, un long

travail de recherche afin d’étudier la faisabilité technique et un grand effort d’adap-
tation aux changements de l’environnement.
Ainsi, en plus de son capital de connaissances technologiques existant, la capacité
d’innovation de l’entreprise est favorisée par le travail d’accumulation de nouvelles

compétences grâce au phénomène d’apprentissage. La production de nouveaux pro-
duits requiert de la part des entreprises innovantes la préparation d’une infrastruc-
ture technologique et organisationnelle adéquate pour les fabriquer. Elles doivent en
outre bien maı̂triser la logistique de production et prévoir des démarches de mar-

keting efficaces. Les travaux de Baldwin et Johnson (1999) et Baldwin, Hanel et
Sabourin (2000) ont démontré que l’importance accordée par les petites et moyennes
entreprises à un grand nombre de compétences allant du marketing aux ressources
humaines favorise significativement leur intensité d’innovation.
53
Giessel et Boekholt (2005), à leur tour, estiment que dans une économie de la
connaissance et des compétences techniques, les qualifications et les réseaux sont des
facteurs importants pour le développement de la capacité innovatrice des sociétés et
la favorisation de l’avantage concurrentiel. Les capitaux physiques traditionnels tels
que les usines et les machines ne sont plus les capitaux clés. L’accent est mis sur la
création et la sauvegarde des droits de propriété intellectuelle comme les droits d’au-
teur, les brevets, les marques déposées, les droits de conception et d’autres facteurs
aussi déterminants tels que les compétences, les qualifications, la gestion d’innova-
tion, le savoir-faire, et la constitution de réseaux.
L’accent est mis désormais sur le fait que les innovations technologiques, pour
être efficaces, doivent être accompagnées de changements organisationnels liés à une
bonne gestion des connaissances (Brynjfolsson et Hitt, 2000 ; Bresnahan, Brynjolf-
sson et Hitt, 2002 ; Greenan et Mairesse, 2004). Ces travaux ont montré la nécessité
de prendre en considération la complémentarité entre les compétences technologiques

et l’architecture organisationnelle lors de l’étude de l’activité d’innovation. Ceci nous
amène donc à considérer que l’effet favorable des compétences technologiques sur
l’innovation est accentué si celles-ci sont accompagnées par des compétences organi-
sationnelles de management des connaissances appropriées.
Après avoir fait une analyse de la littérature théorique et empirique de l’inno-

vation et des différents facteurs qui contribuent au développement des compétences,
nous présentons dans ce qui suit une étude économétrique faite sur un échantillon
d’entreprises françaises dans la perspective de tester nos hypothèses de recherche 1 .
1. Dans une étude portant sur des entreprises tunisiennes nous avons obtenu des résultats simi-
laires bien que moins nets (Hajjem, Ayadi et Garrouste, , 2011).
54
3.3 Etude empirique
Dans le but de valider empiriquement notre étude des déterminants de l’inno-

vation, nous avons utilisé des données de l’enquête communautaire sur l’innovation
menée en 2006 sur un échantillon de 5179 entreprises industrielles françaises de 20
salariés et plus. Nous commençons par l’identification des variables qui agissent sur
la probabilité d’innover en produit et en procédé puis analysons les relations de com-
plémentarité potentielles entre les changements technologiques et organisationnels.
3.3.1 Construction des variables
En nous basant sur la littérature, nous avons utilisé les caractéristiques internes
et externes de l’entreprise suivantes comme variables explicatives des deux types de
l’innovation : innovation en produit (biens et services) et innovation en procédés

(procédés de production, méthodes de logistique, de fourniture, de distribution, ac-
tivités de soutien ou de support) :
– Dde pull : Impulsion de la demande : Dans le questionnaire de la CIS 2006 il

n’y a pas de mesure directe de cette variable. Pour la mesurer (Arvanitis, 2010 ;
Mairesse et Mohnen, 2010), nous l’avons approximé par la somme des items
(alpha de Cronbach = 0.8457) relatifs aux sources d’information de marché
(fournisseurs, clients, concurrents, consultants ou laboratoires privés).
– Le classement des industries manufacturières en catégories à forte, moyenne-

forte, moyenne-faible et faible intensité technologique a été déterminé en clas-
sant les industries selon l’édition 2003 du tableau de bord de l’OCDE de la
science, de l’industrie et de la technologie. Cette classification nous permettra

d’approximer l’effet de la poussé technologique sur l’innovation (Mairesse et
55
Mohnen, 2010).
– Taille : Logarithme du nombre d’employés en 2006.
– Gpe (Appartenance à un groupe) : variable binaire indiquant si l’entreprise

appartient à un groupe.
– Obstacles au changement : somme des items (alpha de Cronbach = 0.8546) sui-

vants : manque de personnel qualifié, manque d’information sur la technologie,
manque d’information sur les marchés, difficulté de trouver des partenaires. . .
– Coop (coopération technologique) variable binaire qui prend la valeur 1 si l’en-
treprise a conclue au moins une relation de partenariat technologique, 0 sinon.
– Activité RDI (activité de R&D interne) : variable binaire indiquant si l’entre-

prise s’est lancée dans une activité de R&D interne durant les trois dernières
années.
– chg org (Changements organisationnels) : variable binaire qui prend la valeur

1 si l’entreprise adopte de nouvelles pratiques dans le mode de production
(système de gestion de la chaı̂ne d’approvisionnement, business re-engineering,

production sur commande, système de gestion de la qualité, système de for-
mation, etc. . .) ou des systèmes de gestion des connaissances, nouveaux ou
améliorés de manière significative (pour améliorer l’utilisation ou l’échange de
l’information, du savoir ou des compétences à l’intérieur ou vis-à-vis de l’ex-

térieur de l’entreprise) ou une importante modification de l’organisation du
travail (nouvelle répartition des responsabilités/du pouvoir de décision parmi
les salariés, travail d’équipe, décentralisation, intégration ou automatisation de
56
différents services de l’entreprise, etc. . .).
Nous allons utiliser ces variables pour déterminer lesquelles influencent la probabilité
d’innover en produit et en procédé et étudier l’interdépendance entre les compétences
technologiques et organisationnelles.
3.3.2 Les déterminants de la probabilité d’innover pour les
entreprises françaises
Vu la nature dichotomique de nos variables dépendantes, nous avons eu recours
à des modèles probit pour expliquer la probabilité d’apparition de chaque type d’in-
novation. Mais avant de procéder à l’estimation, nous avons jugé nécessaire de tester
l’exogénéite de la variable changements organisationnels. En effet, d’un point de vue
conceptuel, l’adoption de ces pratiques par une organisation a été présentée comme
un facteur accélérant et améliorant la créativité individuelle en lui fournissant un

contexte susceptible de créer et échanger des connaissances. Cependant, le lance-
ment de l’entreprise dans cette politique peut être confondu avec l’innovation en
processus. Ainsi, pour nous assurer de l’absence de corrélation entre cette variable
et le terme d’erreur (Greene, 2000), nous l’avons instrumentée par les variables ap-
partenance à un groupe et obstacles au changement sous l’hypothèse que ces deux
facteurs déterminent la décision de la firme à moderniser son architecture organisa-
tionnelle. Dans le tableau suivant, nous présentons pour chaque type d’innovation, le
résultat de l’estimation du modèle probit à variables instrumentales en deux étapes,
du test d’exogéniété de Wald ainsi que du test de validité des instruments de Sargan
(Greene, 2000) .
57
Table 3.1 – Estimation des modèles probit à variables instrumentales en deux étapes
variables Inn pdt Inn pcd

Coef Z Coef Z
Dde pull 0.13 4.21*** 0.18 6.44***
Taille 0.07 2.23** 0.07 2.45***
hautech -0.47 -0.86 0.20 0.40
moyhotech 0.13 0.47 0.24 0.90
moyfaibtech 0.61 2.06** -0.16 -0.68
faibtech -0.51 -1.66* -0.24 -0.95
Activités RD 1.36 12.30*** 0.79 7.88***
Coop 0.28 3.46*** 0.27 3.74***
Chg org 1.09 1.35 .19 0.27
Cons -0.81 -0.74 -1.86 -10.14***
Statistique Wald d’exogénièté 1.55 0.52
Statistique de sur-identification de Sargan 1.969 0.101
Note : ∗ ,∗∗ , ∗∗∗
respectivement significatif à 10%, 5% et 1% .
Dans la mesure où les deux statistiques de Wald sont non significatives, on ne peut
pas rejeter l’hypothèse d’exogéniété de la variable chg org dans les deux modèles.
Par ailleurs, nos variables instrumentales (appartenance à un groupe et obstacles au
changement) sont valides puisque les statistiques du test de sur-identification des ins-
truments de Sargan sont non significatives. Ces résultats nous assurent de l’absence
de problème d’endogéniété de cette variable dans les deux équations. Nous adoptons
alors des modèles probit simples pour expliquer la probabilité d’adoption de chaque
type d’innovation. Les résultats de ces estimations sont présentés dans le tableau
suivant :
58
Table 3.2 – Estimation des modèles Probit simples
variables Inn pdt Inn pcd

Coef Z Coef Z
Dde pull 0.17 18.17*** 0.16 4.21***
Taille 0.10 5.00*** 0.05 2.98***
hautech -0.38 -0.73 0.15 0.32
moyhotech 0.11 0.41 0.25 0.96
moyfaibtech 0.56 1.95** -0.13 -0.58
faibtech -0.51 -1.88* -0.22 -0.87
Activités RD 1.47 25.94*** 0.73 13.38***
Coop 0.35 6.01*** 0.24 4.49***
Chg org 0.11 2.20** 0.71 15.23**
Cons -2.21 -21.13*** -1.97 -20.87***
LR χ2 3799.62*** 2837.79***
Pseudo R2 0.5371 0.4057
Note : ∗ ,∗∗ , ∗∗∗
respectivement significatif à 10%, 5% et 1% .
Les pseudo R2 de nos deux modèles expliquant les probabilités d’innover en pro-
duit, en procédé sont moyens avec des niveaux respectifs de 0.53 et 0.40. En outre,
les modèles sont globalement significatifs à un niveau de 1%. Ces résultats montrent
que les modèles choisis répondent d’une manière acceptable aux données utilisées
dans cette étude. Les régressions ont révélé que les deux types d’innovation ne sont
pas expliqués de la même manière :
3.3.2.1 Rôle des caractéristiques internes et externes de l’entreprise
A l’instar de plusieurs études empiriques antérieures (Crépon, Duguet et Mai-

resse, 1998, 2000 ; Ayadi, Rahmouni et Yildizoglu, 2007), nos résultats montrent que
la capacité d’innovation de l’entreprise dépend de ses caractéristiques intrinsèques
et du contexte dans lequel elle opère. En effet, l’hypothèse schumpetérienne selon

laquelle les grandes entreprises sont plus innovantes que les petites est confirmée
puisque le coefficient de la variable taille mesurée par le logarithme du nombre d’em-
ployés en 2006 est significativement positif (à 1%) dans les équations des deux types
d’innovation. Ainsi, plus la taille de l’entreprise est grande, plus elle est susceptible
59
d’innover en produit et en procédés afin de profiter des économies d’échelle et main-
tenir sa part de marché. D’où, l’hypothèse de l’effet positif de la taille de l’entreprise
sur sa capacité d’innovation est validée.
Concernant les caractéristiques externes de l’entreprise, nous constatons que la

variable impulsion par la demande a des coefficients positifs et très significatifs dans
les deux équations. Nous pouvons donc corroborer l’hypothèse selon laquelle ce fac-
teur stimule l’innovation en produit et en procédé. De fait, les mutations de l’en-
vironnement engendrent des changements permanents des conditions de marché et
des besoins de la clientèle et, afin de conserver leurs positions concurrentielles et
conquérir de nouveaux marchés, les entreprises se voient dans l’obligation d’étendre
leurs gammes de produits et d’améliorer leurs méthodes de production pour faire

face à la concurrence. Cependant, nos résultats montrent que l’effet de l’intensité
technologique semble très mitigé. En effet, nous constatons que l’appartenance aux
industries de haute technologie n’a pas d’effet significatif sur les deux types d’innova-
tion. Les industries de moyenne-faible technologie sont les plus disposées à innover en
produit. Par contre l’appartenance aux industries de faible technologie a un impact
significativement négatif sur la probabilité d’innover en produit. En résumé, cette
étude suggère que la poussé technologique affecte plus l’innovation en produit que
l’innovation en procédé mais ne nous permet pas de conclure quand au signe de cet
effet.
Nous avons donc pu montrer que les probabilités d’innover en produit ou pro-
cédé sont influencées par les caractéristiques internes et externes de l’entreprise no-
tamment sa taille et l’impulsion de la demande. Il nous reste à analyser l’effet des
pratiques technologiques et organisationnelles.
60
3.3.2.2 Rôle des pratiques technologiques et des changements organisa-
tionnels
Dans cette section, nous allons nous intéresser à examiner l’effet des activités de
R&D, de la coopération technologique et des changements organisationnels sur la
probabilité d’innover en produit et en procédé. Nous constatons l’importance de l’ef-
fet de l’activité de recherche et développement sur l’innovation. En effet, le coefficient

de cette variable est significativement (à 1%) positif dans les deux régressions. Il est
clair que cet effort interne entrepris par les unités de recherche de la firme constitue
le principal mécanisme de développement des compétences technologiques (Crépon,
Duguet et Mairesse ; 1998, 2000). Ceci contribue alors à la création de nouvelles

connaissances permettant la production de nouveaux produits et/ou l’adoption de
nouvelles méthodes de production. Les travaux, expériences, enquêtes et discussions
sont des activités qui sont menées par les équipes de R&D et qui constituent les prin-
cipales sources d’augmentation du stock de connaissances de la firme. Cependant leur
partage et leur bonne diffusion sont conditionnés par l’interaction et l’implication de

tous les partenaires internes et externes de l’entreprise. Toutes ces constatations nous
amènent à accepter notre hypothèse relative à l’effet positif de l’activité de R&D sur
l’innovation.
Nous remarquons également que le coefficient de la variable coopération tech-

nologique est significativement positif pour les deux types d’innovation. Ce résultat
suggère que les relations de partenariat technologiques ont favorisé, pour les entre-
prises françaises, l’innovation ou l’amélioration significative de leurs produits et de

leurs procédés grâce à l’internalisation des nouvelles compétences technologiques de
leurs partenaires. Comme l’ont souligné Cohen et Levinthal (1990), Hamel et Pra-
halad (1994) et Karray (2003), ces relations permettent aux entreprises la mise en
commun de connaissances et d’informations complémentaires ou le développement
61
d’un processus d’apprentissage lié à leur capacité d’absorption. Ainsi, l’engagement
de l’entreprise dans une relation de coopération augmente significativement sa pro-
babilité d’innover.
Si nous examinons maintenant l’effet de l’adoption de nouvelles pratiques orga-

nisationnelles de gestion des connaissances, nous constatons que le coefficient de ce
facteur est positif de 0.11 et significatif à 1% sur la probabilité d’innover en produit

et de 0.71 (significatif à 1%) sur la probabilité d’innover en procédé. Ce résultat est
cohérent avec la littérature (Dosi & Teece, 1998 ; Coriat et Weinstein, 2002 ; Galia et
Legros, 2005 ; Mohnen et Roller, 2005). En effet, nous rappelons que cette variable
a été construite à partir des items suivants : adoption de nouvelles pratiques dans le
mode de production (système de gestion de la chaı̂ne d’approvisionnement, business

re-engineering, production sur commande, système de gestion de la qualité, système
de formation) ou mise en place de systèmes de gestion des connaissances nouveaux
ou améliorés de manière significative (pour améliorer l’utilisation ou l’échange de
l’information, du savoir ou des compétences à l’intérieur ou vis-à-vis de l’extérieur

de l’entreprise) ou encore une importante modification de l’organisation du travail
(nouvelle répartition des responsabilités / du pouvoir de décision parmi les salariés,
travail d’équipe, décentralisation, intégration ou autonomisation de différents ser-
vices de l’entreprise). Tous ces éléments favorisent le changement des méthodes de

production et de l’architecture organisationnelle de l’entreprise ainsi que la création
et le partage de connaissances stimulant l’innovation en produit et en procédé. Notre
hypothèse relative à l’effet positive des changements organisationnels sur l’innovation
est donc corroborée.
62
3.3.3 Etude de la complémentarité entre les pratiques orga-
nisationnelles et technologiques
Comme nous l’avons mentionné dans notre premier chapitre, la complémenta-

rité entre deux variables ou deux stratégies existe si ” faire plus de l’une accroı̂t
les rendements obtenus en faisant plus de l’autre ” (Milgrom and Roberts, 1990,
1995 ; Holmstrom and Roberts, 1998). Le rendement marginal d’une activité est une
fonction croissante du niveau des autres activités.
3.3.3.1 Conditions de complémentarité
Nous avons vu (chapitre I) qu’une fonction Y = f (x1 , x2 , . . . , xn ) est dite super-

modulaire et x1 , x2 sont complémentaires si et seulement si :
f (x1 + 1, x2 + 1, ..., xn ) − f (x1 , x2 + 1, ..., xn ) ≥ f (x1 + 1, x2 , ..., xn ) − f (x1 , x2 , ..., xn )

(1)
Alternativement, cette équation peut être écrite de la manière suivante :
f (x1 +1, x2 +1, ..., xn )+f (x1 , x2 , ..., xn ) ≥ f (x1 +1, x2 , ..., xn )+f (x1 , x2 +1, ..., xn ) (2)
avec une inégalité stricte pour au moins une des valeurs de x1 , x2 , ..., xn .
Il suffit alors de vérifier la complémentarité pour toutes les combinaisons pos-
sibles de stratégies indépendamment des autres stratégies ou variables. Nous voulons

ici étudier la complémentarité de l’effet des changements organisationnels avec la
coopération technologique et l’activité de R&D sur l’innovation. Toutes ces variables
étant dichotomiques, l’ensemble des combinaisons possible des trois stratégies (chan-
gements organisationnels, coopération technologique, et activité de R&D) est donné

par :
63
E = {000, 100, 010, 001, 110, 101, 011, 111}
Si nous utilisons la définition de la super-modularité et pour tester la complé-
mentarité de chaque couple de variable, le nombre de contraintes à vérifier est égal

Pk−1
à : 2(k−2) i=1 i avec k le nombre de stratégies. Dans la mesure où nous avons trois
stratégies, nous devons tester 6 contraintes. De même, nos variables dépendantes sont
dichotomiques donc les fonctions à analyser sont les probabilités conditionnelles d’in-
nover en produit ou en procédé (Choi et al, 2008). La condition de super-modularité

dans (2) peut être écrite alors de la manière suivante :
P (y = 1 \ x1 + 1, x2 + 1, ..., xn ) + P (y = 1 \ x1 , x2 , ..., xn ) ≥
P (y = 1 \ x1 + 1, x2 , ..., xn ) + P (y = 1 \ x1 , x2 + 1, ..., xn ) (3)
Cette condition stipule que la probabilité d’innover en produit ou en procédé
suite à l’adoption simultanée de deux stratégies est supérieure à la somme des deux
probabilités obtenues lorsque chacune des deux pratiques est adoptée séparément.
Nous définissons un indice de complémentarité (Choi et al, 2008) (IC) pour déter-
miner le niveau de l’effet conjugué de chaque couple de stratégies sur la probabilité

d’innover par rapport à l’effet de chacune d’entre elles prise séparément.
P (y = 1 \ x1 + 1, x2 + 1, ..., xn ) + P (y = 1 \ x1 , x2 , ..., xn )
IC = (4)
P (y = 1 \ x1 + 1, x2 , ..., xn ) + P (y = 1 \ x1 , x2 + 1, ..., xn )
Avec : P (y = 1 \ x1 + 1, x2 , ..., xn ) + P (y = 1 \ x1 , x2 + 1, ..., xn ) 6= 0.
64
Le test de complémentarité consiste à comparer l’IC par rapport à 1. Pour que
les deux stratégies x1 et x2 soient complémentaires il faut en premier lieu que P (Y =
1 \ x1 + 1, x2 + 1, ..., xn ) soit supérieure à P (Y = 1 \ x1 , x2 + 1, ..., xn ) de telle sorte

que la probabilité d’innover augmente du fait de l’adoption simultanée des deux
stratégies. En deuxième lieu, il faut que l’IC soit supérieur à 1 pour satisfaire la
condition de l’équation (3). Plus l’IC est élevé, plus la complémentarité de l’effet des
deux stratégies sur la probabilité d’innover est importante.
3.3.3.2 Tests de complémentarité et résultats
Nous allons tout d’abord comparer l’effet marginal de l’adoption de chacune des
stratégies mises en œuvre séparément avec l’effet marginal de leur adoption simul-
tanée avec les autres stratégies. Pour cela, nous avons calculé en premier lieu, la
probabilité prédite de chaque type d’innovation (P (Y = 1 \ X = X)) pour une firme
médiane (Fontana & Nesta, 2009). Cette probabilité est obtenue en utilisant les va-
leurs médianes pour les variables continues (impulsion de la demande et taille) et

les valeurs moyennes pour les variables dichotomiques (classe technologique, activité
de R&D, coopération technologique et changement organisationnel). En deuxième
lieu, nous avons calculé le changement dans la probabilité prédite 2 des deux types
d’innovation suite à un changement de la valeur des variables technologiques et or-

ganisationnelles significatives (RD activity (x1 ), tech coop (x2 ) et org chg (x3 ) de 0
à 1, toutes les autres variables étant maintenues à leur valeur médiane ou moyenne
d’origine. En troisième lieu, nous avons calculé les indices de complémentarité telle
que définis dans (4). A titre d’exemple l’IC entre x1 et x2 est donné par :
P (y = 1 \ x1 = 1, x2 = 1, x3 , z) + P (y = 1 \ x1 = 0, x2 = 0, x3 , z)
IC =
P (y = 1 \ x1 = 1, x2 = 0, x3 , z) + P (y = 1 \ x1 = 0, x2 = 0, x3 , z)
2. Tous les changements sont calculés par rapport à la situation de référence dans laquelle aucune
des trois stratégies n’est adoptée (000) et les autres variables sont maintenues à leur valeur moyenne
ou médiane.
65
Avec x3 = {1, 2} et z le vecteur des variables explicatives maintenues à leurs
valeurs moyennes ou médianes autre que x1 , x2 etx3 . Ainsi, pour chaque couple de
variable, nous aurons deux IC : un indice pour chaque valeur de la troisième pratique
(pour le couple x1 \x2 , nous aurons IC1 pour x3 = 0 et IC2 pour x3 = 1). Les résultats
de tous ces calculs sont présentés dans le tableau suivant :
66
Table 3.3 – Tests de complémentarité entre activité de R&D, partenariat technolo-
gique et changements organisationnels
Probabilité prédite Innovation Innovation

P (y = 1/x) Produit Procédé
Firme médiane 0.296 0.284
(x1 = 0, x2 = 0, x3 = 0, z) 0.082 0.084
Changement en point -0.214 -0.200
(x1 = 1, x2 = 0, x3 = 0, z) 0.536 0.261
Changement en point 0.454 0.177
(x1 = 0, x2 = 1, , x3 = 0, z) 0.149 0.127
(x1 = 0, x2 = 0, x3 = 1, z) 0.101 0.253
(x1 = 1, x2 = 1, x3 = 0, z) 0.670 0.345
(x1 = 1, x2 = 0, x3 = 1, z) 0.582 0.529
(x1 = 0, x2 = 1, x3 = 1, z) 0.1786 0.336
(x1 = 1, x2 = 1, x3 = 1, z) 0.712 0.624
IC 1 1.098 1.103
R&D\Coop IC 2 1.069 1.691
Result Complementarité Complementarité
IC 3 1.181 1.193
R&D\Org chg IC 4 1.014 1.103
Result Complementarity Complementarité
CI 5 1.038 1.103
Coop\Org chg CI 6 0.996 1.011
Result Complementarité Complementarité
67
D’après ce tableau des effets marginaux, la probabilité qu’une entreprise médiane
innove en produit est de 29% et celle en procédé est de 28%. Ces probabilités di-
minuent respectivement de 72.33% (0.21 points) et de 70.42% (0.20 points) si cette

entreprise n’adopte aucune des trois stratégies (activité de R&D, partenariat et chan-
gement organisationnel). Il s’agit d’une baisse très importante de la probabilité d’in-
nover qui suggère l’importance du rôle stimulateur de ces stratégies sur l’innovation.
Une entreprise qui n’adopte aucune de ces trois stratégies a une faible chance d’in-
nover en produit ou en procédé.
Par rapport à cette situation de référence, si cette même entreprise décide de

lancer une activité de R&D interne, sa probabilité d’innover en produit augmente de
0.45 point et celle en procédé de 0.17 point. En ce qui concerne la coopération tech-
nologique, son adoption seule augmente la probabilité d’innover en produit de 0.06
point et en procédé de 0.04 point. De même, le rendement marginal sur la probabilité
d’innover d’un changement organisationnel par rapport à la situation de référence
est de 0.01 point pour l’innovation en produit et 0.17 point pour celle en procédé.
Tous ces changements tendent à prouver l’effet positif qu’exerce chacune de ces trois
stratégies sur la capacité innovatrice des entreprises françaises.
Observons à présent les résultats de l’adoption simultanée de chaque paire de ces

stratégies. Nous remarquons qu’une adoption simultanée d’une activité de R&D et
d’une relation de partenariat technologique fait monter la probabilité d’innovation
en produit et en procédé respectivement de 0.58 et de 0.28 point. Ce résultat suggère
que le rendement marginal d’un couplage entre ces deux stratégies est beaucoup plus
important que l’adoption de chaque pratique à part. De plus, les indices de complé-
mentarité entre ces deux stratégies (IC1 et IC2 ) sont supérieurs à 1. Nous pouvons
donc en déduire que ces deux stratégies ont des effets complémentaires sur l’inno-
68
vation en produit et en procédé puisque l’adoption de l’une augmente le rendement
marginal de l’adoption de l’autre. Ainsi, l’exploitation de nouvelles compétences tech-
nologiques issues des relations de partenariat requiert un effort interne d’assimilation

et d’absorption entrepris par les équipes de R&D. Cette activité est nécessaire pour
pouvoir intérioriser ce flux de connaissances et l’utiliser dans l’innovation en produit
ou l’amélioration significative des méthodes de production. Ceci est conforme aux
résultats de Cohen et Levinthal (1990) ou encore Karray (2003).
Si l’entreprise de référence se lance simultanément dans une activité de R&D et

dans une modernisation de ses pratiques organisationnels, sa probabilité d’innover en
produit augmente de 0.5 point et en procédé de 0.44 point. Ceci signifie que l’innova-
tion est davantage favorisée par l’adoption simultanée de ces deux stratégies que par
l’adoption de chacune de ces stratégies séparément. Ce résultat est synonyme d’une
complémentarité ou d’une interaction positive entre l’effort de R&D et les change-
ments organisationnels pour les deux types d’innovation. Il est clair que l’intégration
de nouvelles politiques organisationnelles dans les décisions stratégiques de l’entre-

prise ouvre la voie à de nouvelles idées et possibilités d’amélioration des méthodes de
travail et de production. Ce flux d’information lorsqu’il est intégré aux discussions,
séminaires et expériences des équipes de R&D génère vraisemblablement des innova-
tions en produit et en procédé. Réciproquement, l’effort des équipes de R&D facilite

la conformité de l’entreprise aux exigences de la nouvelle architecture organisation-
nelle visée par la réduction de l’écart entre les résultats et les objectifs. Ce résultat
est confirmé par les valeurs de IC3 et IC4 supérieurs à 1.
De la même manière, nous constatons une augmentation de la probabilité d’in-

nover suite à l’engagement de l’entreprise dans une relation de partenariat technolo-
gique en produit de 0.09 point et en procédé de 0.25 point suite à un couplage entre
69
cette politique et une stratégie d’innovation organisationnelle. Ainsi, le lancement
dans une relation de partenariat favorisera davantage la probabilité d’innover s’il est
accompagné par une souplesse de production, par une implication des partenaires
internes et externes dans les objectifs de l’entreprise et par une flexibilité organisa-
tionnelle qui facilite l’adaptation au changement. De même, l’adoption de ces bonnes
pratiques organisationnelles stimule plus l’innovation si elle est accompagnée par une
coopération technologique qui permet l’acquisition de nouvelles compétences et l’in-

tensification de la capacité absorptive de l’entreprise. Les indices de complémentarité
entre ces deux pratiques (IC5 et IC6 ) sont supérieurs à 1. Il s’avère donc qu’il existe
un lien de complémentarité entre les effets de la coopération technologique et celui
des innovations organisationnelles de gestion des connaissances.
3.4 Conclusions
L’objectif de ce chapitre était en premier lieu de déterminer les facteurs qui favo-
risent la probabilité d’innovation pour les entreprises françaises. Après avoir construit
nos variables et fait les tests d’endogèniété nécessaires, nos résultats issus des régres-
sions probit suggèrent que la probabilité d’innover en produit ou en procédé est
déterminée par les caractéristiques intrinsèques de l’entreprise et celles de son envi-
ronnement ; notamment sa taille et l’impulsion de la demande (Crépon, Duguet et

Mairesse, 1998, 2000 ; Ayadi, Rahmouni et Yildizoglu, 2007).
De même, le lancement de l’entreprise dans une activité de R&D agit positivement et
significativement sur les deux types d’innovation. En effet, l’effort interne entrepris
par les unités de recherche de la firme constitue le principal mécanisme de dévelop-

pement des compétences technologiques (Crépon, Duguet et Mairesse, 1998, 2000).
Cette stratégie contribue en effet à la création de nouvelles connaissances permet-
tant la production de nouveaux produits et/ou l’adoption de nouvelles méthodes de
70
production.
Nos résultats suggèrent également que les relations de partenariat technologiques
ont favorisé pour les entreprises françaises l’innovation ou l’amélioration significative

de leurs méthodes de production grâce à l’internalisation des nouvelles compétences
technologiques de leurs partenaires (Cohen et Levinthal, 1990 ; Hamel et Prahalad,
1994 et Karray, 2003). De plus, l’adoption de nouvelles stratégies organisationnelles
de gestion des connaissances contribue d’une manière significative au développement

des compétences pour innover. En effet, cette stratégie favorise le changement des
méthodes de production et de l’architecture organisationnelle de l’entreprise ainsi
que la création et le partage des connaissances stimulant ainsi l’innovation surtout
en procédé.
En deuxième lieu, afin de déterminer les éventuelles relations d’interdépendance et

de complémentarité entre les pratiques technologiques (activité de R&D et partena-
riat technologique) et organisationnelles (de management des connaissances), nous
avons testé les conditions de complémentarité de chaque couple de stratégies telles
que définies par Topkis (1978) et Milgrom & Roberts (1990, 1995). Cette étude des
rendements marginaux des trois stratégies sur la probabilité d’innover nous a per-
mis de montrer qu’elles sont inter-reliées et qu’elles ont des effets complémentaires
qui appellent leur adoption simultanée plutôt que leur adoption séparée. Ainsi, pour
pouvoir bénéficier pleinement de l’effet positif du partenariat et des efforts de R&D

sur l’innovation, ceux-ci doivent être accompagnés par certaines pratiques organi-
sationnelles liées à la bonne gestion des compétences et à la mise en place d’une
architecture organisationnelle favorisant la création et le partage des connaissances
et flexible aux changements. En tenant compte de ces relations de complémentarité

entre les compétences technologiques et organisationnelles pour innover, nous propo-
sons dans le troisième chapitre un modèle pour mesurer le rendement des différents
types d’innovation.
71
CHAPITRE 4
EFFETS DES INNOVATIONS TECHNOLOGIQUES ET
ORGANISATIONNELLES SUR LA PRODUCTIVITÉ :
UNE EXTENSION DU MODÈLE CDM
Introduction
Tout en tenant compte de la complémentarité des déterminants de l’innovation

montrée dans le chapitre précédent, nous étudions dans ce quatrième chapitre le ren-
dement des différents types d’innovation. En effet, un intérêt croissant est attribué
au rôle de l’innovation, considérée comme un déterminant de la compétitivité et de
la flexibilité des entreprises dans un contexte de mutation rapide de l’environnement
économique. Plusieurs études ont montré que l’innovation technologique contribue
d’une manière significative à la productivité des entreprises (Griliches, 1979 ; Crépon

et al., 1998, Loof et Heshmati, 2002, Galia et Legros, 2005 ; Griffith et al, 2006, Robin
et Mairesse, 2008, Polder et al, 2010).
En effet, face à la concurrence qui s’intensifie, la création de nouveaux produits et de
nouvelles méthodes de production devient un impératif pour les entreprises et une

ressource stratégique nécessaire leur permettant de maintenir leur position concur-
rentielle.
L’étude de la relation innovation-productivité a débuté avec le travail pionnier de
72
Griliches (1979) qui, à l’aide d’une fonction de production Cobb-Douglas augmentée
de la R&D, a pu montrer que le flux de connaissances qui en découle exerce un effet
positif sur la productivité.
Crépon, Duguet et Mairesse (1998) ont contribué à un développement important

de ces résultats, ce qui a servi de base aux travaux récents sur le rendement de l’in-
novation. Selon leur étude connue sous le nom de modèle CDM, les caractéristiques
internes et externes de la firme déterminent son activité de R&D. Cette dernière
stimule le développement du capital de connaissances technologiques et l’intensité
d’innovation qui favorisent la productivité de la firme. Leur apport principal a été
de distinguer les inputs et les outputs de l’innovation. Sont considérés comme inputs
d’innovation tous les facteurs internes et externes qui favorisent l’engagement d’une
entreprise dans une activité d’innovation. Leur étude montre que ces stimulateurs de
l’innovation sont composés principalement de la R&D interne, de l’impulsion de la
demande et de la poussée technologique. Ils mesurent les outputs d’innovation d’une
part par l’introduction de nouveaux produits ou le changement ou l’amélioration

significative des méthodes de production et d’autre part par l’intensité de ces inno-
vations donnée par la part de vente des produits nouveaux dans le chiffre d’affaire.
Plusieurs études ont par la suite corroboré l’impact positif de l’innovation sur
la productivité en utilisant le modèle CDM (Loof and Heshmati, 2002, Griffith et
al, 2006, Robin et Mairesse, 2008). La majorité de ces travaux se sont focalisés sur
l’innovation technologique en produit étant donné que c’est le seul type d’innovation
pouvant être évalué d’une manière précise et accessible par des données quantitatives
(nombre de brevets, part des produits nouveaux dans le chiffre d’affaire).
Cependant, nous assistons à un changement des données disponibles avec l’appa-
73
rition de nouvelles enquêtes communautaires sur l’innovation (CIS) qui ont introduit
d’autres inputs (investissement en TIC) et outputs (innovation organisationnelle et
de marketing) de l’innovation. Ainsi des études récentes ont montré l’importance de

l’effet des pratiques organisationnelles et de la gestion des connaissances (knowledge
management) sur la réussite de l’innovation. Ces travaux ont mis l’accent sur la né-
cessité que les innovations technologiques, pour être efficaces, soient accompagnées
de changements organisationnels (Brynjfolsson et Hitt, 2000 ; Bresnahan, Brynjolf-

sson et Hitt, 2002 ; Greenan et Mairesse, 2004 ; Galia et Legros, 2005 ; Mohnen et
Roller, 2005 ; Polder et al, 2010).
Notre étude s’inscrit dans ce champ de recherche en s’interrogeant plus précisé-
ment sur les facteurs internes et externes favorisant les différents types de l’innovation
et la complémentarité des innovations technologiques et organisationnelles en termes
de productivité. Cette question reste en effet très peu abordée par la littérature mal-
gré l’abondance des travaux sur le rendement des innovations technologiques.
L’originalité de notre étude est de faire une extension du modèle CDM consistant
d’abord à considérer les investissements en R&D externe et en achat de machines et
logiciels (M&L) en plus des investissements classiques en R&D interne comme input
d’innovation, puis à introduire les innovations organisationnelles (changement dans

les stratégies managériales, l’organisation du travail ou les relations extérieurs) et de
marketing (changement dans la conception du produit, l’emballage, le placement ou
la politique de prix) comme outputs complémentaires aux innovations technologiques
en produit (innovation ou amélioration significative de biens et services) et en procédé

(changement dans les méthodes de production ou de distribution).
Nous commençons dans une première section par un survol de la littérature basée sur
le modèle CDM qui étudie le rendement de l’innovation. Dans une deuxième section
74
nous présentons notre modèle économétrique et la méthode d’estimation puis, dans
une troisième section nous interprétons les résultats et concluons.
4.1 Revue de la littérature basée sur le modèle
CDM
Les études sur le rendement de l’innovation diffèrent en fonction de l’évolution des

données offertes par les enquêtes communautaires sur l’innovation et des méthodes
économétriques utilisées. Toutefois, la majorité de ces travaux se basent sur le modèle
de rendement de l’innovation de Crépon, Duguet et Mairesse (1998).
4.1.1 Présentation du modèle CDM
Ce modèle se schématise de la manière suivante :
suivante :
Part de marché/
Diversification
Activité de R&D,
Investissement en
R&D
Impulsion du marché,
Capital de connaissances Taille, Secteur
Dynamique de la
technologique d’activité
technologie
Innovation/ Brevets
Productivité
Source : Crépon,
Source: Crépon,Duguet
Duguet etetMairesse
Mairesse (1998,2000)
(1998,2000)
Figure 4.1 – Modèle CDM
75
Ainsi, selon le modèle CDM, les attributs internes (taille, secteur d’activité) et
externes (impulsion du marché et dynamique de la technologie) de la firme déter-
minent son activité de R&D. Cette dernière stimule le développement du capital

de connaissances technologiques qui détermine l’intensité d’innovation et par là la
productivité de la firme. L’avantage de cette structure est qu’elle traite les deux pro-
blèmes adjacents aux données d’innovation : le problème de sélection et le problème
d’endogènieté (Mairesse et Mohnen, 2010).
En fait, les données sur l’innovation sont censurées. Seuls les entreprises qui ont
des innovations réalisées, en cours ou abandonnées sont appelées à fournir des données
sur leurs inputs d’innovation (activité de R&D, coopération, sources d’information et
de financement. . .). Cette censure doit être corrigée pour éviter le biais de sélection
qui en découle. En outre, les décisions relatives aux activités d’innovation sont prises
d’une manière simultanée et sont déterminées conjointement par d’autres facteurs.
D’où, pour remédier à ce risque d’endogénieté, une bonne analyse des relations de
causalité entre ces décisions requière une modélisation en équations structurelles.
4.1.2 Travaux basés sur le modèle CDM
La plupart des papiers utilisent le ratio de Mills pour corriger le biais de sélection
(Robin et Mairesse, 2008 ; Polder et al., 2010) et les procédures en deux étapes
pour corriger la simultanéité (Lööf et Heshmati, 2002 ; Griffith et al.,2006). Nous
présentons dans le tableau suivant un panorama qui est loin d’être exhaustif de
travaux faits sur la relation entre les inputs et les outputs de l’innovation et leurs
effets sur la productivité des firmes.
76
Table 4.1 – Liste non exhaustive des travaux sur le rendement de l’innovation
Etude Base de données Variables endogènes Méthode d’estimation Commentaires
Crépon, Duguet et CIS France 1986-1990 R&D, brevets (ou part des pro- Tobit généralisé pour la R&D, Données tronquées pour la
Mairesse (1998, 2000) duits nouveaux dans le chiffre Moindres Carrés asympto- R&D
d’affaire), productivité du tra- tiques pour l’innovation et la
vail productivité
Lööf et Heshmati Suède Dépenses d’innovation \em- systèmes d’équations, Données tronquées pour la
(2002) ployé, ventes des produits nou- Moindres Carrés asympto- R&D et la formation, données
veaux\employé, valeur ajoutée tiques dichotomiques pour la qualité,
\employé mesure de l’effet de retour
Galia et Legros (2003) France 1994-1996 R&D, innovation, formation, Tobit généralisé pour l’innova- Effet de retour de la producti-
qualité, profitabilité tion, les dépenses, 2SLS avec vité sur l’output d’innovation
correction pour le biais de sé-
lection
77
Griffith, Huergo, Mai- France, Allemagne, Espagne et R&D, Innovation en produit et 2 modèles probit séparés pour Les probabilités prédites d’in-
resse et Peters (2006) UK en processus, fonction de pro- chaque type d’innovation, novation en produit et en
duction augmentée contrôle d’endogéniété dans procédé sont introduites dans
l’équation de productivité l’équation de production
Robin et Mairesse France CIS3 (1998-2002) et R&D, Innovation en produit et Modèle Tobit généralisé pour Comparer les probabilités d’in-
(2008) CIS4 (2002-2004) en processus, productivité de la R&D, Modèle probit biva- nover en produit et en pro-
travail rié pour l’innovation, Modèle cédés simultanément et sépa-
linéaire pour la productivité rément. Effet positif des deux
types d’innovation sur la pro-
ductivité pour les deux cas
Polder, Leeuwen, Moh- CIS Pays-Bas (2002, 2004, TIC, R&D, innovation en pro- Modèle Tobit généralisé pour Introduction de TIC et des
nen et Raymond (2010) 2006) duit en procédé et organisa- les TIC et la R&D, probit innovations organisationnelles,
tionnelle, productivité multivarié pour l’innovation, li- comparaison du secteur manu-
néaire pour la productivité facturier et de services, Etude
de la complémentarité entre les
différents types d’innovation.
Le modèle de base (Crépon, Duguet et Mairesse, 2000) est composé de trois
étapes. La première étape a la forme d’un modèle Tobit servant à expliquer l’acti-
vité de R&D (composé de deux sous équations : une pour sélectionner ceux qui ont
fait la R&D et l’autre pour expliquer l’investissement en R&D). La deuxième étape
relie l’output d’innovation (mesuré par le nombre de brevet et la part des ventes
de produits nouveaux dans le chiffre d’affaire) à la R&D. La troisième étape relie
la productivité à l’output d’innovation. L’estimation de la 2ème et la 3ème équation

est réalisée par les moindres carrés asymptotiques qui permettent d’obtenir des esti-
mateurs convergents asymptotiquement normaux (Gourieroux, Monfort et Trognon,
1985) à partir des estimateurs du maximum de vraisemblance et du pseudo-maximum
de vraisemblance de la forme réduite (Crépon, Duguet et Mairesse, 2000). Cette mé-
thode permet de corriger le problème de présence de variables endogènes et se base

sur la simulation. En plus de l’avantage de donner une explication structurelle de
la relation R&D-productivité, le modèle CDM permet de résoudre deux problèmes
économétriques : la prise en compte de la sélection et de la simultanéité (Mairesse
et Mohnen, 2003). L’estimation des trois équations du modèle CDM est faite sur les
données de la CIS française (1986 -1990).
D’autres travaux ont été appliqués sur des données individuelles d’innovation is-
sues d’autre pays (Suède, Allemagne, Royaumes unis,. . .). La majorité de ces études
se basent sur le modèle CDM mais diffèrent dans le choix des variables endogènes
et explicatives et dans le choix de la méthode d’estimation. Ainsi, Lööf et Heshmati
(2002) ont utilisé la somme des dépenses d’innovation par employé au lieu des in-
vestissements en R&D comme input de l’innovation. Ils ont utilisé la même méthode
d’estimation que CDM mais ils ont en plus mesuré l’effet de retour de la producti-
vité sur l’innovation. Cet effet de retour a été également mesuré par Galia et Legros
(2003) qui en plus de l’effet de l’innovation ont introduit les effets de la qualité et de
78
la formation sur la profitabilité. En outre, ils ont corrigé l’endogeneité en utilisant
la méthode de double moindre carré qui est beaucoup plus simple à mener numé-
riquement que la méthode des moindres carrés asymptotiques et donne en plus des
estimateurs plus robustes.
Ces études ont recouru au nombre de brevet et à la part de vente des produits
nouveaux pour mesurer l’output d’innovation. Cependant, ces mesures ont été large-
ment critiqués (Mairesse et Mohnen, 2010). En effet, les brevets concernent seulement
les innovations radicales et il est possible qu’ils ne peuvent jamais être introduits en
marché. En outre, la part de vente des produits nouveaux ne peut pas être détermi-
née d’une manière précise. Les études récentes utilisent de plus en plus des données
qualitatives pour mesurer l’output d’innovation. Quoiqu’elles soient moins informa-

tives, ces données sont moins affectées par les erreurs de mesure. A titre d’exemple,
Griffith et al. (2006) ont mesuré l’output d’innovation par deux variables dichoto-
miques indiquant si l’entreprise a fait une innovation en produit ou en procédé et à ce
fait ils ont utilisé deux modèles Probit séparés (un pour chaque type d’innovation).
Pour contrôler l’endogèneité ils ont introduit les probabilités prédites d’innovation
en produit et en procédé dans l’équation de production.
Seulement, cette spécification en modèles Probit séparés ne permet pas de mettre

en évidence le fait que les innovations en produit et en procédé sont interdépendantes
et peuvent être déterminées d’une manière simultanée. Pour cette raison, Robin et
Mairesse (2008) ont utilisé plutôt un modèle Probit bivarié pour l’innovation. Ils ont
pu ainsi faire une comparaison entre les effets d’innover en produit et en procédé si-
multanément et séparément sur la productivité. Et ils ont souligné des effets positifs
dans les deux cas.
79
Avec l’évolution des enquêtes communautaires sur l’innovation, d’autres sources
et d’autres types d’innovation ont été ajouté aux innovations en produit et en pro-
cédé, notamment les innovations organisationnelles. Ainsi, Polder et al. (2010) ont
introduit ce troisième type et de ce fait ils ont utilisé un modèle Probit multivarié
pour estimer l’output d’innovation. Ils ont introduit également l’investissement en
NTIC comme input d’innovation qui s’ajoute à l’investissement en R&D. Ce modèle
leur a permis aussi d’étudier la complémentarité entre les différents types d’inno-
vation et de montrer que les innovations en produit et en procédé n’ont des effets
positifs sur la productivité que si elles sont accompagnées par une innovation orga-
nisationnelle.
Notre apport par rapport à cette littérature sur le rendement de l’innovation

consiste à faire une extension du modèle CDM tout en tenant compte des biais de
sélection et d’endogèniété. Notre extension consiste d’abord à introduire les investis-
sements en R&D externe et en machines et logiciels en plus des investissements clas-
siques en R&D interne comme input d’innovation, puis à introduire les innovations
organisationnelles et de marketing comme outputs complémentaires aux innovations
technologiques en produit et en procédé.
4.2 Modèle économétrique
4.2.1 Donnés et méthodologie
Nous nous basons sur le modèle CDM pour l’estimation du rendement de l’activité
d’innovation des entreprises françaises. Nous avons utilisé les données de l’enquête
communautaire sur l’innovation menée en 2006 sur un échantillon de 5179 entreprises
industrielles françaises de 20 salariés et plus. Notre modèle est composé de trois blocs
d’équations structurelles permettant de tenir compte à la fois des biais de sélectivité
80
et d’endogèneité. Le premier bloc est consacré à l’input de l’innovation.
Il considère trois types d’investissements : en R&D interne, en R&D externe et

en M&L. Nous estimons la fonction d’investissement par un modèle Tobit généralisé
type II composé de deux équations (une pour la décision d’investir et l’autre pour le
montant d’investissement) et permettant de corriger le biais de sélection. Les valeurs
prédites des investissements sont par la suite introduites dans le deuxième bloc relatif
à l’output de l’innovation qui permet d’approximer les probabilités d’innover en pro-
duit, en procédé, en organisation et en marketing par un modèle Probit multivarié. Ce
deuxième modèle est estimé par la méthode de maximum de vraisemblance simulé
en utilisant le simulateur GHK (Train, 2003). Les probabilités prédites de chaque
type d’innovation sont par la suite introduites dans le troisième bloc composé de
l’équation linéaire de productivité mesurée par le chiffre d’affaire par employé.
4.2.2 Étape I : Equations des inputs d’innovation
4.2.2.1 Equations
La première étape de notre modèle estime les activités de R&D interne et externe
ainsi que l’achat de machines et de logiciels. Le montant de chacun de ces trois

types d’investissement dépend de la décision de se lancer ou non dans cette activité.
Autrement dit, le montant investis est observé seulement si l’entreprise déclare avoir
fait une activité de R&D ou acquis des M&L. D’où, nous soulignons un risque de
biais de sélectivité. Pour remédier à ce problème, nous introduisons une équation

de sélection. Ainsi cette étape est composée de deux équations pour chaque type
d’investissement :
81


 ′

 1 si Dij∗ = Wij α + εij > 0,

Dij = (1a)




 0 si D ∗ = W ′ α + εij ≤ 0.
ij ij


 ′

 RDIij∗ = Zij β + eij si DIij = 1,

Iij = (1b)




 0 si DIij = 1.
D : variable binaire = 1 si l’entreprise a fait une activité d’innovation.

I : logarithme du montant investi.
Avec i = 1 à N, j = 1 pour la R&D interne, j = 2 pour la R&D externe et j = 3

pour l’acquisition de machines et logiciels.
4.2.2.2 Choix des variables
En nous basant sur la littérature (Griffith et al, 2006 ; Robin et Mairesse, 2008 ;
′ ′
Polder et al, 2010), nous avons choisis les variables explicatives (Zi et Wi ) suivantes :
– Concurrence internationale (con inter) : variable binaire = 1 si l’entreprise vend

sur le marché international.
En effet, pour faire face à l’augmentation de la concurrence due à l’ouverture

des marchés à international, la firme se trouve obligée à se lancer dans une acti-
vité d’innovation pour pouvoir survivre et maintenir sa position concurrentielle.
– Moyens de protection : protection formelle (prot form) = 1 si l’entreprise

utilise les brevets, les dessins et modèles, les marques ; et protection straté-
82
gique (prot stra) = 1 si l’entreprise utilise le secret industriel, la complexité de
conception, l’avance technologique sur les concurrents.
Les entreprises sont plus motivées à s’engager dans des dépenses d’innovation si
elles possèdent des moyens pour protéger leurs inventions (Robin et Mairesse,
2008).
– Appartenance à un groupe (Gpe) : variable binaire = 1 si l’entreprise appar-

tient à un groupe.
– Coopération technologique (Coop) : variable binaire = 1 si l’entreprise s’est
lancée dans une relation de coopération technologique.
L’appartenance à un groupe et la coopération technologique offrent aux en-

treprises la possibilité d’acquérir de nouvelles sources de financement et de
partager les flux de connaissances avec leurs partenaires. Ces deux facteurs
permettent donc aux firmes d’améliorer leur capacité d’innovation.
– Impulsion par la demande (Dde pull) = 1 si l’effet élargir la gamme de produit
et accroı̂tre la part de marché est moyen ou important.


d’approximer l’effet de la poussé technologique (Mairesse et Mohnen, 2010).
83
L’impulsion du marché (demand pull) et la poussée de la technologie (tech-
nology push) sont considérées par Crépon, Duguet et Mairesse (1998, 2000)
comme des caractéristiques externes à la firme influençant simultanément l’in-

novation. En effet, les besoins des consommateurs sont à l’origine du dévelop-
pement de nouveaux produits et procédés. Les services liés à la clientèle et la
croissance anticipée du marché stimuleraient alors l’innovation. En outre, la
dynamique propre à la technologie inciterait à développer de nouveaux pro-

duits. L’engagement dans une activité d’innovation peut ainsi être déterminé
en fonction des conditions de demande et de technologie propres à l’activité de
l’entreprise.
– Soutien financier public (fin pub) = 1 si l’entreprise a reçu au moins une forme
de soutien financier public.
En fait cette subvention de l’Etat aide la firme à financer une partie ou la to-
talité de ses dépenses en activités d’innovation (Griffith et al, 2006 ; Robin et

Mairesse, 2008).
– Sources d’information (sce infoent, sce infofrs, sce infoclt, sce infocon, sce infouniv) :
variables binaires = 1 si l’entreprise utilise des sources internes de l’entreprise

ou du groupe, sources fournisseurs, sources clients, sources concurrents, sources
université).
Les informations que la firme acquiert auprès de ses partenaires internes et

externes influencent fortement sa décision de se lancer dans des activités d’in-
novation (Griffith et al, 2006 ; Robin et Mairesse, 2008).
84
– Taille : logarithme du chiffre d’affaire en 2006.
Un grand nombre de travaux ont confirmé l’hypothèse de Schumpeter stipu-

lant que les grandes entreprises ou les industries où la concurrence est moins
vive sont plus propices à l’innovation (Baldwin et al. ,2000 ; Crépon, Duguet
et Mairesse, 1998, 2000).
4.2.2.3 Résultats des estimations
Les équations de chaque type d’input ont la forme d’un modèle Tobit généralisé
type II. Nous adoptons alors la méthode d’estimation d’Heckman en deux étapes
qui consiste à estimer d’abord la première équation de décision (de selection) par un
Probit dichotomique ensuite à construire le ratio de Mills à partir de l’estimateur
de la première étape et l’introduire dans la régression linéaire du montant investis
(Heckman, 1979). L’application de cette méthode a donné les résultats suivants :
85
Table 4.2 – Estimation des équations des inputs de l’innovation
R&D interne R&D externe Acquisition machines et logiciels

Variables Décis Invest Décis Invest Décis Invest
coef dy/dx coef dy/dx coef dy/dx
Constante -2.12 -3.38 -1.77
(0.11)*** (0.13)*** (0.09)***
Gpe 0.69 1.46 0.46 -2.28 0 .68 -1.06
(0.06)*** (0.16)*** (0.06)*** (0.76)*** (0.05)*** (0.44)***
Coop 0. 51 0. 29 0.09
(0.08)*** (0.30) (0.13)
Sce infoEnt 0.29 0. 24 0.03
(0.05)*** (0.18) (0.07)
Sce infoFrs -0.06 -0.07 0.32
(0.04) (0.14) (0.06)***
Sce infoclt 0. 02 0.08 -0.15
(0.04) (0.15) (0.06)***
Sce infocon 0. 03 -0.19 0.04
(0.04) (0.16) (0.07)
Sce infouniv 0. 38 0.17 -0.31
(0.05)*** (0.14) (0.08)***
con inter 0.40 0. 89 0.20 -0.80 0.01 0.07
(0.06)*** (0.15)*** (0.07)*** (0.59) (0.05) (0.19)
prot strat 0. 62 0. 81 0.33 -1.46 0. 29 -0.35
(0.05)*** (0.13)*** (0.05)*** (0.50)*** (0.05)*** (0.21)*
prot form 0. 38 0. 98 0.53 -2.15 0. 08 -0.17
(0.05)*** (0.12)*** (0.06)*** (0.71)*** (0.05)* (0.17)
dde pull 1.88 1.88 0.95 -5.23 1.57 -3.86
(0.05)*** (0.53)*** (0.07)*** (1.10)*** (0.05)*** (1.09)***
fin pub 0. 62 0.30 0.69
(0.10)*** (0.32) (0.16)***
haute tech 0.31 0. 18 -0.31 3.87 -0.16 2.31
(0.59) (0.99) (0.72) (4.98) (0.50) (1.84)
moyhaut tech -0.003 0. 57 -0.01 -1.46 -0.02 0.34
(0.30) (0.51) (0.33) (2.26) (0.26) (0.87)
moyfaib tech -0.07 - 0. 64 -0.15 -0.04 -0.47 1.35
(0.28) (0.44) (0.29) (1.95) (0.25)** (0.91)
faible tech -0.27 -2.03 0.28 -0. 20 -0.19 0.22
(0.30) (0.58)*** (0.29) (2.08) (0.25) (0.97)
taille -0.006 0.18 0.05
(0.02) (0.02)*** (0.02)***
Ratio de Mills 1.43 -6.58 -3.85
(0.45)*** (1.25)*** (1.04)***
Rho 0.69 -1.00 -0.99
N (censurées \total) (2752\4965) (3955\4804) (2953\5173)
Test de Wald de ´ H0 : β = 0 ˇ
559.07*** 33.83*** 78.99***
Note : ∗,∗∗,∗ ∗ ∗ respectivement significatif à 10%, 5% et 1% , Ecarts types entre parenthèses.
86
4.2.2.4 Interprétaion des résultats
Nos résultats montrent que l’appartenance à un groupe affecte positivement et

significativement les décisions de faire du R&D interne (0.69) et externe (0.46) et
d’acquérir des M&L (0.68) ainsi que les dépenses en R&D interne (1.46). Par contre
ce facteur agit négativement sur les montants investis en R&D externe et en achat
de M&L. En effet, l’appartenance à un groupe permet l’accès à d’autres ressources

de financement et de connaissances offrant aux entreprises la possibilité d’augmenter
leurs dépenses en R&D interne et de s’engager dans des activité de R&D externes
impliquant les autres entreprises du groupe. De même, ce facteur favorise l’automati-
sation et l’acquisition de nouvelles technologies pour faciliter la communication entre

les différentes filiales. L’effet négatif sur les montants investis peut être expliqué par
le partage de ces charges avec les autres entreprises du groupe. Pour les mêmes rai-
sons, le lancement dans une relation de coopération technologique a un effet positif
et significatif sur le montant investi en R&D interne (0.51).
En ce qui concerne les sources d’information pour les activités d’innovation, nous
constatons d’après le tableau 2 d’estimation que lorsque les entreprises se basent sur
leurs propres sources d’informations ou celles de leurs groupes, elles dépensent plus
en R&D interne (effet marginal positif significatif de 29%). Par contre, lorsqu’elles
se basent sur leurs fournisseurs comme source d’information elles investissent plus
en achat de M&L (effet marginal positif significatif de 32%) pour faciliter la commu-
nication avec eux et répondre à leurs exigences en termes d’automatisation et d’in-
formatisation. Nous soulignons également que les firmes utilisant des informations
issues des universités allouent plus de ressources pour les activités de R&D interne
(effet marginal positif significatif de 38%) que pour le R&D externe et l’achat de
M&L.
87
Nos résultats suggèrent aussi que la motivation des firmes françaises à faire du
R&D interne et externe augmente si elles sont confrontées à la concurrence inter-
nationale afin qu’elles puissent défendre leur position concurrentielle. En outre, le

recours aux moyens de protection de la propriété intellectuelle que se soit straté-
gique ou formelle a un effet positif sur la décision de faire du R&D interne et externe
mais négatif sur les dépenses en R&D externe et en automatisation. Il s’avère alors
que les firmes conditionnent leur décision et leur investissement en activités d’inno-
vation par leur capacité à protéger leurs inventions (Robin et Mairesse, 2008).
Le financement public à son tour exerce un effet significativement positif sur les
montants investis en R&D interne et externe et en acquisition de machines et de lo-
giciels. Ce soutien de l’Etat représente une incitation importante pour les entreprises
ayant des difficultés à financer leurs activités d’innovation.
Enfin, nous remarquons que le lancement de ces activités dépend également de
l’impulsion par la demande et de l’intensité technologique du secteur d’activité de la

firme (CDM) en plus de sa taille (hypothèse schumpetérienne). En effet, lorsque l’en-
treprise se trouve obligée à élargir sa gamme de produits et à conquérir de nouveaux
marchés pour répondre aux exigences de la demande, elle est incitée à se lancer dans
les différentes activités d’innovation pour atteindre ses objectifs. Mais malgré son
effet positif sur les décisions, nous remarquons que l’impulsion de la demande exerce
un effet négatif sur les montants investis en R&D externe et en automatisation. Il
s’avère alors que les entreprises françaises investissent plus en R&D interne que les
autres activités pour élargir leur gamme de produits.
En ce qui concerne l’intensité technologique, nous constatons que l’appartenance

de l’entreprise à une industrie de faible technologie a un effet significativement néga-
88
tif sur l’investissement en R&D interne. De même, l’appartenance à une industrie de
moyenne-faible technologie, a un effet significativement négatif sur la décision d’achat
de M&L. Ainsi, plus la poussée technologique est faible, moins les firmes sont moti-
vées à se lancer dans des activités d’innovation. Nos résultats confirment également
l’hypothèse schumpetérienne puisque les effets de la variable taille de l’entreprise
sont significatifs et positifs sur les décisions de faire du R&D externe et d’acquérir
des M&L.
4.2.3 Étape II : Equations des outputs d’innovation
4.2.3.1 Equations et méthode d’estimation
Nous mesurons l’output d’innovation par quatre variables : l’innovation en produit
(I pdt : innovation ou amélioration significative de biens et services), l’innovation en

procédé (I pcd : changement dans les méthodes de production ou de distribution),
l’innovation en organisation (I org : changement dans les stratégies managériales,
l’organisation du travail ou les relations extérieurs) et l’innovation en marketing
(I mkg : changement dans la conception du produit, l’emballage, le placement ou la
politique de prix). Étant donnée la nature dichotomique de ces variables, et leurs

interdépendances, nous recourons à un modèle Probit multivarié pour estimer le mo-
dèle à quatre équations simultanées (une équation pour chaque type d’innovation) :




 1 si I pdt∗i > 0,

I pdti =




 0 sinon.
89




 1 si I pcd∗i > 0,

I pcdi =




 0 sinon.




 1 si I orgi∗ > 0,

I orgi =




 0 sinon.


 1 si I mkgi∗ > 0,



I mkgi =




 0 sinon.
Nous expliquons les variables latentes d’innovation (I pdt∗ , I pcd∗ , I org ∗ et

I mkg ∗ ) par les dépenses prévisionnelles en R&D interne et externe et en acquisition
de machines et logiciels ainsi que par les moyens de protection formelle et stratégique,
l’appartenance à un groupe, la coopération, la taille et les dummies sectorielles de

premier niveau (NES 16).


 ∗
Ipdt [ 1 + RDEθ
= RDIγ \ 1 + MLτ
d 1 + X ′ δ1 + u1i

 1i



 I∗ [ 2 + RDEθ
\ 2 + MLτ
d 2 + X ′ δ2 + u2i
pcd = RDIγ 2i

 ∗
Iorg [ 3 + RDEθ
= RDIγ \ 3 + MLτ
d 3 + X ′ δ3 + u3i

 3i



 I∗ [ \ d ′
mkg = RDIγ4 + RDEθ4 + MLτ4 + X4i δ4 + u4i
Cette spécification en Probit multivarié permet de prendre en considération en
premier lieu le fait que les différents types d’innovation peuvent être déterminés
simultanément. En deuxième lieu l’introduction des dépenses prévisionnelles d’inno-
vation permet d’utiliser les données de toutes les firmes et non pas seulement de celles
qui ont déclaré leurs dépenses. En troisième lieu, elle permet par l’instrumentation
des inputs d’innovation la correction du problème d’endogénieté (Robin et Mairesse,
90
2008 ; Polder et al, 2010).
Nous recourons à la méthode de maximum de vraisemblance simulé en utilisant

le simulateur GHK (Train, 2003) pour estimer ce modèle Probit multivarié.
4.2.3.2 Résultats d’estimation
Les résultats sont présentés dans le tableau suivant :
91
Table 4.3 – Estimation des outputs d’innovation
Variables I pdt I pcd I org I mkg
coef coef coef Coef
[
RDI 0.42 0.47 0. 21 0.11
(0.04)*** (0.03)*** (0.03)*** (0.03)***
\
RDE -0.02 -0.20 -0.04 -0.11
(0.04) (0.03)*** (0.03) (0.02)***
d
M L -0. 23 0.24 0.08 0.08
(0.04)*** (0.04)*** (0.03)*** (0.03)**
prot strat -0.12 -0.41 0.008 -0.13
(0.07)* (0.06)*** (0.05) (0.05)**
prot form -0. 13 -1.02 -0.14 0.31
(0.09) (0.08)*** (0.07)** (0.07)***
taille -0. 03 -0.02 0.05 0.01
(0.02) (0.02) (0.01)*** (0.01)
Gpe -0.47 -0.33 -0.21 -0.34
(0.08)*** (0.08)*** (0.07)*** (0.07)***
Coop 0.11 0.05 0.10 0.04
(0.07) (0.06) (0.06)* (0.05)
agri alim -0.16 -0.24 0.15 0.13
(0.34) (0.28) (0.22) (0.22)
-0.006 -0.18 0.24 -0.0008
biens de consom (0.34) (0.27) (0.22) (0.22)
0.05 -0.32 0.09 -0.68
Automobile (0.35)*** (0.28) (0.23) (0.24)***
0. 14 -0.48 0.23 -0.32
Equipement (0.34) (0.28)* (0.22) (0.22)
-0.04 -0.23 -0.18 -0.36
Biens Interméd (0.34) (0.27) (0.21) (0.22)*
-0.35 0.26 0.41 -0.36
Energie (0.38) (0.30) (0.24)* (0.25)
0.71 1.02 -0.53 0.55
Cons (0.62) 0.53** (0.47) (0.45)
rho21 0.01
(0.03)
rho31 0.03
(0.02)
rho41 0.14
(0.02)***
rho32 0.33
(0.02)***
rho42 0.09
(0.02)***
rho43 0.30
(0.02)***
Test de Wald de ´ H0 : β = 0f g 5803.49***
376.865***
Test de LR ´ H0 : rhoij = 0 ˇ
N 5173
4.2.3.3 Interprétaion des résultats
Nos résultats suggèrent que les différents types d’innovation ne sont pas déter-
minés de la même manière. L’investissement en R&D interne agit positivement et

significativement sur les quatre types d’innovation. Cet effort de R&D interne est
92
présenté dans la littérature comme le déterminant le plus traditionnel de la capacité
innovatrice des entreprises. En effet, les investissements en R&D constituent le prin-
cipal mécanisme de développement des compétences technologiques (Crépon, Duguet

et Mairesse, 1998 ; 2000). Ces compétences reposent sur un processus d’apprentissage
fondé sur les ressources techniques et l’effort des unités de recherche internes de la
firme.
Cependant, nos résultats suggèrent que l’investissement en R&D externe n’a au-
cun effet significatif sur les innovations en produit et organisationnelles et qu’il a
un effet significatif négatif sur les probabilités d’innover en procédés et en marke-
ting. Ce résultat est un peu contre intuitif mais il peut être expliqué par le fait que
l’externalisation des activités de R&D implique des coûts élevés qui se répercutent
négativement sur la capacité d’innovation surtout en organisation et en marketing.
En outre, nous soulignons que l’achat de machines et logiciel a un effet positif et
significatif sur les innovations en procédés, organisationnelles et en marketing mais
négatif sur les innovations en produit. Il s’avère alors que les entreprises françaises
exploitent leurs investissements en automatisation et en informatisation plus pour
ces trois types d’innovation que pour l’innovation en produit.
Nous constatons également que les effets directs de l’adoption des moyens de
protection de la propriété sur les probabilités des différents types d’innovation sont
négatifs. Nous remarquons la même chose pour la variable appartenance à un groupe.
Donc nous pouvons dire que ces deux facteurs ne favorisent l’innovation qu’indirec-
tement à travers les activités de R&D.
Nos résultats suggèrent en plus que la taille a un effet direct significatif et posi-
tif sur l’innovation organisationnelle. Ainsi, plus la taille de l’entreprise est grande,
93
plus la probabilité d’améliorer et de moderniser son architecture organisationnelle
est importante. De même, la coopération technologique, n’agit positivement et si-
gnificativement que sur l’innovation organisationnelle pour les entreprises françaises,

son effet direct sur les autres types d’innovation est non significatif.
Nos résultats montrent aussi que la majorité 1 des coefficients de corrélation entre
les quatre équations (rhoij ) sont significativement différents de zéro ce qui témoigne
de l’interdépendance et de la simultanéité des innovations technologiques et non tech-
nologiques (Brynjfolsson and Hitt, 2000 ; Bresnahan, Brynjolfsson and Hitt, 2002 ;
Greenan and Mairesse, 2004). Cette constatation justifie également le recours au
modèle Probit multivarié (Mairesse et Robin, 2008 ; Polder et al, 2010) au lieu de
l’utilisation de modèles Probit indépendants tel était le cas dans le travail de Griffith
et al. (2006).
4.2.3.4 Interdépendance entre les différents types d’innovation
Afin de prendre en considération cette relation d’interdépendance entre les diffé-

rents types d’innovation, nous proposons d’étudier l’existence d’éventuelles relations
de complémentarité entre les innovations technologiques et non technologiques et

ce par l’estimation de l’équation d’output d’innovation pour chaque combinaison
possible d’innovations. Or, nous avons quatre types d’innovation (variables dichoto-
miques) donc nous avons 16 combinaisons possibles (0000, 1000, 0100, 0010, 0001,
1100, 0101, 1010, 0110, 0011, 1001, 1011, 1101, 0111, 1110, 1111). Nous présentons
dans les tableaux suivants les résultats d’estimation pour chaque combinaison :
1. Seuls deux, sur les six coefficients de corrélation sont non significatifs (innovation produit-
procédé et innovation produit-organisation) ce qui implique que l’innovation produit ne parvient
pas simultanément et d’une manière significative avec l’innovation en procédé et l’innovation organi-
sationnelle. Cette constatation de change pas notre résultat sur l’interdépendance et la simultanéité
des innovations technologiques (produit, procédé) et non technologique (organisation, marketing)
puisque tous les autres coefficients sont significatifs.
94
Table 4.4 – Estimation de chaque combinaison possible d’innovations
Variables 0000 1000 0100 0010 0001 1100 0101 1010
[
RDI -0.28*** 0.09* 0.18** -0.05 -0.29*** 0.09 0.001 -0.02
\
RDE 0.14*** -0.02 -0.10 0.03 -0.14** -0.06 -0.29*** -0.01
d
M L 0.001 -0.19 0.21*** 0.24** 0.26*** -0.06 0. 31** -0.24***
prot strat 0.18** -0.42 -0.65*** 0.28*** 0.03 -0.12 -0.57*** -0.06
prot form 0.24*** -0.23* -0.90*** 0.05 0.63*** -0.44*** -0.37 -0.12
taille -0.03 -0.10*** -0.07** 0.09*** -0.02 -0.03 -0.04 -0.09***
Gpe -0.05 -0.33** 0.26 -0.17 -0.31 -0.06 -0.02 0.11
Coop -0.35*** -0.16* -0.20 -0.34** 0.12 0.05 -0.04 0.12
agri alim -0.55*** 3.54*** 3.43*** 0.64 3.81*** -0.45 -0.57 -0.63*
consom -0.59*** 3.81*** 3.21*** 0.74* 3.67*** -0.38 -0.36 -0.50
AUTO -0.37 4.05*** 3.36*** 0.82* 3.52*** 0.009 -0.47
EQUIP -0.48** 4.04*** 3.20*** 0.87* 3.44*** -0.30 -0.89* -0.19
INTERM -0.44** 3.94 3.52*** 0.85* 3.48*** -0.26 -0.84* -0.42
ENERG -0.64** 4.32 3.70*** 0.91** 3.35*** -0.84 -1.00*
cons -2.16*** -3.51 -4.90*** -4.93*** -4.58*** -0.21 1.11 0.63
Test de Wald de « H0 : 750.89*** 2319.93*** 1099.64*** 390.09*** 1127.28*** 149.45*** 56.12*** 177.11***
β=0»
R2 0.41 0.12 0.10 0.20 0.18 0.11 0.10 0.14

N 5173 5173 5173 5173 5173 5173 4706 5173
Variables 0110 0011 1001 1011 1101 0111 1110 1111
[
RDI 0.24*** 0. 006 0.01 0.07 0.04 0.19*** 0.19*** 0.29***
\
RDE -0.09** 0.01 -0.21*** -0. 02 -0.14** -0.25*** -0.12*** -0.14***
d
M L 0.23*** 0.27*** -0.002 -0.21*** -0.03 0.38*** -0.02 0.05
prot strat -0. 42*** 0.11 -0.05*** -0. 21** -0.17 -0.50*** -0.14* -0.19***
prot form -0.95*** 0.62*** -0.10** 0.24* -0.35** -0.65*** -0.67*** -0.13
taille -0.14*** 0.05* -0.30* -0.08*** -0.06 -0.08** -.0007 -0.05**
Groupe 0. 26** -0.01 -0.07 -0.35*** -0.16 -0.27* -0.37*** -0.61***
Coop -0.15*** -0.50*** 0.008 -0.12 -0.18 -0.01 0.04 0.12*
agri alim 0.22*** 0.43 0.01 0.27 -0. 04 -0.38 0.008 -0.28
consom 0.41 0.27 -0.11 0.27 -0.14 -0.40 0.13 -0.28***
AUTO 0.19 0.10 -0.38 -0. 07 -0.95*** 0.68*** -0.76**
EQUIP 0.15 0.27 -0.53 0.26 -0.35 -0.85*** 0.25 -0.45
INTERM 0.32 0.18 -0.65 0.04 -0.22 -0.80*** 0.32* -0.43
ENERG 1.01** -0.16 -0.34 -0.09 -0.21 -0.22
Cons -1.57** -4.73 1.99** -0.24 0.90 0.52 0.07 0.03
Test de Wald de « H0 : 250.66*** 172.43*** 193.38*** 185.87*** 114.62*** 151.15*** 567.19*** 801.58***
β=0»
0.09
Pseudo R2 0.09 0.16 0.15 0.14 0.11 0.09 0.20 0.30

N 5173 5173 5173 5173 4706 5173 5173 5173
95
Nous allons utiliser les valeurs prédites de ces estimations pour déterminer l’effet
de chaque combinaison possible d’innovations sur la productivité et comparer l’effet
marginal de l’adoption de chaque type d’innovation mis en œuvre séparément avec

l’effet marginal de son adoption simultanée avec les autres types (Polder et al, 2010).
En effet, La complémentarité entre deux variables ou deux stratégies existe si “faire
plus de l’une accroı̂t les rendements obtenus en faisant plus de l’autre” (Milgrom and
Roberts, 1990, 1995 ; Holmstrom and Roberts, 1998).
4.2.4 Étape III : Equation de la productivité
4.2.4.1 Méthode et résultats d’estimation
Dans cette étape, nous mesurons l’impact de l’adoption séparée et conjointe des
différents types d’innovation sur la productivité. Nous utilisons les moindres carrés
ordinaires pour estimer la productivité du travail (log du chiffre d’affaire par employé)
par les probabilités prédites de chaque type d’innovation dans un premier modèle
(M1) ensuite les probabilités prédites de chaque combinaison d’innovations dans un
deuxième modèle (M2) :
96
Table 4.5 – Estimation de la productivité
Variables Productivité (M1) Productivité (M2)
Coef Ecart Type Coef Ecart Type

Robuste Robuste
P (inn pdt) -0.40 0.11***

P(inn pcd) 0.27 0.14*
P(inn org) 0.57 0.25**
P(inn mkg) 0.42 0.14***
Taille 0.07 0.01*** 0.09 0.01***
p 0000 -0.07 -0.13
p 1000 -2.97 0.71***
p 0100 0.35 1.30***
p 0010 -0. 32 0.47
p 0001 -0. 30 0.70
p 1100 2.80 3.48
p 0101 7.51 3.36**
p 1010 2.15 1.15*
p 0110 2.09 0.94**
p 0011 1.58 0.67***
p 1001 -1.55 1.24
p 1011 3.60 1.07***
p 1101 -3.52 1.04***
p 0111 -1.70 1.18
p 1110 -1.12 0.96
p 1111 0.61 0.25***
agri alim 0.41 0.22** 0.62 0.24***
consom -0.09 0.22 0.06 0.24
AUTO 0.25 0.22 0.53 0.24**
EQUIP -0. 0003 0.22 0.12 0.24
INTERM 0.07 0.27 0.24
ENERG 0.73 0.21 1.01 0.26***
Constant 4.31 0.23*** 4.26 0.27***
0.22***
Test de Wald de « H0 : β = 0 » 83.91*** 45.71***
R2 0.15 0.16
N 5172 5172
97
4.2.4.2 Interprétation des résultats
Les résultats issus de l’estimation du premier modèle (M1) montrent que les in-
novations en procédés, organisationnelle et en marketing ont des effets significatifs
positifs sur la productivité des entreprises françaises. En fait, nos résultats suggèrent
que les changements des méthodes de production, de l’architecture organisationnelle
ou encore de marketing (modifications significatives du design, de l’emballage ou

des méthodes de ventes et de distribution) sont plus rentables que l’introduction
de produits nouveaux ou significativement améliorés. L’amélioration des conditions
de travail et l’instauration de systèmes de gestion de connaissances appropriés favo-
risent le rendement des employés ce qui se répercute directement sur la productivité

de l’ensemble de l’organisation.
Si nous observons maintenant l’estimation du deuxième modèle (M2) introduisant

toutes les combinaisons possibles d’innovation, nous constatons que les innovations
en produit et en procédé favorisent mieux la productivité si elles sont accompagnées

par des innovations organisationnelles et en marketing et vice versa. Ce résultat est
cohérent avec d’autres études telles que celle de Polder et al. (2010) dans laquelle
ils ont montré que les innovations en produit et procédé ont des effets positifs sur la
productivité seulement si elles sont accompagnées par des innovations organisation-

nelles et ce aussi bien pour le secteur industriel que de services.
En effet, les effets positifs sur la productivité, les plus importants dans notre esti-
mation sont associés à un couplage entre une innovation en procédé et une innovation
en marketing (coefficient de 7.51) ensuite à un assemblage entre une innovation en
produit, une innovation organisationnelle et une innovation en marketing (coefficient
de 3.60) alors que leurs adoptions séparées n’ont pas des effets positifs significatifs.
Nous remarquons également que l’accompagnement d’une innovation organisation-
98
nelle par une innovation en produit ou une innovation en procédé génère des gains
significatifs et importants en terme de productivité du travail (coefficients respectifs
de 2.15 et de 2.09). Cependant, en absence d’innovation organisationnelle, l’associa-

tion entre les innovations en produit, en procédé et en marketing risque d’avoir un
effet négatif sur le chiffre d’affaire par employé. Ce résultat peut s’expliquer par une
démotivation des employés ou par une augmentation non proportionnelle ou un dé-
calage entre les coûts de mise en œuvre de ces innovations et les ventes des produits
nouveaux.
Enfin, nos résultats suggèrent que l’hypothèse classique de l’impact positif des
économies d’échelles sur la rentabilité est corroborée vu le coefficient significative-
ment positif de la variable taille de l’entreprise dans les deux modèles. La productivité
dépend aussi du secteur d’activité de la firme. Les industries françaises les plus ren-
tables, selon cette étude, sont l’industrie agro-alimentaire et l’industrie énergétique.
4.3 Conclusions
L’objectif de ce chapitre était de faire une extension du modèle de Crépon, Duguet
et Mairesse (1998, 2000) qui consiste d’abord à introduire les investissements en R&D
externe et en machines et logiciels en plus des investissements classiques en R&D in-
terne comme input d’innovation, puis à introduire les innovations organisationnelles
et de marketing comme outputs complémentaires aux innovations technologiques en
produit et en procédé. Ainsi, pour étudier le rendement de l’activité d’innovation

des entreprises françaises (données de la CIS 2006), nous avons utilisé un modèle
composé de trois blocs d’équations structurelles.
99
Le premier bloc est consacré à l’input de l’innovation. Il considère trois types d’in-
vestissements : en R&D interne, en R&D externe et en machines & logiciels. Nous
avons estimé la fonction d’investissement par un modèle Tobit généralisé type II com-
posé de deux équations (une pour la décision d’investir et l’autre pour le montant
d’investissement) et permettant de corriger le problème de sélection. Nos résultats
suggèrent que les décisions de faire de la R&D et d’acquérir des machines et des logi-
ciels dépendent de la confrontation de l’entreprise à la concurrence internationale, de

son recours aux moyens de protection de la propriété, de l’impulsion de la demande
et de sa taille. Ils montrent également que les montants investis sont déterminés par
l’appartenance à un groupe, la coopération technologique, les sources d’information
et le financement public.
Les valeurs prédites des investissements ont été par la suite introduites dans le
deuxième bloc relatif à l’output de l’innovation qui permet d’approximer les pro-
babilités d’innover en produit, en procédé, en organisation et en marketing par un
modèle probit multivarié à quatre équations simultanées (une équation pour chaque
type d’innovation). Ce deuxième modèle est estimé par la méthode de maximum de
vraisemblance simulé en utilisant le simulateur GHK. Nos résultats suggèrent que les
différents types d’innovation ne sont pas déterminés de la même manière.
En effet, l’investissement en R&D interne est le facteur le plus favorable aux

quatre types d’innovation pour les entreprises françaises. La probabilité d’innover en
procédés est favorisée en plus par l’achat de machines et logiciels. En ce qui concerne
la probabilité de faire une innovation organisationnelle, elle est affectée positivement

en plus des investissements en R&D interne et en achat de M&L, par la taille de
l’entreprise. Plus la taille de la firme est élargie, plus elle est incitée à moderniser son
architecture organisationnelle. Nos résultats suggèrent également que la probabilité
100
d’innover en marketing est favorisée en plus des investissements en R&D interne et
en achat de M&L par l’adoption des moyens de protection formelle (brevets, dessins,
modèles, marques. . .).
Ainsi, notre étude montre que plusieurs politiques propres à l’entreprise (investis-
sement en R&D et en informatisation, coopération technologique, recours aux moyens
de protection de la propriété) ou pouvant être menées par l’Etat (financement public)

incitent l’activité d’innovation.
La majorité des coefficients de corrélation entre les quatre équations sont signi-
ficatifs ce qui témoigne de l’interdépendance et de la simultanéité des innovations
Enfin, dans la troisième étape, nous avons mesuré l’impact de l’adoption séparée
et conjointe des différents types d’innovation sur la productivité. Nous avons utilisé
les moindres carrés ordinaires pour estimer la productivité du travail en fonction

des probabilités prédites de chaque type d’innovation dans un premier modèle en-
suite les probabilités prédites de chaque combinaison possible d’innovation dans un
deuxième modèle. Les deux modèles montrent que les innovations en procédés, orga-
nisationnelles et en marketing ont des effets significatifs positifs sur la productivité

des entreprises françaises.
Il est avéré également que les innovations en produit et en procédé favorisent
mieux la productivité si elles sont accompagnées par des innovations organisation-
nelles et en marketing et vice versa. Toutefois, nous devons souligner la non prise
en compte de la composante temporelle nécessaire pour la bonne compréhension du
processus d’accumulation des compétences pour innover.Ceci fera l’objet du chapitre
suivant.
101
CHAPITRE 5
L’ASPECT DYNAMIQUE DE L’ACTIVITÉ
D’INNOVATION
5.1 Introduction
Les modèles statiques de l’activité d’innovation tel que celui que nous avons dé-
veloppé dans le chapitre précédent et qui était une extension d’une large littérature
sur le rendement de l’innovation (Crépon, Duguet et Mairesse, 2000 ; Mairesse et
Mohnen, 2003 ; Galia et Legros, 2004 ; Giessel et Boekholt, 2005) ne permettent pas
de prendre en considération l’importance du facteur temporel pour l’acquisition et
l’accumulation des compétences technologiques et organisationnelles pour innover et

pour le lancement effectif des entreprises dans une activité d’innovation qui soit ren-
table.
Selon Cefis et Ciccarelli (2005), la persistance de l’intensité de l’output d’innova-

tion peut expliquer la persistance de la performance économique. En effet, il y a un
décalage entre d’une part l’investissement en R&D, la coopération inter-firmes et la
mise en œuvre des changements organisationnels et d’autre part l’acquisition et la
diffusion des compétences pour innover. En outre, les innovations passées génèrent
des profits et des compétences qui peuvent stimuler le lancement des activités d’inno-
102
vation courantes (Griffith et Harvey, 2001 ; Duguet et Monjon, 2002). Ainsi, il serait
plus pertinent d’utiliser des données de panels dynamiques et d’introduire des va-
riables endogènes et exogènes retardées. L’objectif de ce chapitre est alors d’analyser

la relation entre R&D-innovation-productivité d’une manière dynamique en utilisant
un panel de données non cylindrés de trois vagues de CIS françaises (1998-2000 ;
2002-2004 ; 2004-2006). Nous allons ainsi pouvoir étudier la persistance de l’innova-
tion qui consiste à voir si les innovations proviennent des mêmes entreprises sur les
trois périodes d’analyse.
Nous nous interrogeons sur l’effet des activités de R&D et d’innovations passées
sur les activités de R&D et d’innovations présentes. En d’autres termes si le succès
engendre le succès (“success breeds success”) en innovation. Est-ce que le succès dans
les innovations passées accroı̂t la probabilité de succès des innovations présentes ?
Nous voulons savoir si les innovations proviennent des mêmes entreprises (Romer,
1990 ; Aghion et al, 1997) ou s’il y a un phénomène de destruction créatrice (Aghion
et Howitt, 1992). Nous cherchons également à déterminer la durée de l’effet de la mise

en œuvre des différents types d’innovation sur la productivité. En d’autres termes :
l’effet de l’innovation sur la productivité est-il immédiat ou nécessite du temps pour
être observable.
5.2 Revue de la littérature
Plusieurs études théoriques et empiriques ont été menées pour analyser le méca-
nisme de la dynamique de l’innovation.
103
5.2.1 Arguments économiques de la persistance d’innovation
Lors de notre examen de la littérature économique sur la persistance d’innova-

tion, nous avons souligné que les explications relatives à la dynamique de l’activité
d’innovation peuvent être regroupées sous trois principales rebriques :
5.2.1.1 Le succès engendre le succès
La première explication est donnée par l’hypothèse célèbre stipulant que le succès
engendre le succès (success breeds success). Cette approche est fondée sur des argu-
ments différents dans la littérature. A titre d’exemple, Mansfield (1968) et Stoneman
(1983) ont souligné que le succès de l’innovation d’une entreprise élargit ses possi-
bilités technologiques qui rendent le succès de l’innovation ultérieure plus probable.
L’explication donnée par Phillips (1971) est que les innovations réussies affectent po-
sitivement les conditions d’innovations futures via un pouvoir de marché ascendant

et permanent des premiers innovateurs.
L’existence de contraintes financières (Nelson et Winter, 1982) constitue un troi-
sième argument de cette approche. En effet, la recherche de sources externes de fi-

nancement peut être plus coûteuse que le recours à ou le réinvestissement des profits
passés. Ce coût élevé est due à l’existence d’asymétries d’information entre l’inno-
vateur et les investisseurs financiers externes et le risque de défaillance d’un projet
d’innovation. Les entreprises se trouvent incitées dans ce genre de situation à finan-

cer leurs projets d’innovation au moyen de fonds internes (Stiglitz and Weiss, 1981).
Les innovations réussies fournissent un financement interne accru pouvant être uti-
lisé pour financer d’autres innovations (Nelson et Winter, 1982) et leur donnant un
avantage compétitif par rapport aux autres firmes (Simon, 1995).
104
5.2.1.2 L’accumulation des connaissances dans le temps
La deuxième explication est fondée sur l’hypothèse selon laquelle les connais-
sances s’accumulent au fil du temps et forment des répertoires de routines organi-
sationnelles et dynamiques (Nelson et Winter, 1982). En plus du capital humain, la
théorie évolutionniste affirme que les capacités technologiques sont un facteur décisif
dans l’explication de l’innovation.
En effet, l’expérience en matière d’innovation est associée à une compétitivité

des marchés et une dynamique des rendements croissants ayant la forme de l’ap-
prentissage par la pratique “learnin by doing” (Arrow, 1962) et l’apprentissage par

l’apprentissage “learning to learn”. Selon cette conception, les firmes apprennent en
innovant et développent leurs compétences technologiques et organisationnelles (Dosi
et Morengo, 1994). De cette manière, elles améliorent leurs stocks de connaissances
et, par conséquent, la probabilité de leurs innovations futures.
D’un autre côté, la capacité d’absorption d’une entreprise est déterminée par le
niveau de son stock de connaissances internes et sa capacité à assimiler et intégrer
le flux de connaissances externes. Dans ce cas la capacité d’absorption dans une pé-
riode va permettre une accumulation plus efficace de connaissances externes dans les
périodes suivantes (Cohen et Levinthal, 1990). Ainsi, l’aspect cumulatif des connais-
sances implique un état de dépendance au fil du temps et une persistance dans le
comportement de l’innovation (Malerba et Orsenigo, 1993).
5.2.1.3 Les coûts irrécupérables
Le troisième argument en faveur de la persistance de l’activité d’innovation est
relatif à l’hypothèse des coûts irrécupérables des investissements en R&D (Manez
105
Castillejo et al. 2004). En effet, la décision de lancer une activité de R&D est une
décision stratégique à long terme. Cette activité appelle des coûts de démarrage im-
portants (construction de département de R&D, acquisition de matériel, recrutement

et formation de personnel. . .).
Ces dépenses fixes, une fois investies, ne sont généralement pas recouvrables et
elles représentent une barrière à la fois d’entrée et de sortie des activités de R&D.
Les coûts élevés irrécupérables peuvent empêcher les non-exécutants de R&D d’en-
treprendre ce genre d’activités. En même temps les exécutants de R&D sont incités
à rentabiliser ces coûts en innovant. Ils représentent ainsi un obstacle à la sortie pour
eux, car ils ne sont pas récupérés dans le cas où l’entreprise cesse de faire de la R&D
et l’entreprise doit les dépenser à nouveau, si elle décide de lancer de nouveau une
activité de R&D dans les périodes futures. Dans ce cas, l’innovation n’est persistante
que si la R&D l’est (Cohen et Klepper, 1996).
Cependant, même si les entreprises sont confrontées à des coûts irrécupérables ou

en présence de l’accumulation des connaissances grâce à l’innovation, il y a d’autres
facteurs qui peuvent les inciter à ne plus innover dans les périodes futures.
En effet, l’entreprise peut se trouver dans cette situation en cas d’absence de

l’impulsion de la demande. En d’autres termes, si l’entreprise s’aperçoit que ses
consommateurs ne demandent plus de nouvelles innovations en raison de ses pré-
cédentes propres innovations en produits ou procédés, elle cessera au moins tempo-
rairement d’innover. D’une manière générale, lorsque les conditions de marché sont
défavorables, la motivation de la firme à innover sera inhibée. La persistance de l’in-
novation peut être défavorisée également dans le cas où l’introduction de nouveaux
produits ou procédés par un innovateur en place risque de neutraliser le rendement
106
de ses innovations précédentes (Schumpeter, 1942).
5.2.2 Littérature empirique sur la persistance de l’innova-
tion
La littérature empirique sur la persistance de l’innovation est répartie désormais

sur plusieurs axes de recherche. Quelques études se sont focalisées sur les tests des
deux hypothèses du shumpeter (1934, 1942) connues par la “destruction créatrice”
et “l’accumulation créatrice” (Cefis et Orsenigo, 2001 ; Cefis, 2003). D’autres, ont
examiné l’hypothèse stipulant que ” le succès génère le succès ” (Crépon et Duguet,
1997 ; Geroski et al, 1997). Une troisième orientation consiste à faire une étude com-
parative entre les industries ou encore les pays en ce qui concerne la persistance de
l’innovation (Malerba et Orsenigo, 1999).
Nous présentons dans le tableau suivant une liste loin d’être exhaustive d’études
empiriques récentes sur la persistance de l’innovation :
107
Table 5.1 – Liste non exhaustive des travaux sur la persistance de l’innovation
Etude Base de données Variables et mesure de la Méthode d’estimation Résultats
persistance
Malerba et Orsenigo France, Allemagne, Italie, Ja- Demandes de brevets déposées Analyse descriptive de la durée faible persistance
(1999) pon, Etats Unis et UK 1978- à l’Office Européen de Brevets, du brevetage après l’entrée
1991 effet des brevets retardés
Cefis et Orsenigo(2001) France, Allemagne, Italie, Ja- Demandes de brevets déposées Matrice de probabilité de tran- Bi-modalité et faible persis-
pon, Etats Unis et UK 1978- à l’Office Européen de Brevets, sition utilisée dans des chaı̂nes tance
1993 probabilité de rester dans le de Markov de 1er et 2nd ordre
même état de brevetage
Duguet et Mon- CIS France 1986-1996 Innovation produit ou\et pro- Estimation par Maximum de Persistance élevée
jon(2002) cédé, innovation retardée Vraisemblance d’un modèle
108
Probit dynamique sans effets

individuels
Peters (2009) CIS Allemagne (1994, 2002) Engagement dans les activités Estimateur de Woldridge d’un Persistance élevée
d’innovation, activités d’inno- modèle Probit dynamique à ef-
vation retardées fet aléatoire
Musolesi (2007) CIS France 1994-2000 (secteur Innovation en prduit et\ou Modèle statique Logit, estima- Persistance élevée, l’effet de
des services) procédé, technologique et\non tion par les méthodes en 2 l’innovation sur la producti-
technologique, innovations étapes et des moments généra- vité s’estompe assez rapide-
passées lisés du modèle dynamique ment dans le temps
Raymond, Mohnen, CIS Allemagne (1994, 2002) Introduction d’innovation en Estimation par Maximum de véritable persistance dans les
Palm et Loeff (2010) produit et en procédé, intensité Vraisemblance d’un modèle industries à haute technologie
d’innovation, innovations pas- Tobit dynamique et persistance factice dans la
sées catégorie faible technologie.
La plupart des études empiriques antérieures sur la persistance de l’innovation
sont basées sur des données de brevets (Malerba et Orsenigo, 1999 ; Cefis et Orsenigo,
2001). Ces travaux n’ont pas trouvé une forte persistance des activités d’innovation.
Les études basées sur les innovations radicales ont aboutit à des résultats similaires :
absence d’une forte persistance de l’innovation (Geroski et al, 1997). En effet la géné-
ration d’un brevet ou d’une innovation radicale ne se fait pas souvent et elle engendre
des gains exceptionnels qui ont peu de chance à persister sur une longue période.
Par contre la majorité des études plus récentes sont basées plutôt sur des données
qualitatives de l’innovation notamment le fait d’innover ou non (Duguet et Monjon,
2002), de s’engager ou non dans une activité de R&D (Peters, 2009) ou encore sur la
part de la vente des produits ou procédés nouveau dans le chiffre d’affaire (Raymond,
Mohnen, Palm & Loeff, 2010). Les résultats de tous ces derniers travaux suggèrent
que les innovations passées favorisent significativement les innovations actuelles, et
ce quelle que soit la méthodologie utilisée. Les études qui ont été faites sur l’effet de
retour dynamique de la part des ventes des produits nouveaux sur l’investissement
en R&D ou les dépenses totales d’innovation sont très rares. A notre connaissance,
seulement l’étude de Raymond et al. (2009) a examiné cet effet. Ces auteurs ont
trouvé un effet de retour significatif des ventes passées des produits nouveaux sur la
R&D et les dépenses totales d’innovation.
Raymond, Mohnen, Palm & Loeff (2010) ont fait leur étude de la persistance
de l’innovation des entreprises industrielles allemandes en utilisant les données de
panels non cylindrés de quatre vagues de la CIS (94-96, 96-98, 98-2000, 2000-2002).
Ils ont utilisé un modèle Tobit type II dynamique tenant compte de l’hétérogénéité
inobservée. Ils ont mesuré conjointement l’output d’innovation par l’incidence et
l’intensité d’innovation. Leurs principaux résultats sont : une vraie persistance pour
109
l’incidence et l’intensité de l’innovation relative aux industries de hautes technologies
et une fausse persistance pour les industries de faibles technologies. Ils ont trouvé
également que le coefficient de la variable retardée est surestimé quand les effets
individuels et les conditions initiales ne sont pas correctement pris en compte.
Nous allons nous inspirer de cette littérature pour étudier la dynamique de l’ac-
tivité de l’innovation des entreprises françaises. Nous voulons étudier la persistance

de la relation dynamique entre R&D-innovation-productivité. Notre apport consiste
à examiner l’effet des activités de R&D et d’innovations passées sur les activités de
R&D et d’innovations présentes et à voir si les innovations proviennent des mêmes
entreprises (“success breeds success”) ou s’il y a un phénomène de destruction créa-
trice. Ce modèle dynamique nous permettra aussi de déterminer la durée de l’effet

des différents types de l’innovation sur la productivité.
5.3 Etude de la persistance de l’activité d’innova-
tion des entreprises françaises
5.3.1 Données
Nous nous basons sur un panel de données non cylindré de trois vagues de CIS
françaises (1998-2000 ; 2002-2004 ; 2004-2006) pour étudier la persistance de la rela-
tion dynamique entre R&D-innovation-productivité. Nous restreignons l’analyse aux
entreprises qui ont été interrogées au moins deux fois et aux variables qui on été
définies de la même manière.
Chaque enquête correspond à une période. Nous disposons des données de 7016
entreprises françaises ayant participé à la CIS 3 (1998-2000), de 20672 entreprises
110
ayant participé à la CIS4 (2002-2004) et de 5179 entreprises françaises ayant participé
à la CIS 2006 (2004-2006). Nous retenons un panel non cylindré de 4360 observations
correspondant aux entreprises ayant participé à au moins 2 enquêtes de CIS. Le panel

cylindré à trois périodes contient 1115 observations.
5.3.1.1 Répartition sectorielle des trois vagues de CIS
La couverture sectorielle est différente d’une vague de CIS à l’autre. Nous pré-
sentons dans le schéma suivant les pourcentages de la répartition sectorielle (à deux
niveaux) correspondant aux données de chaque enquête de notre base :
Figure 5.1 – couverture sectorielle
Nous remarquons que la majorité des entreprises appartiennent au secteur des

biens intermédiaires (26,71% pour la CIS3 et 37,54% pour la CIS5). Par contre, le
secteur le plus couvert par la CIS4 c’est le secteur des services pour l’entreprise
111
(19,94%) suivi de prés par le secteur de commerce (19,5%).
Ainsi, l’évolution de la couverture sectorielle pour ces trois CIS françaises a été
marquée par la faible participation des entreprises de services à la CIS 2006 par
rapport aux deux vagues précédentes. Cette évolution est plus remarquable dans le
schéma suivant présentant la répartition selon l’intensité technologique du secteur
d’activité et l’appartenance au secteur des services, relative aux trois enquêtes :
Figure 5.2 – Intensité technologique
Nous constatons que 40.15% des entreprises ayant participé à la CIS3 et 69,14%
de celles ayant participé à la CIS4 sont des entreprises de services contre seulement
15,58% pour la CIS2006.
Nous remarquons également, d’après la répartition selon l’intensité technologique
du secteur d’activité telle que donnée par le tableau de bord de l’OCDE, que les
industries à faible technologie sont les plus représentées dans les trois vagues (31,2%
pour la CIS3, 15,54% pour la CIS4 et 39,18% pour la CIS5). Les industries à hautes
112
technologies sont les moins représentées dans les trois enquêtes. Ainsi, il n’y a pas
globalement une grande différence dans la répartition selon l’intensité technologique
entre les trois vagues. Cette répartition est cohérente aussi avec celle du tissu indus-
triel français.
5.3.1.2 Evolution des inputs et des outputs d’innovation pour les trois
vagues de CIS
Nous présentons maintenant dans le schéma suivant une comparaison entre les
trois vagues de CIS en ce qui conserne les pourcentages d’entreprises ayant lancé une
activité d’innovation (R&D interne, R&D externe, achat de machines et logiciels)

aucours de la période étudiée :
Figure 5.3 – Activités d’innovation
Nous constatons que les plus hauts taux d’inputs d’innovation correspondent à la
dernière période (2004-2006) relative à la CIS5. En effet, au cours de cette période,

46.77% des entreprises interrogées ont indiqué qu’elles ont une activité de R&D in-
terne, 23.54% ont fait de la R&D externe et 42.88% ont fait des achats de machines
113
et logiciels. Ces pourcentages pour la période (1998-2000) relative à la CIS3 sont
respectivement de : 41.84%, 17.56% et de 26.12%.
En ce qui concerne les outputs d’innovation présentés dans le schéma suivant,

nous constatons que les plus grands pourcentages sont associés à l’innovation orga-
nisationnelle et ce pour les trois enquêtes. Nous soulignons également une évolution
remarquable du pourcentage d’entreprises ayant introduit une innovation en marke-

ting au fil du temps. Ce taux passe de 5,84% pour la CIS3 à 34,18% pour la CIS5.
Globalement, nous constatons une augmentation du taux d’entreprises innovantes
parmis les entreprises interrogées entre 1998 et 2006 et ce pour les quatre types d’in-
novations :
Figure 5.4 – Pourcentage des 4 types d’innovation
Nous nous intéressons maintenant à l’étude des probabilités de transition des in-
puts et des outputs d’innovation.
114
Table 5.2 – Probabilité de transition des inputs d’innovation
Statut à t
Statut à t-1 Panel non cylindré Panel cylindré
R&D interne oui non oui non
oui 73.49 26.51 69.39 30.61
non 21.56 78.44 14.98 85.02
R&D externe
oui 79.53 20.47 72.22 27.78
non 40.97 59.03 32.84 67.16
Achat de M&L
oui 64.82 35.18 54.62 45.38
non 33.56 66.44 27.27 72.73
Le tableau des probabilités de transition montre qu’il existe bien une persistance
en matière des inputs d’innovation. En effet, les entreprises qui ont entrepris une
activité de R&D ou d’achat de machines et logiciels au cours de la période passée

ont plus de chance à le faire au cours de la période présente. Si nous observons le
tableau de ces probabilités de transition, nous trouvons que pour toutes les activités
et que ce soit dans le panel cylindré ou non cylindré, les pourcentages des entreprises
qui n’ont pas changé de statut (oui-oui /non-non) sont tous largement supérieurs
aux pourcentages des entreprises qui ont changé de statut (oui-non /non-oui).
De la même manière, nous présentons dans le tableau suivant les probabilités de
transition des outputs d’innovation mesurés par les probabilités d’innover en produit,
en procédé, en organisation ou en marketing.
115
Table 5.3 – Probabilité de transition des outputs d’innovation
Statut à t
Statut à t-1 Panel non cylindré Panel cylindré
Innopdt oui non oui non
oui 72.60 27.40 68.63 31.37
non 26.88 73.12 19.69 80.31
Innpcd
oui 53.06 46.94 56.88 43.12
non 32.21 67.79 26.28 73.72
Innorg
oui 65.89 34.11 46.69 53.31
non 33.28 66.72 27.36 72.64
Innmkg
oui 69.65 30.35 65.01 34.99
non 37.74 62.26 34.13 65.87
Nous soulignons d’après ce tableau que le statut d’innovation à t est positivement

corrélé avec le statut d’innovation à t-1. Plus de 72% des entreprises qui ont innové
en produit en t-1 ont introduit également des produits nouveaux en t. Le statut
d’innovation en procédé a persisté pour plus de 53% d’entreprises. De même, plus de
65% (respectivement de 69%) des firmes qui ont adopté une innovation organisation-
nelle (respectivement de marketing) en t-1 ont innové également en t. Plus de 66%
(respectivement de 62%) de celles qui n’ont pas adopté ces deux types d’innovation,
ont choisis de ne pas innover dans les deux périodes. La différence entre le panel non
cylindré et le panel cylindré en ce qui concerne ces pourcentages est non significative.
116
Ces résultats préliminaires sont donc en faveur d’une forte persistance aussi bien
des inputs que des outputs d’innovation pour les entreprises françaises au cours de la
période 1998-2006. Cependant, ils nécessitent une validation économétrique qui fera
l’objet de la section suivante.
5.3.2 Modèle économétrique
Pour étudier la dynamique de la relation R&D-innovation-productivité, nous uti-

lisons la même structure à trois étapes du modèle CDM (Crépon, Duguet et Mairesse,
1998 ; 2000) exploité dans le chapitre précédent mais avec l’introduction de variables
endogènes et exogènes retardées.
Notre apport relativement aux autres travaux faits sur la dynamique de l’activité
d’innovation consiste à l’étude de la persistance des inputs et des outputs de l’inno-
vation à la fois. A notre connaissance, Moreno et Huergo (2010) sont les seuls qui
ont fait ça mais ils n’ont pas considéré la dynamique de l’intensité des inputs d’in-
novation (investissements en R&D). En plus, ils n’ont considéré que les innovations
en produit et en procédé alors que notre étude considère également les innovations
organisationnelles et en marketing.
Ainsi, pour estimer les équations des inputs d’innovation, nous utilisons un modèle
Tobit type II dynamique tenant compte de l’hétérogénéité inobservée, du problème de
la condition initiale (par la méthode de Wooldridge, 2005) et du problème de sélection
(par la méthode de Heckman, 1979). Les équations des outputs d’innovation sont
estimées par des modèles Probit dynamiques tenant compte de la même manière de
l’hétérogénéité inobservée et du traitement de la condition initiale. Enfin, l’équation
de la productivité est estimée par un modèle linéaire de panel.
117
5.3.2.1 Dynamique des inputs d’innovation
Equations et variables explicatives

Le premier bloc de notre modèle dynamique est consacré à l’input de l’innovation.
Il considère trois types d’investissements : en R&D interne, en R&D externe et en
M&L. Nous estimons la fonction d’investissement par un modèle Tobit dynamique
type II composé de deux équations (une pour la décision de lancer l’activité et l’autre
pour le montant investis) et permettant de corriger le biais de sélection. En effet,
dans les trois vagues de CIS, le montant investis est observé seulement si l’entreprise
déclare avoir fait une activité de R&D ou acquis des M&L. Pour remédier à ce pro-
blème de sélectivité, nous utilisons la méthode à deux étapes de Heckman , utilisée

dans le chapitre précédent, et qui consiste à estimer d’abord la première équation
de décision (de selection) par un Probit dynamique ensuite à construire le ratio de
Mills à partir de l’estimateur de la première étape et l’introduire dans la régression
linéaire dynamique du montant investis (Heckman, 1979).
Ainsi nous aurons deux équations dynamiques pour chacun de nos trois inputs
d’innovation (R&D interne, R&D externe, achat de machines et logiciels) sous cette
forme :


 1 si Dit∗ = α1 Di,t−1
∗ ′
+ α2 wit + µi + εit > 0,



Dit = (1a)




 0 si D ∗ = α1 D ∗ + α2 w ′ + µi + εit ≤ 0.
it i,t−1 it


 ′

 Iit∗ = β1 Ii,t−1
∗
+ β2 Zit + ϑi + eit si Dit = 1,

Iit = (1b)




 0 si Dit = 0.
Dit : variable binaire = 1 si l’entreprise i a fait une activité d’innovation à la
118
période t.
Iit : logarithme du montant investi par l’entreprise i à la période t.
∗ ∗
Dit−1 et Iit−1 : respectivement la décision et l’investissement retardés de la période
précédente. Avec i = 1 à N, t = 1, . . . Ti (chaque période correspond à une vague de
CIS).
Ainsi, l’équation 1a (respectivement 1b) explique la décision actuelle de lancer

une activité d’innovation (respectivement le montant investis actuel) par la décision
∗ ∗
précédente (Dit−1 ) (respectivement l’investissement précédent Iit−1 ), les caractéris-
tiques observables de l’entreprise qui peuvent varier ou non dans le temps (wit )
(respectivement Zit ), des effets individuels inobservés et invariants dans le temps
(µi ) (respectivement ϑi ) et d’autres déterminants inobservables et variant dans le

temps regroupés dans le terme d’erreur ǫit (respectivement eit ).
∗ ∗
Nous supposons que les εit (respectivement eit ) sont indépendants de Di0 , . . . , Di,t−1 , wit , µi
∗ ∗
(respectivement de Ii0 , . . . , Ii,t−1 , Zit , ϑi ) et qu’ils sont iid N(0,1).
En nous basant sur la littérature (Robin et Mairesse, 2008 ; Raymond et al., 2010 ;
Moreno et Huergo, 2010), nous avons choisis en plus des variables retardées, les va-
′ ′
riables explicatives (Zit et wit ) suivantes :
– Moyens de protection : protection formelle (prot form) = 1 si l’entreprise

utilise les brevets, les dessins et modèles, les marques ; et protection straté-
gique (prot stra) = 1 si l’entreprise utilise le secret industriel, la complexité de

conception, l’avance technologique sur les concurrents.
– Appartenance à un groupe (Gpe) : variable binaire = 1 si l’entreprise appar-
119
tient à un groupe.
– Impulsion par la demande (Dde pull) = 1 si l’effet élargir la gamme de produit

et accroı̂tre la part de marché est moyen ou important.

d’approximer l’effet de la poussé technologique (Mairesse et Mohnen, 2010).
– Coopération technologique (Coop) : variable binaire = 1 si l’entreprise s’est

lancée dans une relation de coopération technologique.
– Soutien financier public (fin pub) = 1 si l’entreprise a reçu au moins une forme
de soutien financier public.
– Sources d’information (sce infoent, sce infofrs, sce infoclt, sce infocon, sce infouniv) :
variables binaires = 1 si l’entreprise utilise des sources internes de l’entreprise
ou du groupe, sources fournisseurs, sources clients, sources concurrents, sources

université).
– Taille : log du chiffre d’affaire.
Traitement de l’hétérogeneité inobservée et des conditions initiales

Pour estimer l’équation dynamique non linéaire de sélection relative à la décision de
lancer chaque input d’innovation, nous sommes confrontés à deux problèmes empi-
120
riques majeurs : le traitement de l’hétérogeneité inobservée (µi ) et le traitement des
∗
conditions initiales (Di0 ).
Le premier problème peut être résolu par le recours à un modèle Probit de panel
à effet fixe ou à effet aléatoire. Cependant, il n’y a pas encore une transformation
connue permettant d’éliminer µi pour les modèles dynamiques non linéaires à effet
fixe. Même pour les équations dynamiques linéaires d’investissements, les méthodes
différentielles permettant d’éliminer les effets fixes ne peuvent pas être appliquées
à nos données car la majorité de nos variables sont qualitatives et même celles qui
sont quantitatives varient faiblement dans le temps. Donc, si nous appliquons les
premières différences, la quasitotalité de ces variables explicatives va être éliminée.
Ainsi, étant donné la nature de nos variables, nous adoptons à l’instar de Raymond,
Mohnen, Palm et Loeff (2010) une approche à erreurs composés pour traiter les ef-
fets individuels. Nous utilisons alors des modèles dynamiques à effets aléatoires (EA)
pour contrôler l’hétérogeneité inobservée.
Le deuxième problème survient car la première observation de chaque firme

(condition initiale) est endogène puisqu’elle est déterminée par les mêmes facteurs
et estimée de la même manière. Pour corriger ce biais, Heckman (1981) a suggéré de
∗ ∗
commencer par la distribution jointe de (Di0 , . . . , Di,T )\wi , µi et de spécifier ensuite
∗
les distributions de Di0 \wi , µi et de celle de µi \wi afin d’éliminer l’effet inobservé.
Alternativement, Wooldridge (2005) a proposé de spécifier la distribution de

∗ ∗ ∗ ∗
µi \Di0 , wi de laquelle il est possible de déterminer la densité jointe de (Di1 , . . . , Di,T )\Di0 , wi .
Nous adoptons cette méthodologie en supposant que l’hétérogeneité individuelle in-
observée pour les deux équations de chacun des inputs d’innovation dépend des
conditions initiales et des variables strictement exogènes de la manière suivante :
121
∗
µi = a0 + a1 Di0 + a2 wi + τi (2a)
∗
ϑi = b0 + b1 Ii0 + b2 Z i + γi (2b)
PT PT
Avec : wi = T −1 t=1 wit et Zi = T −1 t=1 Zit indiquant les moyennes tempo-
relles des variables explicatives.
Les termes d’erreurs (τi , γi )′ sont supposés être indépendamment et identiquement
distribués selon des lois Normales de moyennes nulles et de matrice de covariance :
 
 στ2 στ γ στ2 σγ2 
 
στ γ στ2 σγ2 σγ2
Ainsi, les équations 1a et 1b deviennent de cette forme :


 ′

 1 si Dit∗ = α1 Di,t−1
∗ ∗
+ α2 wit + a0 + a1 Di0 + a2 wi + τi + εit > 0,

Dit = (3a)




 0 si D ∗ = α1 D ∗ + α2 w ′ + µi + εit ≤ 0.
it i,t−1 it


 Iit∗ = β1 Ii,t−1
∗ ′ ∗
+ β2 Zit + b0 + b1 Ii0 + b2 Z i + γi + eit si Dit = 1,



Iit = (3b)




 0 si Dit = 0.
Résultats et interprétations
Nous présentons dans les tableaux suivants les résultats de ces méthodes d’estimation
pour chacun des trois inputs d’innovation (R&D interne, R&D externe et achat de
122
machines et logiciels) :
L’estimation des équations relatives à la R&D interne a donné lieu aux résultats
suivants :
Table 5.4 – Estimation des équations de R&D interne

Décision Investissement
de R&D interne en R&D interne
Méthode Probit à Probit à Tobit Statique Tobit Dynamique
d’estimation EA Statique (1) EA Dynamique (2) généralisé type généralisé
II (1) type II (2)
∗
Di,t−1 0.20 (0.16)
∗
Ii,t−1 0.03** (0.02)
Gpe 0.37*** (0 .02) 0.15 (0.12) - 0.67*** (0.03) 0.31** (0.13)
Coop 0.82*** (0.03) 0.49*** (0.10)
taille 0.12*** (0.008) 0.17 (0.11)
Sce infoEnt 0.16*** (0.01) 0.91*** (0.04)
Sce infoFrs 0.06*** (0.01) 0.16*** (0.04)
Sce infoclt 0.50*** (0.01) 0.17*** (0.05)
Sce infocon 0.26*** (0.01) 0.04 (0.05)
Sce infouniv 0.58*** (0.02) 0.32*** (0.06)
prot strat 1.37*** (0.03) 0.69*** (0.09) - 2.43*** (0.08) 0.48*** (0.13)
prot form 0.93*** (0.02) 0.66*** (0.09) - 1.53*** (0.06) 0.32*** (0.12)
dde pull - 0.84*** (0.04) - 0.69*** (0.15) 2.31*** (0.06) 0.35** (0.18)
fin pub 1.22*** (0.03) 0.44*** (0.09)
haute tech 0.97*** (0.06) 0.53*** (0.14) - 1.51*** (0.07) 0.35*** (0.14)
moyhaut tech 0.72*** (0.04) 0.13 (0.09) - 1.07*** (0.05) 0.14 (0.09)
moyfaib tech 0.45*** (0.03) 0.13 (0.08) - 0.84*** (0.04) - 0.07 (0.09)
faible tech 0.27*** (0.02) - 0.03 (0.07) - 0.59*** (0.03) - 0.15** (0.08)
\
RDin 3.39*** (0.07) 0.88*** (0.18)
Inverse Mills 1.79*** (0.08) 1.99*** (0.20)
constante 0.01 (0.11) - 3.41 (0.28)
Condition initiales
∗
Di0 0.95*** (0.21)
∗
Ii0 0.23*** (0.02)
M gpe - 0.16 (0.15) - 0.06 (0.16)
M coop 0.01 (0.15)
M taille - 0.09 (0.11)
M infoEnt - 0.18*** (0.06)
M infoFrs - 0.15** (0.07)
M infoclt 0.11 (0.07)
M infocon - 0.06 (0.08)
M infouniv 0.05 (0.09)
M protstrat 0.57*** (0.14) 0.25 (0.16)
M protform 0.29** (0.12) 0.60*** (0.14)
M ddepull 0.11 (0.24) 0.28 (0.27)
M finpub 0.70*** (0.15)
N 32045 5132 31321 5128
Ln L -14768.555 -2290.8813
Wald-« H0 :ß=0 » 2507.86*** 386.85*** 50314.02*** 10335.73***
123
Ainsi, nos résultats suggèrent que la décision actuelle de se lancer dans une acti-
vité de R&D interne ne dépend pas d’une manière significative de la décision prise
l’année précédente. Mais elle dépend positivement et significativement de la décision

∗
initiale (Di0 ).
Cependant le montant investis en R&D interne à l’année t est significativement
et positivement lié au montant investis à l’année t-1 (0.03). Ce résultat est en fa-
veur d’une persistance de l’investissement en R&D interne. Les entreprises qui ont
investis à l’année t-1 sont plus suspectibles de dépenser plus à l’année t. A ce niveau,
l’hypothèse des coûts irrécupérables de R&D comme barrières à l’entrée et à la sortie
(Manez Castillejo et al, 2004) est bien validée pour l’investissement en R&D interne.
Nous remarquons également que la majorité des coefficients sont surestimés dans
les équations statiques.
De la même manière nous présentons les résultats d’estimation des équations

relatives à la R&D externe :
124
Table 5.5 – Estimation des équations de R&D externe
de R&D externe en R&D externe

II (1) type II (2)
∗
Di,t−1 0.36*** (0.12)
∗
Ii,t−1 0.13*** (0.02)
Gpe 0.24*** (0 .02) -0.001 (0.12) - 0.16*** (0.02) 0.30** (0.13)
Coop 0.76*** (0.02) 0.78*** (0.10)
taille 0.15*** (0.007) 0.16* (0.10)
Sce infoEnt - 0.04*** (0.008) 0.24*** (0.04)
Sce infoFrs 0. 008 (0.01) - 0.04 (0.05)
Sce infoclt 0.01 (0.01) - 0.01 (0.05)
Sce infocon 0.14*** (0.01) 0.10* (0.05)
Sce infouniv 0.43*** (0.01) 0.32*** (0.06)
prot strat 0.76*** (0.02) 0.36*** (0.07) - 0.84*** (0.03) -0.08 (0.10)
prot form 0.70*** (0.02) 0.46*** (0.09) - 0.46*** (0.03) - 0.11 (0.11)
dde pull - 0.38*** (0.04) - 0.17 (0.14) 0.50*** (0.04) 0.35** (0.17)
fin pub 0.54*** (0.02) - 0.15*** (0.10)
haute tech 0.64*** (0.05) 0.36*** (0.11) - 0.52*** (0.05) - 0.14 (0.13)
moyhaut tech 0.42*** (0.04) -0.005 (0.07) - 0.35*** (0.03) - 0.11 (0.09)
moyfaib tech 0.24*** (0.03) 0.10 (0.07) - 0.23*** (0.02) - 0.18** (0.08)
faible tech 0.06** (0.03) - 0.11* (0.06) - 0.16*** (0.02) - 0.16** (0.07)
\
RDex 7.92*** (0.17) 5.3*** (0.32)
Inverse Mills 8.41*** (0.21) 6.40*** (0.41)
constante - 4.42 (0.18) - 4.68*** (0.46)
Conditions initiales
∗
Di0 0. 15 (0.13)
∗
Ii0 - 0.05*** (0.01)
M gpe 0.07 (0.14) - 0.20 (0.16)
M coop 0.19 (0.15)
M taille - 0.00008 (0.10)
M infoEnt - 0.22*** (0.06)
M infoFrs - 0.03 (0.06)
M infoclt 0.06 (0.07)
M infocon - 0.15* (0.08)
M infouniv 0.23*** (0.09)
M protstrat 0.55*** (0.11) -0.44*** (0.15)
M protform 0.42*** (0.12) 0.30** (0.15)
M ddepull - 0.12 (0.22) 0.14 (0.26)
M finpub 0.72*** (0.15)
N 32042 5132 31325 5125
Ln L -10721.582 -2364.6943
Test de Wald - « H0 :ß=0 » 2360.01*** 519.15*** 16200.38*** 3662.97***
Nous soulignons d’après le tableau d’estimation que l’activité des firmes françaises
en matière de R&D externe à l’année t dépend significativement et positivement de
leur activité à la l’année t-1. En effet, les coefficients des variables retardées sont
125
positifs et significatifs aussi bien pour l’équation de la décision que celle de l’investis-
sement (respectivement de 0.36 et 0.13 significatifs à 1%). Ainsi, nos résultats sont
en faveur d’une forte persistance de la décision et de l’investissement en R&D externe.
Nous présentons maintenant les résultats d’estimation des équations relatives à

la décision et l’investissement en achat de machines et logiciels :
126
Table 5.6 – Estimation des équations d’achat de machines et logiciels
d’achat de machines et logiciels en machines et logiciels

II (1) type II (2)
∗
Di,t−1 0.36*** (0.10)
∗
Ii,t−1 0.02 (0.03)
Gpe 0.19*** (0.02) - 0.17* (0.09) - 0.28*** (0.02) 0.04 (0.15)
Coop 0.42*** (0.03) 0.32** (0.14)
taille 0.10*** (0.006) 0.35*** (0.09)
Sce infoEnt 0.32*** (0.01) 0.41*** (0.05)
Sce infoFrs 0 49*** (0.01) 0.47 (0.06)
Sce infoclt - 0.11*** (0.01) 0.01 (0.06)
Sce infocon 0.08*** (0.01) 0.20*** (0.07)
Sce infouniv - 0.15*** (0.02) - 0.23*** (0.09)
prot strat 0.87*** (0.02) 0.48*** (0.07) - 0.82*** (0.06) - 0.26* (0.15)
prot form 0.51*** (0.02) 0.51*** (0.07) - 0.55*** (0.04) - 0.30** (0.15)
dde pull - 1.06*** (0.04) - 0.81*** (0. 13) 0.91*** (0.08) - 0.42* (0.25)
fin pub 0.24*** (0.03) - 0.25* (0.14)
haute tech 0.52*** (0.04) 0.39*** (0.09) - 0.54*** (0.06) - 0.18 (0.17)
moyhaut tech 0.32*** (0.03) 0.05 (0.06) - 0.41*** (0.04) 0.03 (0.12)
moyfaib tech 0.24*** (0.03) - 0.003 (0.06) - 0.25*** (0.03) 0.03 (0.11)
faible tech 0.18*** (0.02) - 0.03 (0.05) - 0.23*** (0.02) 0.04 (0.09)
\
RDml 1.84*** (0.15) 2.26*** (0.44)
Inverse Mills 1.08*** (0.19) 2.02*** (0.65)
constante - 0.14 (0.18) - 0.86 (0.63)
∗
Di0 0.11 (0.13)
∗
Ii0 0. 07** (0.03)
M gpe 0.25** (0.11) - 0.10 (0.20)
M coop - 0.05 (0.20)
M taille - 0.25*** (0.09)
M infoEnt - 0.28*** (0.07)
M infoFrs - 0.06 (0.09)
M infoclt - 0.06 (0.09)
M infocon - 0.08 (0.11)
M infouniv 0.14 (0.12)
M protstrat 0.33*** (0.09) -0.30 (0.19)
M protform 0.08*** (0.09) - 0.13 (0.17)
M ddepull - 0.15 (0.18) - 0.25 (0.34)
M finpub 0.46** (0.22)
N 32044 5132 29740 3781
Ln L -15500.213 -2801.3822
Test de Wald - « H0 :ß=0 » 2935.88*** 620.82*** 10839.52*** 1054.48***
Nos résultats suggèrent que la décision d’achat de machines et logiciels à l’année t

pour les entreprises enquêtées est significativement favorisée pour les entreprises qui
ont déjà procédé à un achat à l’année t-1 (coefficient de 0.36 significatif à 1%). Par
127
contre le montant investis à l’année précédente (correspondant à la vague précédente
de CIS pour notre cas) n’a pas d’effet significatif sur le montant investis en achat de
machines et logiciels pendant la période actuelle.Ce dernier est favorisé par contre
par le montant investis lors de la période initiale ( coefficient de 0.07 significatif à
5%).
Après avoir étudié la dynamique des inputs d’innovation et souligné leurs persis-
tance dans le temps, nous passons maintenant à l’étude de la dynamique des outputs
d’innovation.
5.3.2.2 Dynamique des outputs d’innovation
Nous nous intérressons dans cette étape à l’étude de la persistance des outputs
d’innovation. Nous mesurons cet output par quatres variables binaires indiquant res-
pectivement si l’entreprise a lancé ou non une innovation en produit, une innovation
en procédé, une innovation organisationnelle et une innovation marketing aucours de
la période t (relative à chaque vague de CIS).
Equations et méthode d’estimation

Ce modèle nous permettra de savoir si le fait d’innover aucours de la période pré-
cédente a une influence positive sur son comportement d’innovation actuel. Nous
introduisons également en plus des variables d’investissement en inputs d’innovation
prédites de la première étape, les dépenses d’innovation retardées pour voir si les
inputs d’innovation nécessitent du temps pour être traduits en output d’innovation
concrets.En effet, si nous supposons que les outputs d’innovation sont partiellement
déterminés par les inputs d’innovation (comme nous l’avons démontré dans le cha-
pitre précédent), la persistance des inputs va vraisemblablement être translatée par-
tiellement en persistance d’output.
Ainsi, pour chaque type d’innovation, nous utilisons un modèle Probit dynamique à
128
effet aléatoire. Nous adoptons la méthode de Wooldirdge (2005) pour corriger les pro-
blèmes d’hétérogéneité inobservée et de conditions initiales. L’endogéneité des inputs
d’innovation est corrigée par l’introduction des valeurs prédites des investissements
en R&D interne, R&D externe et en acquisition de machines et logiciels.
L’équation explicative de chaque type d’innovation (innovation en produit, innova-
tion en procédé, innovation organisationnelle et innovation en marketing) est donc
de la forme suivante :


 [ it + α3 RDE
1 si Inn∗it = α1 Inn∗i,t−1 + α2 RDI \it + α4 ML
d it +





 ′
α5 RDIi,t−1 + α6 RDEi,t−1 + α7 MLi,t−1 + α8 Xit + µi + εit > 0,
Innit = (4)







 0 sinon.
L’effet individuel µi est traité de la même manière que la première étape (Wool-
dridge, 2005) :
µi = c0 + c1 Inn∗i0 + c2 X i + τi (5)
La variable latente Inn∗it devient alors de cette forme :
[ it + α3 RDE
Inn∗it = α1 Inn∗i,t−1 + α2 RDI \it + α4 ML
d it +
′
α5 RDIi,t−1 + α6 RDEi,t−1 + α7 MLi,t−1 + α8 Xit + (6)
c0 + c1 Inn∗i0 + c2 X i + τi + εit ,
Nous présentons dans le tableau suivant les résultats d’estimation des équations
relatives aux innovations en produits et en procédés :
129
Table 5.7 – Estimation des équations de l’innovation produit et l’innovation procédé
Innovation en produit Innovation en procédé
Méthode d’éstimation Probit à Probit à Probit à Probit à

d’estimation EA Statique (1) EA Dynamique (2) EA Statique (1) EA Dynamique (2)
Inn∗
(i,t−1) 0.82*** (0.16) 0.31** (0.14)
[ it
RDI 0.92*** (0.02) 0.77* (0.06) 0.39*** (0.01) 0.26*** (0.03)
\ it
RDE -1.006*** (0.03) - 0.45*** (0.07) - 0.53*** (0.02) - 0.13** (0.05)
d
M Lit 0.14*** (0.01) 0.03 (0.05) 1.06*** (0.02) 0.86*** (0.08)
RDIit−1 - 0.15*** (0.01) - 0.06*** (0.01)
RDEit−1 0. 02*** (0.02) - 0.02 (0.01)
M Lit−1 0.03** (0.01) - 0.08 (0.01)
Gpe 0.15*** (0.02) - 0.12 (0.14) 0.21*** (0.02) 0.29** (0.13)
Coop 0.45*** (0.03) 0.52*** (0.13) 0.04*** (0.03) 0.01 (0.10)
prot strat - 0.15*** (0.02) - 0.008*** (0.10) - 0.18*** (0.02) 0.005** (0.09)
prot form 0.22*** (0.02) 0.14*** (0.11) - 0.01 (0.02) - 0.07 (0.10)
Taille - 0.02*** (0.009) 0.19 (0.14) - 0.08*** (0.008) - 0.09 (0.12)
Inn∗
i0 - 0.37 (0.13) 0.22 (0.16)
M gpe - 0.02 (0.17) - 0.10 (0.20)
M coop - 0.19 (0.16) - 0.05 (0.20)
M taille - 0.25*** (0.09)
M protstrat - 0.32** (0.16) - 0.30 (0.19)
M protform 0.06 (0.14) - 0.16 (0.17)
Test de wald- dummies sectorielles 417.36*** 16.35*** 201.94*** 13.11***
N 31957 3780 31955 3780
Ln L -9674.2636 -1101.4123 -11025.435 -1452.6652
Test de Wald - « H0 :ß=0 » 2292.70*** 301.76*** 3451.19*** 319.41***
Nous remarquons d’après notre tableau d’estimation de l’équation d’innovation

en produit que cette dernière se caractérise par une forte persistance puisque le coef-
ficient associé à l’innovation produit en t-1 est positif et fortement significatif (0,82
significatif à 1%).
Nous constatons également que les trois inputs d’innovation agissent d’une manière
différente sur l’innovation en produit aussi bien en termes de signe que de temps. En
effet, nos résultats montrent que l’investissement en R&D interne favorise bien l’inno-
vation en produit (coefficient positif et significatif aussi bien pour l’équation statique
que dynamique) mais que cet effet s’estompe assez rapidement dans le temps puisque
le coefficient de l’investissement intérieur en R&D interne à t-1 devient négatif. Donc
les dépenses en R&D interne à l’année t ont un effet immédiat sur l’innovation à l’an-
née t. Autrement dit, le rendement de l’investissement en R&D interne se concrétise
130
assez rapidement en termes d’innovation en produit.
Par contre l’investissement en R&D externe nécessite du temps pour favoriser l’in-
novation en produit. En effet, nous observons un effet négatif significatif de ce type

d’investissement à l’année t sur la probabilité d’innover en produit à l’année t et ce
pour les deux modèles statiques et dynamiques ; alors que l’effet de l’investissement
en R&D externe en t-1 devient significativement positif sur l’innovation produit à
l’année t.
Nous soulignons la même chose pour l’investissement en machines et logiciels. En
effet, quoique son effet immédiat (à l’année t) sur l’innovation produit soit signifi-
cativement positif dans le modèle statique, il devient non significatif dans le modèle
dynamique. Cependant l’investissement antérieur (à l’année t-1) favorise significati-
vement l’innovation en produit actuelle.
A ce niveau, il est clair que les investissements en R&D externe et en machines et

logiciels requierent du temps pour que les nouvelles compétences et flux d’information
qui en découlent soient absorbés et internalisés au sein de l’entreprise pour être en-
suite traduites en innovation produit. Pour les coefficients des autres variables, nous
constatons qu’ils sont globalement de même signe que le modèle statique (interprété
dans le chapitre précédent) sauf qu’ils sont globalement surestimés (plus élevés) dans
le modèle dynamique.
En ce qui conserne la probabilité d’innover en procédé, nos résultats suggèrent

aussi une forte persistance de ce type d’innovation. Le fait d’innover à la période
antérieure favorise significativement l’innovation en procédé à la période actuelle.

Ainsi, le changement des méthodes de production constitue à la fois une barrière de
sortie pour les entreprises innovantes qui les incite à innover plus les années futures
et s’approprier pleinement de l’avantage concurentiel qui en découle et une barrière
131
d’entrée pour les entreprises non innovantes.
Nos résultats montrent également un effet positif et significatif immédiat des inves-
tissements en R&D interne et en achat de machines et logiciels (coefficients respectifs

de 0.26 et de 0.86 dans le modèle dynamique significatifs à 1 %). Mais l’effet de ces
mêmes types d’investissements antérieurs (à la période t-1) devient négatif pour la
R&D interne et non significatif pour l’investissement en machines et logiciels.
L’effet de l’investissement en R&D externe reste négativement significatif aussi bien

pour le modèle statique que dynamique. Cependant cet effet négatif devient non si-
gnificatif pour l’investissement antérieur en R&D externe. Ce type d’investissement
en externalisation des activités de R&D nécessite alors plus de temps d’absorption
pour être concrétisé en innovation en procédés.
Nous constatons également que les coefficients des autres variables sont globalement
surestimés pour le modèle statique par rapport au modèle dynamique.
Nous observons maintenant les résultats d’estimation des équations relatives aux
innovations organisationnelle et marketing présentés dans le tableau suivant :
132
Table 5.8 – Estimation des équations de l’innovation en organisation et l’innovation
en marketing
Innovation en organisation Innovation en marketing
Méthode d’éstimation Probit à Probit à Probit à Probit à

d’estimation EA Statique (1) EA Dynamique (2) EA Statique (1) EA Dynamique (2)
Inn∗
(i,t−1) 0.27*** (0.05) 0.68*** (0.10)
[ it
RDI 0.24*** (0.01) 0.09*** (0.03) 0.26*** (0.01) 0.13*** (0.03)
\ it
RDE -0. 31*** (0.02) - 0. 07 (0.04) - 0.50*** (0.02) - 0.17*** (0.04)
d
M Lit 0.32*** (0.01) 0.27*** (0.04) 0.35*** (0.01) 0.14*** (0.04)
[ it−1
RDI - 0.02* (0.01) - 0.03*** (0.01)
\ it−1
RDE 0.005 (0.01) 0.01 (0.01)
d
M Lit−1 0.002 (0.01) - 0.02* (0.01)
Gpe 0.25*** (0.01) - 0.003 (0.10) 0.07*** (0.02) - 0.17* (0.10)
Coop 0.19*** (0.03) 0.07 (0.09) 0.07** (0.03) 0.27*** (0.09)
prot strat 0.10*** (0.02) 0.06*** (0.08) - 0.06*** (0.02) 0.03 (0.08)
prot form 0.20*** (0.02) 0.20*** (0.08) 0.50*** (0.02) 0.29*** (0. 08)
Taille - 0.02*** (0.006) 0.29*** (0.10) 0.02*** (0.007) 0.14* (0.10)
Inn∗
i0 0.17*** (0.05) 0.007 (0.11)
M gpe 0.05 (0.12) 0.01 (0.13)
M coop 0.03 (0.12) - 0.11 (0.12)
M taille - 0.27*** (0.10) - 0.05 (0.10)
M protstrat 0.33*** (0.09) - 0.06 (0.11)
M protform - 0.20*(0.09) 0.35 (0.11)
Test de wald- dummies sectorielles 327.38*** 8.28*** 97.99***
N 31957 3780 31957 3780
Ln L -17738.937 -2160.6569 -14192.05 -1957.9308
Test de Wald - « H0 :ß=0 » 3061.34*** 776.53*** 2027.92*** 771.61***
Nous constatons que le fait de lancer des innovations organisationnelles pendant
la période précédente favorise significativement (coefficient de 0.27 significatif à 1 %)

la probabilité d’innover en organisation actuelle. Ce résultat confirme la persistance
de ce 3me type d’innovation. Les entreprises qui ont dèjà effectué des changements
réussis de leur architecture organisationelle (organisation de travail, réingeneering,
système de qualité,. . .) sont plus suspectibles d’améliorer et de moderniser encore

leur structure organisationnelle vu leurs avantages en matière d’apprentissage, de
flexibilité, de diminution de la résistance au changement et d’implication de tous les
membres de l’organisation.
Nous soulignons également que ce sont les investissements en R&D interne et en
133
achat de machines et logiciels (TIC) qui favorisent le plus l’innovation organisation-
nelle (coefficients significatifs et positifs mais plus élevé pour le modèle statique par
rapport au modèle dynamique). L’effet de ces investissements s’estompe rapidement

dans le temps (n’affecte que l’innovation organisationnelle actuelle) puisque l’effet de
ces investissements antérieurs est non significatif.
L’effet négativement significatif de l’investissement en R&D externe actuel dans le
modèle statique et antérieur dans le modèle dynamique quoique un peu surprenant

peut être expliqué par le cout élevé de l’externalisation des activités de R&D et la
difficulté de leur absorption au sein de l’organisation.
Nos résultats suggèrent aussi que l’innovation organisationnelle est favorisée si-
gnificativement par l’adoption des moyens de protection aussi bien formelle que stra-
tégiques (coefficients positifs significatifs dans les modèles statique et dynamique)
ainsi que l’augmentation de la taille de la firme (coefficient devient positif de 0.29 et
significatif à 5% dans le modèle dynamique). En effet, l’adoption des moyens de pro-
tection quelle que soit leur nature (brevets, licence, secret professionnel,. . .) constitue
un avantage compétitif pour l’entreprise par rapport à ses concurrents et un facteur
de motivation pour moderniser la structure organisationnelle afin de maintenir et
bénéficier de cet avantage le plus longtemps possible.
De même, la prise en compte de la composante temporelle a fait paraı̂tre l’effet positif

de la taille de l’entreprise sur la décision de lancer des innovations en organisation
pour faciliter la communication et l’échange entre ses composantes devenues de plus
en plus complexes avec l’augmentation de sa taille et avec le temps.
Par contre, nous remarquons que les effets de l’appartenance à un groupe et

de coopération technologique qui étaient significativement positifs sur la probabilité
d’innover en organisation deviennent non significatifs dans le modèle dynamique. Il
134
s’avère alors que ces effets étaient surestimés dans le modèle statique.
En ce qui conserne l’innovation en marketing, nous constatons une forte persis-

tance de ce type d’innovation aussi. L’effet des innovations en marketing antérieures
est fortement positif et significatif (coefficient de 0.68 significatif à 1%) sur la pro-
babilité d’innover en marketing actuelle. Nous constatons également que les inves-
tissements en R&D interne et en machines et logiciels favorisent significativement

l’innovation en marketing. En effet, les dépenses en R&D intramural et en NTIC
stimule la recherche et le lancement de nouvelles méthodes de commercialisation et
de distribution.
Nos résultats montrent également que ce type d’innovation est favorisé par la
coopération technologique (son coefficient augmente de 0.07 dans le modèle statique
à 0.27 dans le modèle dynamique, les deux significatifs à 1%). Par contre, l’effet de
l’appartenance à un groupe était surestimé dans le modèle statique.
De même, la probabilité d’innover en marketing est favorisée par l’adoption des

moyens de protection formelle et l’augmentation de la taille de la firme.
Après l’étude de la dynamique des outputs d’innovation, nous passons mainte-
nant à l’étude de leurs rendements. Nous cherchons à savoir l’effet des innovations
courantes et passées sur la productivité.
5.3.2.3 Equation de la productivité
Méthode d’estimation
Dans cette dernièrre étape de l’étude de la relation R&D-innovation-productivité,
nous comparons l’effet de l’innovation sur la productivité dans le cas de la prise en
compte de l’accumulation des compétences pour innover dans le temps (prévisions
135
des outputs d’innovation issues des modèles dynamiques (M2)) avec son effet en cas
de négligence de la composante temporelle (prévisions des outputs d’innovation issues
des modèles statiques (M1)). Nous introduisons également les décisions d’innovation
ultérieures pour voir si l’effet de l’innovation sur la productivité s’estompe rapidement
dans le temps ou non. Nous mesurons la productivité du travail par le logarithme
du chiffre d’affaire par employé. Nous utilisons alors une équation linéaire de la
productivité ayant la forme suivante :
\ it + α2 Inpcd
P rodit = α1 Inpdt \ it + α3 Inorg \ it +
\ it + α4 Inmkg
α5 Inpdti,t−1 + α6 Inpcdi,t−1 + α7 Inorgi,t−1 + α8 Inmkgi,t−1 + (7)

′
α9 Xit + τi + εit ,
Toutefois, la spécification de la nature des effets individuels pour les équations
lineaires est particulièrement importante pour les données de panels à dimension

réduite (Hausman 1978). Ainsi, nous effectuerons l’estimation de l’équation de pro-
ductivité par les deux méthodes à effets fixes et à effets aléatoires. Ensuite, nous re-
courerons aux tests de spécification d’Hausman pour choisir et interpréter la meilleure
méthode d’estimation.
L’estimation de cette équation de productivité sur notre panel non cylindré a donné
lieu aux résultats suivants :
136
Table 5.9 – Estimation de l’équation de productivité
Productivité de travail
Méthode d’estimation Modèles à effets fixes Modèles à effets aléatoires

(M1) (M2) (M1) (M2)
\it
Inpdt -0.05*** 0.01 -0.03*** -0.01
(0.01) (0.01) (0.009) (0.01)
\ it
Inpcdt 0.04*** -0.002 0.04*** -0.03**
(0.01) (0.02) (0.008) (0.01)
\it
Inorg -0.01 0.01 -0.14*** -0.03
(0.03) (0.06) (0.02) (0.03)
\ it
Inmkg 0.05** -0.06 0.12*** 0.11***
(0.02) (0.05) (0.01) (0.04)
Inpdti,t−1 -0.02 -0.03*

(0.02) (0.01)
Inpcdti,t−1 0.01 0.003

(0.01) (0.01)
Inorgi,t−1 -0.03 -0.05

(-1.38) (0.01)
Inmkgi,t−1 0.12*** 0.10**

(3.02) (0.02)
Taille 0. 55*** 0.55*** 0.34*** 0.32***

(0.01) (0.03) (0.002) (0.008)
Test de Wald-dummies
sectorielles 1.09 0.57 2673.89*** 260.11***
N 31957 3780 31957 3780
Test de Wald : 8.86*** 24.05*** 23958.76*** 2572.73***

“H0 : β = 0′′
Test d’Hausman EF vs EA (M1) 762.23*** (M2) 78.91***
Nous constatons d’après le tableau d’estimation que les quatres modèles sont
globalement significatifs (les quatres statistiques de Wald de test de significativité
globale sont significatives à 1%).
En ce qui conserne les statistiques du test de spécification d’Hausman (relatives

aux modèles M1 introduisant les valeurs statiques d’innovation et M2 introduisant
les valeurs dynamiques d’innovation), elles sont toutes les deux fortement significa-
137
tives. Ce résultat implique le rejet de l’hypothèse H0 du test selon laquelle les effets
individuels sont des effets aléatoires et ce pour les deux modèles M1 et M2. Ainsi,
nous retenons pour l’interprétation les résultats issus des estimations par la méthode
des effets fixes.
Selon cette méthode, nous constatons qu’il existe une différence remarquable entre
les coefficients des valeurs prédites d’innovation issues des modèles statiques et celles
issues des modèles dynamiques.
En effet, nos résultats suggèrent que les innovations actuelles (introduites à l’an-
née t) en procédé et en marketing issues des modèles statiques ont des effets posi-
tifs significatifs avec des coefficients respectifs de 0.04 (significatif à 1%) et de 0.05
(significatif à 5%). Nous remarquons également que l’effet de la valeur prédite de
l’innovation produit issue du modèle statique est significativement négatif (coeffi-
cient de -0.05 significatif a 1%). Ce résultat est cohérent avec nos estimations de
l’équation de productivité statique (chapitre 4) selon lesquelles l’effet de l’innova-

tion produit sur la productivité ne devient positif que si elle est accompagnée par
des innovations organisationnelles et de marketing. Sinon, les coûts élevés du lan-
cement d’un produit nouveau à l’année t risque de se répercuter négativement sur
la productivité de l’année t en absence d’une architecture organisationnelle adéquate.
Cependant, les coefficients des valeurs prédites d’innovation issues des modèles
dynamiques deviennent tous non significatifs. Nous constatons que seule l’innovation
marketing à l’année précédente a un effet fortement positif (coefficient de 0.12 signi-

ficatif a 1%) sur la productivité de l’année actuelle. Ainsi la prise en considération
de la composante temporelle suggère que l’effet de l’innovation sur la productivité
nécessite du temps pour être observé (l’innovation nécessite du temps pour être trans-
138
formée ou traduite sous forme de gain de productivité).
L’effet de la taille est toujours significativement positif sur la productivité et ce

aussi bien pour les modèles statiques que dynamiques.
5.4 Conclusions
Ce chapitre a été dédié à l’étude de la persistance des inputs et des outputs de l’in-
novation et à l’analyse de la relation dynamique entre R&D-innovation-productivité.
Pour cela, nous avons utilisé un panel de données non cylindré de trois vagues de
CIS françaises (1998-2000 ; 2002-2004 ; 2004-2006).
Nous avons commencé l’analyse par l’observation des probabilités de transition

des inputs et des outputs d’innovation. Nous avons souligné que pour toutes les
activités, les pourcentages des entreprises qui n’ont pas changé de statut (oui-oui
/non-non) sont tous largement supérieurs aux pourcentages des entreprises qui ont
changé de statut (oui-non /non-oui). Ainsi, les entreprises qui ont lancé une activité
de R&D ou d’achat de machines et logiciels au cours de la période passée ont plus de
chance à le faire au cours de la période présente. De même, le statut d’innovation à
t est positivement corrélé avec le statut d’innovation à t-1. Cette analyse descriptive
préliminaire a révélé qu’il existe bien une forte persistance en matière des inputs et
des outputs d’innovation.
La validation économétrique de ces observations a appelé le recours à un modèle

à trois étapes inspiré du modèle CDM utilisé dans le chapitre précédent auquel nous
avons ajouté des variables endogènes et exogènes retardées. Ainsi, pour estimer les
équations des inputs d’innovation nous avons utilisé un modèle Tobit type II dy-
139
namique tenant compte de l’hétérogénéité inobservée, du problème de la condition
initiale (par la méthode de Wooldridge, 2005) et du problème de sélection (par la
méthode de Heckman, 1979).
Nos estimations nous ont permis de souligner que les décisions de lancer une
activité de R&D externe et d’acheter des machines et logiciels à l’année t pour les
entreprises enquêtées sont significativement favorisées pour les entreprises qui ont
déjà procédé à ces mêmes décisions à l’année t-1. Nous avons trouvé également que
les montants investis en R&D interne et externe à l’année t-1 sont significativement
et positivement liés aux montants investis à l’année t. Ces résultats sont en faveur
d’une persistance élevée de ces investissements en inputs d’innovation (Peters, 2009).
Ainsi, l’hypothèse des coûts irrécupérables des activités de R&D comme barrières à
l’entrée et à la sortie (Manez Castillejo et al, 2004) a été bien corroborée.
Ensuite, nous avons estimé les équations des outputs d’innovation par des modèles
Probit dynamiques tenant compte de la même manière de l’hétérogénéité inobser-

vée (méthode de Wooldridge, 2005). Nos estimations suggèrent que les quatre types
d’output d’innovation (innovation en produit, innovation en procédés, innovation or-
ganisationnelle et innovation en marketing) se caractérisent par une forte persistance
(à l’instar des résultats de Peters (2009), Musolesi (2007), Raymond et al.(2010)). En
effet, les coefficients associés aux quatre types d’innovation en t-1 sont tous positifs et
fortement significatifs. Le fait d’innover à la période antérieure favorise l’innovation
à la période actuelle. Ainsi, l’introduction de produits nouveaux et le changement
des méthodes de production constituent à la fois une barrière de sortie pour les en-
treprises innovantes qui les incite à innover plus les années futures et s’approprier
pleinement de l’avantage concurrentiel qui en découle et une barrière d’entrée pour les
entreprises non innovantes. De même, les entreprises qui ont déjà effectué des change-
140
ments réussis de leur architecture organisationnelle et des innovations en marketing
sont plus susceptibles d’améliorer et de moderniser encore leur structure organisa-
tionnelle vu leurs avantages en matière d’apprentissage, de flexibilité, de diminution

de la résistance au changement et d’implication de tous les membres de l’organisation.
Nous avons constaté également que l’investissement en R&D interne favorise bien
tous les types d’innovation mais que cet effet s’estompe assez rapidement dans le
temps puisque le coefficient de l’investissement antérieur en R&D interne à l’année
t-1 devient négatif. Donc le rendement de l’investissement en R&D interne se concré-
tise assez rapidement en termes d’innovations (ne favorise que l’innovation actuelle).
Par contre, nous avons observé que seuls les montants antérieurs investis en R&D
externe (à l’année t-1) agissent d’une manière significativement positive sur l’innova-
tion en produit actuelle. En effet, ces investissements requièrent du temps pour que
les nouvelles compétences et flux d’information qui en découlent soient absorbés et
internalisés au sein de l’entreprise pour être ensuite traduites en innovation produit.
L’effet négativement significatif de l’investissement en R&D externe actuel peut être

expliqué par le coût élevé de l’externalisation des activités de R&D et la difficulté
de leur absorption au sein de l’organisation.
Nous avons souligné aussi que les investissements actuels en machines et logi-
ciels favorisent significativement les innovations en procédé, en organisation et en
marketing actuelles. En effet, les dépenses en NTIC stimulent assez rapidement l’au-
tomatisation des méthodes de production, la communication au sein de l’organisation
et le lancement de nouvelles méthodes de commercialisation et de distribution. Cet

effet est immédiat sur ces trois types d’innovation mais requière un peu de temps
pour être traduit sous forme de produits nouveau (seul l’investissement antérieur en
NTIC favorise significativement l’innovation en produit). Nous constatons également
141
que les coefficients des autres variables sont globalement surestimés pour le modèle
statique par rapport au modèle dynamique.
Enfin, nous avons estimé l’équation de la productivité par un modèle linéaire de

panel à effets fixes. Nos résultats suggèrent que les innovations actuelles en procédé
et en marketing issues des modèles statiques ont des effets positifs significatifs. Nous
remarquons également que l’effet de la valeur prédite de l’innovation produit issue du

modèle statique est significativement négatif. Ce résultat est cohérent avec nos esti-
mations de l’équation de productivité statique (chapitre 4) selon lesquelles l’effet de
l’innovation produit sur la productivité ne devient positif que si elle est accompagnée
par des innovations organisationnelles et de marketing. Sinon, les coûts élevés du lan-
cement d’un produit nouveau à l’année t risque de se répercuter négativement sur

la productivité de l’année t en absence d’une architecture organisationnelle adéquate.
Cependant, les coefficients des valeurs prédites d’innovation issues des modèles
dynamiques deviennent tous non significatifs. Nous constatons que seule l’innovation
marketing à l’année précédente a un effet fortement positif sur la productivité de
l’année actuelle. Ainsi la prise en considération de la composante temporelle suggère
que l’effet de l’innovation sur la productivité des entreprises industrielles françaises
n’est pas immédiat : il nécessite du temps pour être traduit sous forme de gain de
productivité. Néanmoins, l’utilisation de seulement trois vague de CIS ne nous a
pas permis de déterminer exactement au bout de combien de périodes l’innovation
devient rentable. En outre, une étude similaire et comparative avec le secteur des
services serait très intéressante.
142
CONCLUSION GÉNÉRALE
La réflexion développée dans cette thèse a porté sur la modélisation des détermi-
nants et des implications de la dynamique de l’innovation tout en mettant en exergue
l’importance de l’impact des changements organisationnels sur la gestion des connais-
sances et l’acquisition et le développement des compétences pour innover. En effet,
nous nous sommes interrogés sur le rôle joué par l’adoption des innovations orga-
nisationnelles et plus précisément des pratiques de management des connaissances
sur l’innovation en produit et en procédé. Ensuite, nous avons étendu l’analyse vers
la proposition d’un modèle assez complet qui permet d’étudier les déterminants et
le rendement des différents types d’innovation tout en tenant compte de cette in-
terdépendance qui les relie. Nous avons cherché à étudier la complémentarité entre
les innovations technologiques et organisationnelles en terme de productivité. Cette
question reste en fait très peu abordée par la littérature malgré l’abondance des
travaux sur le rendement des innovations technologiques. En dernière étape de ce
travail de thèse, nous avons mis l’accent sur l’importance de la prise en compte de
la composante temporelle pour mieux comprendre l’accumulation des compétences
pour innover dans le temps et le processus dynamique de l’activité d’innovation.
Ainsi, les originalités par rapport à la littérature caractérisant chaque chapitre
143
de ce travail de thèse peuvent être classées selon trois volets : théorique, méthodolo-
gique et empirique. Sur le volet théorique, l’apport de notre étude était d’exploiter
les théories de complémentarité et de supermodularité (Topkis (1978), Vives (1990)

et Milgrom et Roberts (1995)) traditionnellement utilisées en mathématiques et en
optimisation combinatoire et de montrer leur apport pour étudier la complémentarité
entre les différentes stratégies d’innovation (chapitre 1).
Sur le volet méthodologique, nos travaux de recherche dans le cadre de cette

thèse ont apporté trois extensions majeures au modèle CDM (Crépon, Duguet et
Mairesse, 1998) servant de base aux travaux récents traitant du tryptique RD-
innovation-productivité. En premier lieu, nous avons considéré les investissements
en R&D externe et en achat de machines et logiciels en plus des investissements clas-

siques en R&D interne comme inputs d’innovation (chapitres 3 et 4). En deuxième
lieu, nous avons introduit les innovations organisationnelles (changement dans les
stratégies managériales, l’organisation du travail ou les relations extérieurs) et de
marketing (changement dans la conception du produit, l’emballage, le placement ou

la politique de prix) comme outputs complémentaires aux innovations technologiques
en produit (innovation ou amélioration significative de biens et services) et en pro-
cédé (changement dans les méthodes de production ou de distribution) (chapitres 4).
En troisième lieu, nous avons montré les limites des modèles statiques pour l’étude de
l’activité d’innovation et proposé un modèle dynamique permettant de mieux com-
prendre le processus d’accumulation des compétences pour innover dans le temps
(chapitre 5).
Sur le volet empirique, notre apport consiste à utiliser tout au long de notre
étude des méthodes d’estimation originales permettant de surmonter les difficultés
majeures adjacentes aux données sur l’innovation, notamment les problèmes de sélec-
144
tion et d’endogénéité (Mairesse et Mohnen, 2010). Ainsi, nous avons utilisé un modèle
composé de trois blocs d’équations structurelles permettant de tenir compte du biais
d’endogénéité. En outre, nous avons estimé les équations d’inputs d’innovation par
des modèles Tobit généralisé type II permettant de corriger le biais de sélection par
la méthode d’Heckman. Nous avons également utilisé un modèle Probit multivarié
pour estimer le modèle à quatre équations simultanées (une équation pour chaque
type d’innovation), étant donnée la nature dichotomique des outputs d’innovation,

et leurs interdépendances. Enfin, dans le modèle dynamique nous avons corrigé les
problèmes de l’hétérogénéité inobservée et de condition initiale par la méthode de
Wooldrige (2005).
A l’issu de ce travail, plusieurs conclusions apparaissent. Tout d’abord, notre ana-

lyse de la littérature économique relative à l’innovation (chapitre 1) nous a permis de
souligner d’une part la complémentarité des compétences technologiques et organisa-
tionnelles pour l’activité d’innovation des entreprises. D’autre part, il est avéré que
la relation entre compétences et innovation est de nature simultanée et dynamique.

L’activité de l’innovation est donc un processus cumulé dans le temps et déterminé
par la manière dont l’entreprise gère ses compétences technologiques et organisation-
nelles et par ses caractéristiques internes et externes.
Ensuite, notre étude du contexte de la recherche et de l’innovation en Europe

et plus particulièrement en France nous a permis de constater que dans le but de
rattraper son retard par rapport à ses voisins, la politique française en matière d’inno-
vation a été orientée vers la mise en cohérence des dispositifs de recherche existants,
le renforcement des partenariats publics et privés et l’optimisation de l’utilisation des
ressources en se focalisant sur les secteurs à forte valeur ajoutée. Nous avons souligné
également l’évolution de la conception de l’innovation et l’apparition de nouveaux
145
inputs et outputs devant être pris en considération lors de l’étude des déterminants
et des implications de l’activité d’innovation.
Notre première contribution empirique (chapitre 3) avait pour objectif de déter-

miner les facteurs qui favorisent la probabilité d’innovation pour les entreprises fran-
çaises. Nos résultats nous ont permis de souligner, en premier lieu, que la probabilité
d’innover est déterminée par les caractéristiques intrinsèques de l’entreprise et celles

de son environnement ; notamment sa taille et l’impulsion de la demande. De même,
l’activité de R&D interne entreprise par les unités de recherche de la firme constitue
le principal mécanisme de développement des compétences technologiques. Cette pra-
tique contribue à la création de nouvelles connaissances permettant la production de
nouveaux produits et/ou l’adoption de nouvelles méthodes de production. En outre,

les relations de partenariats technologiques ont favorisé pour les entreprises françaises
l’internalisation des nouvelles compétences technologiques de leurs partenaires. Nous
avons constaté également que l’adoption de nouvelles stratégies organisationnelles de
gestion des connaissances contribue d’une manière significative au changement des

méthodes de production et de l’architecture organisationnelle de l’entreprise ainsi
que la création et le partage des connaissances stimulant ainsi l’innovation surtout
en procédé.
En deuxième lieu, notre étude des rendements marginaux nous a permis de mon-
trer que pour pouvoir bénéficier pleinement de l’effet positif du partenariat et des
efforts de R&D sur l’innovation, ceux-ci doivent être accompagnés par certaines pra-
tiques organisationnelles liées à la bonne gestion des compétences et à la préparation

d’une architecture organisationnelle favorisant la création et le partage des connais-
sances et flexible aux changements.
146
En tenant compte de ces relations de complémentarité entre les compétences tech-
nologiques et organisationnelles pour innover, nous avons proposé un modèle pour
mesurer le rendement des différents types d’innovation (chapitre 4). Dans une pre-
mière étape, nos résultats ont suggéré que les décisions de faire de la R&D interne et
externe et d’acquérir des machines et des logiciels dépendent de la confrontation de
l’entreprise à la concurrence internationale, de son recours aux moyens de protection
de la propriété, de l’impulsion de la demande et de sa taille. Ils ont montré égale-

ment que les montants investis sont déterminés par l’appartenance à un groupe, la
coopération technologique, les sources d’information et le financement public.
Dans une deuxième étape de ce modèle, nous avons pu constater que l’investisse-
ment en R&D interne est le facteur le plus favorable aux quatre types d’innovation
pour les entreprises françaises. La probabilité d’innover en procédés est favorisée en
plus par l’achat de machines et logiciels. En ce qui concerne la probabilité de faire
une innovation organisationnelle, elle est affectée positivement en plus des investisse-
ments en R&D interne et en achat de M&L, par la taille de l’entreprise. Plus la taille
de la firme est élargie, plus elle est incitée à moderniser son architecture organisation-
nelle. Nos résultats ont suggéré également que la probabilité d’innover en marketing
est favorisée en plus des investissements en R&D interne et en achat de M&L par
l’adoption des moyens de protection formelle (brevets, dessins, modèles, marques . . .).
Enfin, dans la troisième étape, nous avons souligné que les innovations en pro-
cédés, organisationnelles et en marketing ont des effets significatifs positifs sur la
productivité des entreprises françaises. Il est avéré également que les innovations en
produit et en procédé favorisent mieux la productivité si elles sont accompagnées par
des innovations organisationnelles et en marketing et vice versa (Mohnen et Roller,
2005 ; Polder et al, 2010).
147
Par la suite, nous avons affiné notre analyse vers l’étude de la persistance des
inputs et des outputs de l’innovation et l’analyse de la relation dynamique entre

R&D-innovation-productivité (chapitre5). Nous avons constaté alors que les déci-
sions et les investissements en R&D et en achat des machines et logiciels à l’année t
sont significativement favorisés pour les entreprises qui ont déjà procédé à ces mêmes
décisions à l’année t-1. Ces résultats sont en faveur d’une persistance élevée de ces
dépenses en inputs d’innovation (Peters, 2009). Ainsi, l’hypothèse des coûts irré-
cupérables des activités de R&D comme barrières à l’entrée et à la sortie (Manez
Castillejo et al, 2004) a été bien corroborée.
De même, nos résultats ont suggéré que les quatre types d’output d’innovation
se caractérisent par une forte persistance (Peters (2009), Musolesi (2007), Raymond
et al.(2010)). Ainsi, l’innovation constitue à la fois une barrière de sortie pour les
entreprises innovantes qui les incite à innover plus les années futures et s’approprier
pleinement de l’avantage concurrentiel qui en découle et une barrière d’entrée pour

les entreprises non innovantes. Nous avons constaté également que l’investissement en
R&D interne favorise bien tous les types d’innovation mais que cet effet s’estompe as-
sez rapidement dans le temps. Par contre, nous avons observé que seuls les montants
antérieurs investis en R&D externe (à l’année t-1) agissent d’une manière significa-
tivement positive sur l’innovation en produit actuelle. En effet, ces investissements
requièrent du temps pour que les nouvelles compétences et flux d’information qui
en découlent soient absorbés et internalisés au sein de l’entreprise pour être ensuite
traduits en innovation produit. Nous avons souligné aussi que les investissements ac-
tuels en machines et logiciels favorisent significativement les innovations en procédé,
en organisation et en marketing actuelles. En effet, les dépenses en NTIC stimulent
assez rapidement l’automatisation des méthodes de production, la communication au
148
sein de l’organisation et le lancement de nouvelles méthodes de commercialisation et
de distribution. Cet effet est immédiat sur ces trois types d’innovation mais requière
un peu de temps pour être traduit sous forme de produits nouveaux.
Enfin, l’estimation de l’équation de productivité nous a permis de conclure que

la prise en considération de la composante temporelle suggère que l’effet de l’inno-
vation sur la productivité des entreprises françaises n’est pas immédiat. Il nécessite
du temps pour qu’il soit traduit sous forme de gain de productivité. Néanmoins,
l’utilisation de seulement trois vague de CIS ne nous a pas permis de déterminer
exactement au bout de combien de périodes l’innovation devient rentable.
A l’issue de ce travail de thèse, plusieurs propositions de politiques propres à

l’entreprise ou pouvant être menées par l’Etat peuvent être générées pour stimuler
l’activité d’innovation :
– Le renforcement des investissements en R&D interne et externe et en techno-
logies d’information et de communication constitue le principal mécanisme de

développement des compétences technologiques et organisationnelles pour in-
nover. De même, l’encouragement des relations de partenariats technologiques,
le recours aux moyens de protection de la propriété et au financement public
des projets innovants favorisent l’activité d’innovation.
– Pour pouvoir bénéficier pleinement de l’effet positif des efforts de R&D et du

partenariat technologique sur l’innovation, ceux-ci doivent être accompagnés
par certaines pratiques organisationnelles liées à la bonne gestion des com-

pétences et à la préparation d’une architecture organisationnelle favorisant la
création et le partage des connaissances et flexible aux changements.
149
– Tous les types d’innovations ont des effets significatifs positifs sur la produc-
tivité. Toutefois, leurs effets sont complémentaires : les innovations en produit
et en procédé favorisent mieux la productivité si elles sont accompagnées par

des innovations organisationnelles et en marketing et vice versa.
– La forte persistance des inputs et des outputs d’innovation constitue à la fois
une barrière à la sortie pour les entreprises innovantes et une barrière à l’en-
trée pour les entreprises non innovantes. Ce résultat est très intéressant dans
la mesure où il implique que les politiques axées sur les mêmes dispositifs d’in-
citation pour les entreprises ayant déjà une expérience passée en innovation et
les entreprises non innovantes apparaissent insuffisantes voire inefficaces. A cet
égard, Il convient désormais de prévoir des mesures d’incitation spécifiques aux

entreprises non innovantes pour les aider à innover et atténuer les barrières à
l’entrée imposées par les entreprises innovantes. Ces incitations peuvent être
sous forme de financement des activités de recherche, de soutiens des relations
de partenariat et d’échange avec les universités et les organismes publiques de

recherche ou encore de planification des rencontres et des interactions avec les
entreprises innovantes afin de bénéficier de leurs expériences en matière de mise
en place des projets innovants.
– L’externalisation des activités de R&D nécessite beaucoup de temps pour gé-

nérer des innovations alors que les effets de la R&D interne et de l’achat de
machines et logiciels sont immédiats sur la plupart des types d’innovation et
s’estompent assez rapidement dans le temps. Ces résultats impliquent que les
entreprises qui souhaitent accélérer la mise en place aussi bien de leurs inno-
vations technologiques que organisationnelles sont appelées a intérioriser leurs
activités de R&D plutôt que de les externaliser.
150
– Contrairement à ce que bon nombre de travaux laissent penser, l’effet de l’in-
novation sur la productivité des entreprises n’est pas immédiat. Les projets
innovants nécessitent du temps pour générer des gains de productivité. Dés
lors, les nouvelles entreprises innovantes sont appelées à prendre en considéra-
tion ce décalage de rendement de leurs innovations lors de l’instauration des
plans de financement de leurs projets.
Néanmoins, notre travail de thèse présente certaines limites qui constituent au-
tant de perspectives de recherches futures. En effet, l’utilisation de seulement trois
vagues d’enquêtes communautaires sur l’innovation ne nous a pas permis de déter-
miner exactement au bout de combien de périodes l’innovation puisse se traduire en

terme de gain de productivité. Il serait alors très intéressant d’étudier la dynamique
de l’innovation sur une période plus longue permettant l’exploitation d’autres vagues
de CIS.
En outre, les données dont nous disposons ne nous ont pas permis de voir s’il
existe une différence au niveau de nos résultats entre les entreprises industrielles et
les entreprises de services. Dans ce sens, une étude similaire et comparative entre les
secteurs basée sur d’autres données d’innovation couvrant d’une manière équitable
aussi bien le secteur industriel que celui des services, serait très intéressante.
Enfin, nous envisageons également de faire des études comparatives de nos ré-
sultats entre pays. En particulier, nous voulons bien comparer les résultats de notre
étude menée auprès des entreprises françaises avec les résultats issus des études si-
milaires faites auprès des entreprises des leaders européens en innovation telle que
la Suède, le Danemark ou l’Allemagne. Nous souhaitons savoir également si les po-
151
litiques en matière de stimulation de l’activité d’innovation proposées à l’issu de ce
travail de thèse sont applicables et valables aussi pour le cas des entreprises d’un
pays en voie de développement comme la Tunisie.
152
BIBLIOGRAPHIE
Aghion, P., C. Harris, et J. Vickers (1997). Competition and growth with step-by-step
innovation : An example. European Economic Review 41 (3), 771–782.
Aghion, P. et P. Howitt (1990). A model of growth through creative destruction.

Technical report, National Bureau of Economic Research.
Amesse, F., A. Avadikyan, et P. Cohendet (2006). Ressources, compétences et stra-

tégie de la firme. Management International 10, 1–16.
Amir, R. (2005). Supermodularity and complementarity in economics : an elementary

survey. Southern Economic Journal , 636–660.
Amit, R. et P. J. Schoemaker (1993). Strategic assets and organizational rent. Stra-

tegic management journal 14 (1), 33–46.
Anderson, T. et C. Hsiao (1982). Formulation and estimation of dynamic models

using panel data. Journal of econometrics 18 (1), 47–82.
Arora, A. et A. Gambardella (1994). The changing technology of technological

change : general and abstract knowledge and the division of innovative labour.
Research policy 23 (5), 523–532.
153
Arrow, K. (1962). Economic welfare and the allocation of resources for invention.
Arvanitis, S. (2010). Are firm innovativeness and firm age relevant for the supply
of vocational training ? a study based on swiss micro data. The Open Economics
Journal 3, 43–57.
Athey, S. et S. Stern (2002). The impact of information technology on emergency

health care reforms. RAND Journal of Economics 33, 399–432.
Baldwin, J., P. Hanel, et D. Sabourin (2000). Determinants of innovative activity in

canadian manufacturing firms : the role of intellectual property rights.
Baldwin, J. et J. Johnson (1999). 4. entry, innovation and firm growth. Are small
firms important ? : their role and impact, 51.
Baltagi, B. et J. Griffin (1984). Short and long run effects in pooled models. Inter-
national Economic Review 25 (3), 631–645.
Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of

management 17 (1), 99–120.
Barua, A., C. Sophie Lee, et A. B. Whinston (1996). The calculus of reengineering.

Information Systems Research 7 (4), 409–428.
Barzel, Y. (2002). A theory of the state : Economic rights, legal rights, and the scope
of the state. Cambridge Univ Pr.
Baumol, W. J., J. C. Panzar, R. D. Willig, E. E. Bailey, D. Fischer, et D. Fischer

(1982). Contestable markets and the theory of industry structure.
Bénézech, D., G. Lambert, B. Lanoux, C. Lerch, et J. Loos-Baroin (2001). Com-

pletion of knowledge codification : an illustration through the iso 9000 standards
implementation process. Research Policy 30 (9), 1395–1407.
154
Bresnahan, T., E. Brynjolfsson, et L. Hitt (1999). Information technology, workplace
organization and the demand for skilled labor : Firm-level evidence. Technical
report, National Bureau of Economic Research.
Bresnahan, T., E. Brynjolfsson, et M. Lorin. Hit (2002)’information technology,

workplace organization, and the demand for skilled labor : Firm-level evidence’.
Quarterly Journal of Economics 117, 339–375.
Brynjolfsson, E. et L. Hitt (2000). Beyond computation : Information technology,

organizational transformation and business performance. The Journal of Economic
Perspectives 14 (4), 23–48.
Callon, M. (1994). Is science a public good ? fifth mullins lecture, virginia polytechnic
institute, 23 march 1993. Science, Technology & Human Values 19 (4), 395–424.
Carree, M., B. Lokshin, et R. Belderbos (2011). A note on testing for complementa-

rity and substitutability in the case of multiple practices. Journal of productivity
Analysis 35 (3), 263–269.
CEFiS, E. (2003). Persistence in innovation and profitability. Rivista Internazionale

di Scienze Sociali , 19–37.
Cefis, E. et M. Ciccarelli (2005). Profit differentials and innovation. Economics of

Innovation and New Technology 14 (1-2), 43–61.
Cefis, E. et L. Orsenigo (2001). The persistence of innovative activities : : A cross-

countries and cross-sectors comparative analysis. Research Policy 30 (7), 1139–
1158.
Choi, B., S. K. Poon, et J. G. Davis (2008). Effects of knowledge management stra-

tegy on organizational performance : A complementarity theory-based approach.
Omega 36 (2), 235–251.
155
Coase, R. H. (1937). The nature of the firm. economica 4 (16), 386–405.
Cohen, W. (1995). Empirical studies of innovative activity. in, handbook of the
economics of innovation and technological change, stoneman p.
Cohen, W. et D. Levinthal (1990). Absorptive capacity : a new perspective on

learning and innovation. Administrative science quarterly, 128–152.
Cohen, W. M. et S. Klepper (1996). A reprise of size and r & d. The Economic
Journal , 925–951.
Cohendet, P. et P. Llerena (1999). La conception de la firme comme processeur de

connaissances. Revue d’économie industrielle 88 (1), 211–235.
Coriat, B. et O. Weinstein (2002). Organizations, firms and institutions in the gene-
ration of innovation. Research Policy 31 (2), 273–290.
Cozzarin, B. et J. Percival (2006). Complementarities between organisational strate-

gies and innovation. Economics of innovation and new technology 15 (03), 195–217.
Crépon, B., E. Duguet, et J. Mairesse (2000). Mesurer le rendement de l’innovation.
Economie et statistique 334 (1), 65–78.
Crepon, B., E. Duguet, et J. Mairessec (1998). Research, innovation and productivi

[ty : An econometric analysis at the firm level. Economics of Innovation and New
technology 7 (2), 115–158.
Den Besten, M., J. Dalle, et F. Galia (2008). The allocation of collaborative efforts
in open-source software. Information Economics and Policy 20 (4), 316–322.
Dosi, G. (1998). The contribution of economic theory to the understanding of a

knowledge-based economy. The economic impact of knowledge, Ed. Butterworth-
Heinemann.
156
Dosi, G. et L. Marengo (1994). Some elements of an evolutionary theory of organi-
zational competences.
Dosi, G., D. Teece, et J. Chytry (1998). Technology, organization, and competitive-

ness : perspectives on industrial and corporate change. Oxford University Press.
Doz, Y. (1992). The role of partnerships and alliances in the european industrial re-
structuring. European Industrial Restructuring in the 1990s. London : Macmillan,
294–327.
Duguet, E. et S. Monjon (2002). Creative destruction and the innovative core : is

innovation persistent at the firm level ?
Edquist, C. et L. Hommen (1997). Government technology procurement as a policy
instrument in the tser-project on innovation systems and european integration,

department of technology and social change, linköping : Linköping univesity.
Edquist, C. J. et B. Johnson. B. 1997. institutions and organisations in systems of

innovations.
Flinn, C. et J. Heckman (1982). New methods for analyzing structural models of

labor force dynamics. Journal of Econometrics 18 (1), 115–168.
Fontana, R. et L. Nesta (2009). Product innovation and survival in a high-tech

industry. Review of Industrial Organization 34 (4), 287–306.
Foray, D. et B. Lundvall (1996). The knowledge-based economy. Paris : OCDE .
Fransman, M. (1994). Information, knowledge, vision and theories of the firm. In-
dustrial and corporate change 3 (3), 713–757.
Freeman, C. (1974). Innovation and the strategy of the firm. C. Freeman, The
Economics of Industrial Innovation, Penguin Books Ltda., Harmondsworth.
157
Freeman, R. E. (1994). The politics of stakeholder theory : Some future directions.
Business ethics quarterly, 409–421.
Galia, F. et D. Legros (2003). Knowledge management and human resource practices

in an innovation perspective : evidence from france. Ermes–Université Panthéon-
Assas Paris II, May, mimeo.
Galia, F. et D. Legros (2004a). Complementarities between obstacles to innovation :
evidence from france. Research Policy 33 (8), 1185–1199.
Galia, F. et D. Legros (2004b). Research and development, innovation, training,

quality and profitability : evidence from france. Working Papers ERMES .
Galia, F. et D. Legros (2005). Testing for complementarities between team, in-
centives, training and knowledge management : evidence from france. Dans work-
shop on Organizing the Search for Technological Innovation, Copenhagen Business
School, October.
Garrouste, P. (1999). Apprentissage, interactions, et création de connaissance. Revue
d’économie industrielle 88 (1), 137–151.
Geroski, P. A., J. Van Reenen, et C. F. Walters (1997). How persistently do firms

innovate ? Research Policy 26 (1), 33–48.
Gómez-Pérez, A. (1994). From knowledge based systems to knowledge sharing tech-
nology : Evaluation and assessment.
Gómez-Pérez, A. (1996). Towards a framework to verify knowledge sharing techno-

logy. Expert Systems with Applications 11 (4), 519–529.
Gourieroux, C., A. Monfort, et A. Trognon (1985). Moindres carrés asymptotiques.

Dans Annales de l’INSEE, pp. 91–122. JSTOR.
158
Grant, R. M. (1991). The resource-based theory of competitive advantage : implica-
tions for strategy formulation. Knowledge and strategy, 3–23.
Greenan, N. et J. Mairesse (2004). «a firm level investigation of the complementa-

rity between information and communication technologies and new organizational
practices». Dans Annual Conference of the Western Economics Association, June,
Volume 29. Citeseer.
Greene, W. (2000). Econometric analysis, Volume 5. Prentice hall Upper Saddle

River, NJ.
Griffith, D. et M. Harvey (2001). A resource perspective of global dynamic capabi-

lities. Journal of International Business Studies, 597–606.
Griffith, R., E. Huergo, J. Mairesse, et B. Peters (2006). Innovation and productivity

across four european countries. Oxford Review of Economic Policy 22 (4), 483–498.
Griliches, Z. (1979). Issues in assessing the contribution of research and development

to productivity growth. The Bell Journal of Economics, 92–116.
Hajjem, O., M. Ayadi, et P. Garrouste (2011). Complementarities between organi-

zational changes, r&d activity and technological cooperation for the french manu-
facturing firms. Technical report, University Library of Munich, Germany.
Hamel, G. (1991). Competition for competence and interpartner learning within
international strategic alliances. Strategic management journal 12 (S1), 83–103.
Hamel, G. et C. K. Prahalad (1994). Strategy as a field of study : Why search for a

new paradigm ? Strategic management journal 15 (S2), 5–16.
Hausman, J. A. (1978). Specification tests in econometrics. Econometrica : Journal

of the Econometric Society, 1251–1271.
159
Heckman, J. J. (1979). Sample selection bias as a specification error. Econometrica :
Journal of the econometric society, 153–161.
Heckman, J. J. (1981). Heterogeneity and state dependence. Dans Studies in labor

markets, pp. 91–140. University of Chicago Press.
Holmström, B. et J. Roberts (1998). The boundaries of the firm revisited. The

Journal of Economic Perspectives, 73–94.
Huergo, E. et L. Moreno (2011). Does history matter for the relationship between
r&d, innovation, and productivity ? Industrial and Corporate Change 20 (5), 1335–
1368.
Ichniowski, C, S. K. et G. Prennushi. The effects of human resources management
practices on productivity. American economic Review 59, 291–313.
Jensen, M. et W. Meckling (1976). ltheory of the firm : Managerial behavior. Agency

Costs and Ownership Structure. mJournal of Financial Economics 3.
Karray, Z. (2003). Compétences pour innover et coopérations technologiques-une
analyse multivariée de l’industrie française. Revue d’économie industrielle 102 (1),

29–53.
Kremp, E. et J. Mairesse (2003). Knowledge management, innovation and producti-

vity a firm level exploration based on the french cis3 data. SESSI, CREST-INSEE .
Landry, R., N. Amara, et M. Lamari (2001). Utilization of social science research

knowledge in canada. Research policy 30 (2), 333–349.
Landry, R., M. Lamari, et R. Nimijean (1999). Stimuler l’innovation par le dévelop-

pement de milieux créateurs : un examen des politiques et pratiques émergentes.
Développement économique Canada.
160
Leonard-Barton, D. (1992). The factory as a learning laboratory. Sloan Management
Review 34, 23–23.
Lööf, H. et A. Heshmati (2002). Knowledge capital and performance heteroge-

neity : : A firm-level innovation study. International Journal of Production Eco-
nomics 76 (1), 61–85.
Lundvall, B.-A. (1997). National systems and national styles of innovation. Dans
4th International ASEAT Conference ’Differences in styles of technological inno-

vation’, Manchester, pp. 2–4.
Lundvall, B.-ä. et B. Johnson (1994). The learning economy. Journal of industry

studies 1 (2), 23–42.
Mairesse, J. et B. Hall (1996). Estimating the productivity of research and de-

velopment in french and united states manufacturing firms : An exploration of
simultaneity issues with gmm methods. CONTRIBUTIONS TO ECONOMIC
ANALYSIS 233, 285–315.
Mairesse, J. et P. Mohnen (2002). Accounting for innovation and measuring innova-

tiveness : an illustrative framework and an application. The American Economic
Review 92 (2), 226–230.
Mairesse, J. et P. Mohnen (2010). Using innovations surveys for econometric analysis.

Technical report, National Bureau of Economic Research.
Malerba, F. (1992). Learning by firms and incremental technical change. The eco-
nomic journal , 845–859.
Malerba, F. et L. Orsenigo (1993). Technological regimes and firm bebavior. Indus-

trial and corporate change 2 (1), 45–71.
161
Malerba, F. et L. Orsenigo (1999). Technological entry, exit and survival : an empi-
rical analysis of patent data. Research Policy 28 (6), 643–660.
Manez Castillejo, J., M. Rochina Barrachina, A. Sanchis Llopis, et J. Sanchis Llopis

(2004). A dynamic approach to the decision to invest in r&d : the role of sunk
costs. Universidad de Valencia, mimeo.
Mansfield, E. (1968). Industrial research and technological innovation ; an econome-
tric analysis.
Milgrom, P. et J. Roberts (1990). The economics of modern manufacturing : Tech-

nology, strategy, and organization. The American Economic Review , 511–528.
Milgrom, P. et J. Roberts (1995). Complementarities and fit strategy, structure,
and organizational change in manufacturing. Journal of accounting and econo-

mics 19 (2), 179–208.
Mohnen, P. et L.-H. Röller (2005). Complementarities in innovation policy. European

Economic Review 49 (6), 1431–1450.
Moreno, L. et E. Huergo (2010). Does history matter for the relationship between
r&d, innovation and productivity ? Dans CONCORD 2010 Conference, Sevilla,
3-4 March 2010.
Mothe, C., B. Quelin, et .-J.-e.-J. F. G. H. Chambre de Commerce et d’Industrie de
Paris (1997). R &amp ; D consortia and the creation of new competences.
Mowery, D. C. et N. Rosenberg (1989). Technology and the pursuit of economic

growth. Cambridge University Press.
Musolesi, A. (2007). Basic stocks of knowledge and productivity : Further evidence

from the hierarchical bayes estimator. Economics Letters 95 (1), 54–59.
162
MUSTAR, P. (1994). Dossier innovation. Gérer & comprendre 19 (34-37), 4.
Nelson, R. et S. Winter (1982). An evolutionary theory of economic change. Belknap

press.
Nonaka, I. et H. Takeuchi (1995). The knowledge-creating company : How Japanese

companies create the dynamics of innovation. Oxford University Press, USA.
Orlean, A. (1991). Disorder on the stock-market. RECHERCHE 22 (232), 668–672.
Padmore, T. et H. Gibson (1998). Modelling systems of innovation : : : Ii. a framework
for industrial cluster analysis in regions. Research policy 26 (6), 625–641.
Penrose, E. T. (1959). The theory of the growth of thefirm. Great Britain : Basil
Blackwell and Mott Ltd .
Percival, J. (2008). Complementarities between information sources to support the

implementation of advanced manufacturing technologies. Dans Management of In-
novation and Technology, 2008. ICMIT 2008. 4th IEEE International Conference
on, pp. 1319–1324. IEEE.
Peri, G. (2005). Determinants of knowledge flows and their effect on innovation.
Review of Economics and Statistics 87 (2), 308–322.
Peters, B. (2009). Persistence of innovation : stylised facts and panel data evidence.
The Journal of Technology Transfer 34 (2), 226–243.
Phillips, I. (1971). Factors influencing the distribution of growth between stem and
axillary buds in decapitated bean plants. Journal of Experimental Botany 22 (2),
465–471.
Polder, M., G. v. Leeuwen, P. Mohnen, et W. Raymond (2010). Product, process

and organizational innovation : drivers, complementarity and productivity effects.
CIRANO-Scientific Publications 2010s-28 .
163
Porter, M. E. (1980). Industry structure and competitive strategy : Keys to profita-
bility. Financial Analysts Journal 36 (4), 30–41.
Prahalad, C. et G. Hamel (1990). The core competence of the corporation. Harvard

business review 68 (3), 79–91.
Quélin, B. (1996). Appropriability and the creation of new capabilities through stra-
tegic alliances», in, r. sanchez et a. heene (eds), strategic learning and knowledge
management.
Rahmouni, M., M. Ayadi, et M. Yıldızoğlu (2010). Characteristics of innovating firms

in tunisia : The essential role of external knowledge sources. Structural Change
and Economic Dynamics 21 (3), 181–196.
Raymond, W., P. Mohnen, F. Palm, et S. Van Der Loeff (2010). Persistence of

innovation in dutch manufacturing : Is it spurious ? The Review of Economics and
Statistics 92 (3), 495–504.
Robin, S. et J. Mairesse (2008). Innovation and productivity : a firm-level analysis
for french manufacturing and services using cis3 and cis4 data (1998-2000 and
2002-2004). Paris : CREST-ENSAE..
Romer, P. M. (1990). Human capital and growth : theory and evidence. Dans
Carnegie-Rochester Conference Series on Public Policy, Volume 32, pp. 251–286.
Elsevier.
Rothwell, R., C. Freeman, A. Horlsey, V. Jervis, A. Robertson, et J. Townsend (1974).

Sappho updated-project sappho phase ii. Research policy 3 (3), 258–291.
Samuelson, P. A. (1974). Complementarity : An essay on the 40th anniversary of the

hicks-allen revolution in demand theory. Journal of Economic Literature, 1255–
1289.
164
Schumpeter, J. (1964). Business cycles ; a theoretical, historical, and statistical ana-
lysis of the capitalist process.
Schumpeter, J. A. (1934). The theory of economic development : An inquiry into

profits, capital, credit, interest, and the business cycle, Volume 55. Transaction
publishers.
Schumpeter, J. A. (1942). Socialism, capitalism and democracy. Harper and Brothers.
Segrestin, B. (2003). La gestion des partenariats d’exploration : spécificités, crises et

formes de rationalisation. Résumé 12, 05.
Stiglitz, J. et A. Weiss (1981). Credit rationing in markets with imperfect informa-

tion. The American economic review 71 (3), 393–410.
Stoneman, P. et N. Ireland (1983). The role of supply factors in the diffusion of new
process technology. The Economic Journal , 66–78.
Tassey, G. (1991). The functions of technology infrastructure in a competitive eco-

nomy. Research Policy 20 (4), 345–361.
Teece, D. (1988). Capturing value from technological innovation : Integration, stra-

tegic partnering, and licensing decisions. Interfaces, 46–61.
Topkis, D. (1978). Minimizing a submodular function on a lattice. Operations Re-

search, 305–321.
Topkis, D. M. (1968). Optimal ordering and rationing policies in a nonstationary

dynamic inventory model with n demand classes. Management Science 15 (3),
160–176.
Train, K. (2003). Discrete choice methods with simulation. Cambridge Univ Pr.
165
van Giessel, J. et P. Boekholt (2005). Valorising the innovation capacity of the firm.
European Commission, Brussels.
Vives, X. (1985). On the efficiency of bertrand and cournot equilibria with product
differentation. Journal of Economic Theory 36 (1), 166–175.
Vives, X. (1990). Nash equilibrium with strategic complementarities. Journal of

Mathematical Economics 19 (3), 305–321.
Vives, X. (2005). Complementarities and games : New developments. Journal of

Economic Literature, 437–479.
Wernerfelt, B. (1984). A resource-based view of the firm. Strategic management

journal 5 (2), 171–180.
Whittington, R., A. Pettigrew, S. Peck, E. Fenton, et M. Conyon (1999). Change
and complementarities in the new competitive landscape : a european panel study,

1992–1996. Organization Science 10 (5), 583–600.
Williamson, O. E. (1985). The economic intstitutions of capitalism. Simon and

Schuster.
Williamson, O. E. (1991). Comparative economic organization : The analysis of

discrete structural alternatives. Administrative science quarterly, 269–296.
Winter, S. G. (1995). Four Rs of profitability : rents, resources, routines, and repli-

cation. Springer.
Wooldridge, J. (2005). Simple solutions to the initial conditions problem in dynamic,
nonlinear panel data models with unobserved heterogeneity. Journal of applied

econometrics 20 (1), 39–54.
Zollo, M., S. Winter, et Insead (1999). From organizational routines to dynamic

capabilities. Citeseer.
166
ANNEXE A
ANNEXES DU CHAPITRE 3
A.1 Estimation des modèles probit à variables ins-

trumentales en deux étapes
. ivprobit innpcd dde_pull taille hautech moyhotech moyfaibtech faibtech rrdin

co (innorg = gp frein_con), twostep
Checking reduced-form model...
Two-step probit with endogenous regressors Number of obs = 5173

Wald chi2(9) = 1939.42
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
innorg | .1956577 .7268266 0.27 0.788 -1.228896 1.620212
dde_pull | .1868889 .0290326 6.44 0.000 .1299861 .2437918
taille | .0733887 .0299932 2.45 0.014 .0146031 .1321743
hautech | .2054615 .5103031 0.40 0.687 -.7947141 1.205637
moyhotech | .2419142 .2675654 0.90 0.366 -.2825044 .7663327
moyfaibtech | -.1666904 .2441385 -0.68 0.495 -.6451931 .3118123
faibtech | -.2488107 .2627234 -0.95 0.344 -.7637391 .2661177
rrdin | .7999349 .1015285 7.88 0.000 .6009427 .998927
co | .2770777 .0740591 3.74 0.000 .1319246 .4222309
_cons | -1.861935 .1836569 -10.14 0.000 -2.221896 -1.501974
------------------------------------------------------------------------------
Instrumented: innorg
Instruments: dde_pull taille hautech moyhotech moyfaibtech faibtech rrdin
co gp frein_con
------------------------------------------------------------------------------
Wald test of exogeneity: chi2(1) = 0.52 Prob > chi2 = 0.4703
. overid
Test of overidentifying restrictions:

Amemiya-Lee-Newey minimum chi-sq statistic 0.101 Chi-sq(1) P-value = 0.7508
167
. ivprobit innpdt dde_pull taille hautech moyhotech moyfaibtech faibtech rrdin
co (innorg =gp frein_con), twostep
Checking reduced-form model...
Two-step probit with endogenous regressors Number of obs = 5173

Wald chi2(9) = 2279.46
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
innorg | 1.094947 .8109718 1.35 0.177 -.494528 2.684423
dde_pull | .1355775 .0322308 4.21 0.000 .0724064 .1987487
taille | .0744445 .0334022 2.23 0.026 .0089774 .1399117
hautech | -.4776229 .5557958 -0.86 0.390 -1.566963 .6117169
moyhotech | .1392501 .2985741 0.47 0.641 -.4459444 .7244446
moyfaibtech | .6194925 .3002083 2.06 0.039 .031095 1.20789
faibtech | -.515241 .3097801 -1.66 0.096 -1.122399 .0919168
rrdin | 1.365723 .1110604 12.30 0.000 1.148048 1.583397
co | .2844335 .0822454 3.46 0.001 .1232355 .4456314
_cons | -2.429336 .2072362 -11.72 0.000 -2.835512 -2.023161
------------------------------------------------------------------------------
Instrumented: innorg
Instruments: dde_pull taille hautech moyhotech moyfaibtech faibtech rrdin
co gp frein_con
------------------------------------------------------------------------------
Wald test of exogeneity: chi2(1) = 1.55 Prob > chi2 = 0.2125
. overid
Test of overidentifying restrictions:

Amemiya-Lee-Newey minimum chi-sq statistic 1.969 Chi-sq(1) P-value = 0.1605
A.2 Estimation des modèles probit simples
. probit innpdt dde_pull taille hautech moyhotech moyfaibtech faibtech rrdin

co innorg
Iteration 0: log likelihood = -3536.9101

Probit regression Number of obs = 5173

LR chi2(9) = 3799.62
Prob > chi2 = 0.0000
Log likelihood = -1637.0977 Pseudo R2 = 0.5371
------------------------------------------------------------------------------
innpdt | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
dde_pull | .1727718 .0095073 18.17 0.000 .1541379 .1914057
taille | .105199 .0210188 5.00 0.000 .0640029 .1463951
hautech | -.3858526 .5294766 -0.73 0.466 -1.423608 .6519024
moyhotech | .1169966 .2869597 0.41 0.683 -.4454341 .6794273
moyfaibtech | .5617988 .2874001 1.95 0.051 -.0014951 1.125093
faibtech | -.5643072 .300649 -1.88 0.061 -1.153568 .024954
rrdin | 1.47958 .0570421 25.94 0.000 1.36778 1.591381
co | .3512549 .0584878 6.01 0.000 .236621 .4658888
innorg | .1170093 .0532766 2.20 0.028 .0125891 .2214294
_cons | -2.216842 .1049343 -21.13 0.000 -2.422509 -2.011174
------------------------------------------------------------------------------
168
. probit innpcd dde_pull taille hautech moyhotech moyfaibtech faibtech rrdin
co innorg


LR chi2(9) = 2837.79
Prob > chi2 = 0.0000
Log likelihood = -2078.8386 Pseudo R2 = 0.4057
------------------------------------------------------------------------------
innpcd | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
dde_pull | .1671688 .0088601 18.87 0.000 .1498033 .1845343
taille | .0570266 .0191599 2.98 0.003 .0194739 .0945792
hautech | .1588561 .5014477 0.32 0.751 -.8239633 1.141675
moyhotech | .2524101 .264059 0.96 0.339 -.265136 .7699562
moyfaibtech | -.1375118 .2374687 -0.58 0.563 -.602942 .3279184
faibtech | -.2244526 .2579765 -0.87 0.384 -.7300772 .281172
rrdin | .7395133 .0552565 13.38 0.000 .6312125 .8478141
co | .2412879 .0537832 4.49 0.000 .1358747 .3467011
innorg | .7141871 .0468998 15.23 0.000 .6222652 .8061091
_cons | -1.974239 .0946127 -20.87 0.000 -2.159676 -1.788801
------------------------------------------------------------------------------
A.3 Tests de complémentarité
.prvalue, x( dde_pull=median taille=median) rest(mean)

probit: Predictions for innpcd
Confidence intervals by delta method
95% Conf. Interval
Pr(y=1|x): 0.2844 [ 0.2676, 0.3012]
Pr(y=0|x): 0.7156 [ 0.6988, 0.7324]
dde_pull taille hautech moyhotech moyfaibtech faibtech

x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= .46800696 .27218249 .55615697
. prvalue, x(rrdin=0 co=0 innorg=0 dde_pull=median taille=median) rest(mean)

95% Conf. Interval
Pr(y=1|x): 0.0840 [ 0.0705, 0.0975]
Pr(y=0|x): 0.9160 [ 0.9025, 0.9295]
x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 0 0 0
169

95% Conf. Interval
Pr(y=1|x): 0.2613 [ 0.2288, 0.2938]
Pr(y=0|x): 0.7387 [ 0.7062, 0.7712]
x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 1 0 0


95% Conf. Interval
Pr(y=1|x): 0.1277 [ 0.1009, 0.1545]
Pr(y=0|x): 0.8723 [ 0.8455, 0.8991]
x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 0 1 0


95% Conf. Interval
Pr(y=1|x): 0.2531 [ 0.2278, 0.2785]
Pr(y=0|x): 0.7469 [ 0.7215, 0.7722]
x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 0 0 1


95% Conf. Interval
Pr(y=1|x): 0.3453 [ 0.3007, 0.3899]
Pr(y=0|x): 0.6547 [ 0.6101, 0.6993]
x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 1 1 0

95% Conf. Interval
Pr(y=1|x): 0.5299 [ 0.4933, 0.5664]
Pr(y=0|x): 0.4701 [ 0.4336, 0.5067]
x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 1 0 1
170
95% Conf. Interval

Pr(y=1|x): 0.3360 [ 0.2926, 0.3795]
Pr(y=0|x): 0.6640 [ 0.6205, 0.7074]

x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 0 1 1

95% Conf. Interval

Pr(y=1|x): 0.6241 [ 0.5821, 0.6660]
Pr(y=0|x): 0.3759 [ 0.3340, 0.4179]

x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 1 1 1
. prvalue, x( dde_pull=median taille=median) rest(mean)

probit: Predictions for innpdt
95% Conf. Interval

Pr(y=1|x): 0.2961 [ 0.2770, 0.3151]
Pr(y=0|x): 0.7039 [ 0.6849, 0.7230]

x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= .46800696 .27218249 .55615697

95% Conf. Interval

Pr(y=1|x): 0.0824 [ 0.0682, 0.0967]
Pr(y=0|x): 0.9176 [ 0.9033, 0.9318]

x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 0 0 0

171
95% Conf. Interval

Pr(y=1|x): 0.5361 [ 0.4946, 0.5776]
Pr(y=0|x): 0.4639 [ 0.4224, 0.5054]

x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 1 0 0
95% Conf. Interval

Pr(y=1|x): 0.1017 [ 0.0851, 0.1183]
Pr(y=0|x): 0.8983 [ 0.8817, 0.9149]

x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 0 0 1
95% Conf. Interval

Pr(y=1|x): 0.6707 [ 0.6232, 0.7183]
Pr(y=0|x): 0.3293 [ 0.2817, 0.3768]

x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 1 1 0

95% Conf. Interval

Pr(y=1|x): 0.5823 [ 0.5443, 0.6202]
Pr(y=0|x): 0.4177 [ 0.3798, 0.4557]

x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 1 0 1
172
95% Conf. Interval

Pr(y=1|x): 0.1786 [ 0.1440, 0.2132]
Pr(y=0|x): 0.8214 [ 0.7868, 0.8560]

x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 0 1 1
95% Conf. Interval

Pr(y=1|x): 0.7119 [ 0.6710, 0.7528]
Pr(y=0|x): 0.2881 [ 0.2472, 0.3290]

x= 2 4.59512 .00193311 .00657259 .00695921 .00869901
rrdin co innorg
x= 1 1 1
173
ANNEXE B
B.1 Estimation des équations des inputs d’inno-

vation
. heckman lnrdin gp co sentg ssup scli scom suni con_inter prot_strat prot_form
dde_pull fin_pub hautech moyhotech moyfaibtech faibtech, twostep select (rrdin
= gp con_inter prot_strat prot_form dde_pull hautech moyhotech moyfaibtech
faibtech taille) rhosigma
Heckman selection model -- two-step estimates Number of obs = 4965

(regression model with sample selection) Censored obs = 2752
Uncensored obs = 2213
Wald chi2(16) = 559.07

Prob > chi2 = 0.0000
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
lnrdin |
gp | 1.467456 .1643402 8.93 0.000 1.145356 1.789557
co | .5113394 .0870997 5.87 0.000 .3406272 .6820517
sentg | .2923315 .0579748 5.04 0.000 .178703 .40596
ssup | -.0604927 .0432081 -1.40 0.162 -.145179 .0241936
scli | .0259821 .0446503 0.58 0.561 -.061531 .1134951
scom | .0364839 .0497849 0.73 0.464 -.0610927 .1340605
suni | .3896225 .0517726 7.53 0.000 .2881502 .4910949
con_inter | .8993058 .156863 5.73 0.000 .59186 1.206752
prot_strat | .8186804 .1385202 5.91 0.000 .5471859 1.090175
prot_form | .9887053 .1224336 8.08 0.000 .7487398 1.228671
dde_pull | 1.884815 .5305712 3.55 0.000 .8449151 2.924716
fin_pub | .6209241 .1065494 5.83 0.000 .4120912 .8297571
hautech | .1808895 .9933644 0.18 0.856 -1.766069 2.127848
moyhotech | .5741366 .5120215 1.12 0.262 -.4294072 1.57768
moyfaibtech | -.6466861 .4472471 -1.45 0.148 -1.523274 .2299021
faibtech | -2.03213 .5883035 -3.45 0.001 -3.185184 -.8790762
_cons | -.8140017 .9335609 -0.87 0.383 -2.643747 1.015744
-------------+----------------------------------------------------------------
174
Iteration 3: log pseudolikelihood = -578.23849
Wald chi2(14) = 151.15
Prob > chi2 = 0.0000
Log pseudolikelihood = -578.23849 Pseudo R2 = 0.0963
------------------------------------------------------------------------------
| Robust
st_0111 | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pr_lnrdi | .199415 .0702087 2.84 0.005 .0618084 .3370215
pr_lnrdex | -.2572361 .0578468 -4.45 0.000 -.3706137 -.1438584
pr_lrmacx | .3839978 .0727644 5.28 0.000 .2413823 .5266134
prot_strat | -.5053527 .1211395 -4.17 0.000 -.7427818 -.2679236
prot_form | -.6578775 .1454642 -4.52 0.000 -.942982 -.3727729
taille | -.0821918 .0377864 -2.18 0.030 -.1562517 -.0081318
gp | -.2709132 .1656268 -1.64 0.102 -.5955358 .0537095
co | -.0176728 .1263451 -0.14 0.889 -.2653047 .2299591
agri_alim | -.3868444 .3224553 -1.20 0.230 -1.018845 .2451564
consommation | -.4005839 .3197294 -1.25 0.210 -1.027242 .2260742
AUTOMOBILE | -.9548052 .3744848 -2.55 0.011 -1.688782 -.2208285
EQUIPEMENT | -.8586624 .3301765 -2.60 0.009 -1.505797 -.2115283
INTERMEDIA~S | -.809021 .3208611 -2.52 0.012 -1.437897 -.1801448
ENERGIE | -.2183159 .3615524 -0.60 0.546 -.9269456 .4903138
_cons | .5242476 .8874156 0.59 0.555 -1.215055 2.26355
------------------------------------------------------------------------------
. predict prb0111
(option pr assumed; Pr(st_0111))
(6 missing values generated)
. probit st_1111 pr_lnrdi pr_lnrdex pr_lrmacx prot_strat prot_form taille gp co

agri_alim consommation AUTOMOBILE EQUIPEMENT INTERMEDIAIRES ENERGIE, robust
Wald chi2(14) = 801.58
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .2924941 .042806 6.83 0.000 .2085958 .3763923
pr_lnrdex | -.1472891 .0378019 -3.90 0.000 -.2213794 -.0731987
pr_lrmacx | .0524428 .0489058 1.07 0.284 -.0434108 .1482964
prot_strat | -.1926618 .0743923 -2.59 0.010 -.3384681 -.0468556
prot_form | -.1307819 .0942725 -1.39 0.165 -.3155526 .0539888
taille | .0503343 .0235107 2.14 0.032 .0042541 .0964144
gp | -.6134104 .101807 -6.03 0.000 -.8129485 -.4138722
co | .1294222 .0704708 1.84 0.066 -.0086981 .2675424
agri_alim | -.2818872 .3252442 -0.87 0.386 -.9193541 .3555797
consommation | -.2894429 .3236515 -0.89 0.371 -.9237883 .3449024
AUTOMOBILE | -.7606522 .3431192 -2.22 0.027 -1.433153 -.088151
EQUIPEMENT | -.4551333 .3251681 -1.40 0.162 -1.092451 .1821844
INTERMEDIA~S | -.4375837 .3222985 -1.36 0.175 -1.069277 .1941097
ENERGIE | -.2288655 .3670613 -0.62 0.533 -.9482924 .4905613
_cons | .0321499 .6035586 0.05 0.958 -1.150803 1.215103
------------------------------------------------------------------------------
175
Wald chi2(16) = 33.83

Prob > chi2 = 0.0057
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
lnrdex |
gp | -2.282377 .7621223 -2.99 0.003 -3.776109 -.7886444
co | .2924306 .3000289 0.97 0.330 -.2956151 .8804764
sentg | .2420248 .1890934 1.28 0.201 -.1285915 .6126412
ssup | -.0787459 .1445222 -0.54 0.586 -.3620042 .2045123
scli | .0860952 .1517395 0.57 0.570 -.2113089 .3834992
scom | -.1974338 .1680908 -1.17 0.240 -.5268857 .1320182
suni | .1789609 .1498065 1.19 0.232 -.1146545 .4725762
con_inter | -.8088569 .5938939 -1.36 0.173 -1.972868 .3551538
prot_strat | -1.462302 .5071802 -2.88 0.004 -2.456357 -.4682474
prot_form | -2.152204 .7170913 -3.00 0.003 -3.557677 -.7467311
dde_pull | -5.23379 1.101287 -4.75 0.000 -7.392272 -3.075308
fin_pub | .3064282 .3247563 0.94 0.345 -.3300825 .9429388
hautech | 3.873573 4.982656 0.78 0.437 -5.892253 13.6394
moyhotech | -1.464014 2.262046 -0.65 0.517 -5.897543 2.969514
moyfaibtech | -.0455282 1.958326 -0.02 0.981 -3.883776 3.79272
faibtech | -.2069138 2.083116 -0.10 0.921 -4.289745 3.875918
_cons | 20.67719 3.662034 5.65 0.000 13.49974 27.85464
-------------+----------------------------------------------------------------
rrdex |
gp | .4642806 .067198 6.91 0.000 .3325749 .5959863
con_inter | .2035271 .0764541 2.66 0.008 .0536799 .3533744
prot_strat | .3369908 .0562945 5.99 0.000 .2266556 .447326
prot_form | .5381218 .0601978 8.94 0.000 .4201362 .6561074
dde_pull | .9576518 .0769149 12.45 0.000 .8069014 1.108402
hautech | -.3139053 .7219325 -0.43 0.664 -1.728867 1.101056
moyhotech | -.0123376 .3340335 -0.04 0.971 -.6670312 .6423561
moyfaibtech | -.1581621 .2966442 -0.53 0.594 -.739574 .4232498
faibtech | .2883514 .295613 0.98 0.329 -.2910394 .8677421
taille | .1823278 .0236968 7.69 0.000 .1358829 .2287728
_cons | -3.388175 .132894 -25.50 0.000 -3.648643 -3.127708
-------------+----------------------------------------------------------------
mills |
lambda | -6.585302 1.257786 -5.24 0.000 -9.050517 -4.120087
-------------+----------------------------------------------------------------
rho | -1.00000
sigma | 6.5853021
lambda | -6.5853021 1.257786
------------------------------------------------------------------------------
. mfx
Marginal effects after heckman
y = Linear prediction (predict)
= 15.82054
------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
---------+--------------------------------------------------------------------
gp*| -2.282377 .76212 -2.99 0.003 -3.77611 -.788644 .372814
co*| .2924306 .30003 0.97 0.330 -.295615 .880476 .245629
176
sentg | .2420248 .18909 1.28 0.201 -.128591 .612641 1.31765
ssup | -.0787459 .14452 -0.54 0.586 -.362004 .204512 .832015
scli | .0860952 .15174 0.57 0.570 -.211309 .383499 .91174
scom | -.1974338 .16809 -1.17 0.240 -.526885 .132018 .630933
suni | .1789609 .14981 1.19 0.232 -.114654 .472576 .350749
con_in~r*| -.8088569 .59389 -1.36 0.173 -1.97287 .355154 .691091
prot_s~t*| -1.462302 .50718 -2.88 0.004 -2.45636 -.468247 .313489
prot_f~m*| -2.152204 .71709 -3.00 0.003 -3.55768 -.746731 .430058
dde_pull*| -5.23379 1.10129 -4.75 0.000 -7.39227 -3.07531 .46378
fin_pub*| .3064282 .32476 0.94 0.345 -.330083 .942939 .08826
hautech*| 3.873573 4.98266 0.78 0.437 -5.89225 13.6394 .001873
moyhot~h*| -1.464014 2.26205 -0.65 0.517 -5.89754 2.96951 .006453
moyfai~h*| -.0455282 1.95833 -0.02 0.981 -3.88378 3.79272 .006869
faibtech*| -.2069138 2.08312 -0.10 0.921 -4.28975 3.87592 .009159
taille | 0 0 . . 0 0 4.76715
------------------------------------------------------------------------------
(*) dy/dx is for discrete change of dummy variable from 0 to 1
. predict pr_lnrdex
(option xb assumed; fitted values)
. heckman lrmacx gp co sentg ssup scli scom suni con_inter prot_strat

prot_form dde_pull fin_pub hautech moyhotech moyfaibtech faibtech, twostep
select (rmac = gp con_inter prot_strat prot_form dde_pull hautech moyhotech
moyfaibtech faibtech taille) rhosigma

Wald chi2(16) = 78.99

Prob > chi2 = 0.0000
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
lrmacx |
gp | -1.064233 .4453534 -2.39 0.017 -1.93711 -.1913562
co | .0902973 .1323319 0.68 0.495 -.1690686 .3496631
sentg | .0316987 .0768733 0.41 0.680 -.1189702 .1823676
ssup | .3263562 .06314 5.17 0.000 .2026042 .4501083
scli | -.1576855 .0666207 -2.37 0.018 -.2882597 -.0271112
scom | .0498947 .074106 0.67 0.501 -.0953505 .1951399
suni | -.3124921 .0810165 -3.86 0.000 -.4712816 -.1537026
con_inter | .0758075 .1981661 0.38 0.702 -.312591 .4642059
prot_strat | -.3599663 .2178758 -1.65 0.099 -.786995 .0670625
prot_form | -.1764052 .1764054 -1.00 0.317 -.5221535 .1693431
dde_pull | -3.865506 1.093733 -3.53 0.000 -6.009184 -1.721829
fin_pub | .6981663 .1622798 4.30 0.000 .3801037 1.016229
hautech | 2.312151 1.844075 1.25 0.210 -1.30217 5.926473
moyhotech | .3424849 .8790711 0.39 0.697 -1.380463 2.065432
moyfaibtech | 1.350872 .9197721 1.47 0.142 -.4518485 3.153592
faibtech | .227126 .9704196 0.23 0.815 -1.674861 2.129113
_cons | 8.647719 1.958251 4.42 0.000 4.809618 12.48582
-------------+----------------------------------------------------------------
177
-------------+----------------------------------------------------------------
rmac |
gp | .6801467 .0546993 12.43 0.000 .5729381 .7873553
con_inter | .0199018 .0553101 0.36 0.719 -.088504 .1283076
prot_strat | .2936447 .0505502 5.81 0.000 .194568 .3927214
prot_form | .0841123 .0503183 1.67 0.095 -.0145097 .1827344
dde_pull | 1.572939 .0540569 29.10 0.000 1.466989 1.678889
hautech | -.1676991 .5000127 -0.34 0.737 -1.147706 .8123077
moyhotech | -.0209385 .2641468 -0.08 0.937 -.5386566 .4967797
moyfaibtech | -.4762419 .2509148 -1.90 0.058 -.9680259 .0155422
faibtech | -.1964459 .2581424 -0.76 0.447 -.7023957 .3095039
taille | .0521373 .0210553 2.48 0.013 .0108696 .0934049
_cons | -1.775706 .0976783 -18.18 0.000 -1.967152 -1.58426
-------------+----------------------------------------------------------------
mills |
lambda | -3.856758 1.048536 -3.68 0.000 -5.911851 -1.801664
-------------+----------------------------------------------------------------
rho | -0.99472
sigma | 3.8772401
lambda | -3.8567576 1.048536
------------------------------------------------------------------------------
. mfx
Marginal effects after heckman

= 6.3632711
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
gp*| -1.064233 .44535 -2.39 0.017 -1.93711 -.191356 .403054
co*| .0902973 .13233 0.68 0.495 -.169069 .349663 .272182
sentg | .0316987 .07687 0.41 0.680 -.11897 .182368 1.4046
ssup | .3263562 .06314 5.17 0.000 .202604 .450108 .892132
scli | -.1576855 .06662 -2.37 0.018 -.28826 -.027111 .975643
scom | .0498947 .07411 0.67 0.501 -.09535 .19514 .680843
suni | -.3124921 .08102 -3.86 0.000 -.471282 -.153703 .381017
con_in~r*| .0758075 .19817 0.38 0.702 -.312591 .464206 .70288
prot_s~t*| -.3599663 .21788 -1.65 0.099 -.786995 .067062 .332496
prot_f~m*| -.1764052 .17641 -1.00 0.317 -.522154 .169343 .448869
dde_pull*| -3.865506 1.09373 -3.53 0.000 -6.00918 -1.72183 .495457
fin_pub*| .6981663 .16228 4.30 0.000 .380104 1.01623 .094336
hautech*| 2.312151 1.84408 1.25 0.210 -1.30217 5.92647 .001933
moyhot~h*| .3424849 .87907 0.39 0.697 -1.38046 2.06543 .006573
moyfai~h*| 1.350872 .91977 1.47 0.142 -.451848 3.15359 .006959
faibtech*| .227126 .97042 0.23 0.815 -1.67486 2.12911 .008699
taille | 0 0 . . 0 0 4.81455
------------------------------------------------------------------------------
. predict pr_lrmacx
(option xb assumed; fitted values)
178
B.2 Estimation des équations des outputs
d’innovation
. mvprobit (innpdt= pr_lnrdi pr_lnrdex pr_lrmacx prot_strat prot_form taille gp
co agri_alim consommation AUTOMOBILE EQUIPEMENT INTERMEDIAIRES ENERGIE) (innpcd=
pr_lnrdi pr_lnrdex pr_lrmacx prot_strat prot_form taille gp co agri_alim
consommation AUTOMOBILE EQUIPEMENT INTERMEDIAIRES ENERGIE) (innorg= pr_lnrdi
pr_lnrdex pr_lrmacx prot_strat prot_form taille gp co agri_alim consommation
AUTOMOBILE EQUIPEMENT INTERMEDIAIRES ENERGIE) (innmkg= pr_lnrdi pr_lnrdex pr_lrmacx
prot_strat prot_form taille gp co agri_alim consommation AUTOMOBILE EQUIPEMENT
INTERMEDIAIRES ENERGIE), robust

Multivariate probit (SML, # draws = 5) Number of obs = 5173

Wald chi2(56) = 5803.49
Log pseudolikelihood = -9071.5779 Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
innpdt |
pr_lnrdi | .4258558 .0441359 9.65 0.000 .3393511 .5123604
pr_lnrdex | -.0243904 .041088 -0.59 0.553 -.1049214 .0561406
pr_lrmacx | -.233371 .0506576 -4.61 0.000 -.3326581 -.1340839
prot_strat | -.124179 .073474 -1.69 0.091 -.2681853 .0198273
prot_form | -.1383885 .0924077 -1.50 0.134 -.3195043 .0427273
taille | -.0397695 .0262738 -1.51 0.130 -.0912652 .0117262
gp | -.4710729 .0899724 -5.24 0.000 -.6474156 -.2947303
co | .115948 .0753098 1.54 0.124 -.0316566 .2635526
agri_alim | -.1604436 .3462514 -0.46 0.643 -.8390839 .5181966
consommation | -.0061747 .3439112 -0.02 0.986 -.6802283 .6678788
AUTOMOBILE | .0522823 .3558482 0.15 0.883 -.6451675 .749732
EQUIPEMENT | .1418039 .3447255 0.41 0.681 -.5338458 .8174535
INTERMEDIA~S | -.046799 .3417315 -0.14 0.891 -.7165805 .6229825
ENERGIE | -.3512463 .3896458 -0.90 0.367 -1.114938 .4124455
_cons | .710258 .6258859 1.13 0.256 -.5164558 1.936972
-------------+----------------------------------------------------------------
innpcd |
pr_lnrdi | .4756824 .0381942 12.45 0.000 .4008231 .5505418
pr_lnrdex | -.2071489 .0353627 -5.86 0.000 -.2764586 -.1378393
pr_lrmacx | .2431502 .0433784 5.61 0.000 .1581301 .3281704
prot_strat | -.4121665 .0644935 -6.39 0.000 -.5385715 -.2857616
prot_form | -1.028704 .085346 -12.05 0.000 -1.195979 -.861429
taille | -.0277765 .020666 -1.34 0.179 -.0682811 .0127281
gp | -.3342197 .0803268 -4.16 0.000 -.4916573 -.1767821
co | .0528612 .0670505 0.79 0.430 -.0785554 .1842778
agri_alim | -.2457318 .2811096 -0.87 0.382 -.7966965 .3052329
consommation | -.1894375 .2792028 -0.68 0.497 -.736665 .35779
AUTOMOBILE | -.3248773 .2894604 -1.12 0.262 -.8922093 .2424546
EQUIPEMENT | -.4828032 .2810209 -1.72 0.086 -1.033594 .0679876
INTERMEDIA~S | -.2319737 .2777038 -0.84 0.404 -.7762631 .3123157
ENERGIE | .2675749 .301502 0.89 0.375 -.3233582 .858508
_cons | 1.023157 .5369029 1.91 0.057 -.0291531 2.075467
-------------+----------------------------------------------------------------
innorg |
pr_lnrdi | .219643 .0338585 6.49 0.000 .1532815 .2860044
pr_lnrdex | -.0492492 .0309787 -1.59 0.112 -.1099663 .011468
pr_lrmacx | .0823447 .0373593 2.20 0.028 .0091219 .1555675
prot_strat | .0086534 .057595 0.15 0.881 -.1042308 .1215376
179
prot_form | -.1413641 .0714662 -1.98 0.048 -.2814353 -.0012928
taille | .0515828 .0182813 2.82 0.005 .0157521 .0874134
gp | -.2124517 .0730181 -2.91 0.004 -.3555646 -.0693389
co | .1056377 .0623194 1.70 0.090 -.016506 .2277813
agri_alim | .1594833 .2222593 0.72 0.473 -.2761369 .5951035
consommation | .249824 .2205357 1.13 0.257 -.1824181 .682066
AUTOMOBILE | .0903177 .2308342 0.39 0.696 -.362109 .5427444
EQUIPEMENT | .2364605 .2214823 1.07 0.286 -.1976369 .6705579
INTERMEDIA~S | .1861796 .2190548 0.85 0.395 -.2431599 .615519
ENERGIE | .413512 .24098 1.72 0.086 -.0588002 .8858242
_cons | -.5351061 .470814 -1.14 0.256 -1.457885 .3876724
-------------+----------------------------------------------------------------
innmkg |
pr_lnrdi | .1186311 .0332757 3.57 0.000 .0534119 .1838504
pr_lnrdex | -.1126899 .0298096 -3.78 0.000 -.1711157 -.0542641
pr_lrmacx | .0889595 .0370929 2.40 0.016 .0162587 .1616602
prot_strat | -.1339573 .0579118 -2.31 0.021 -.2474623 -.0204523
prot_form | .3126933 .0710608 4.40 0.000 .1734167 .4519699
taille | .0144904 .0183 0.79 0.428 -.021377 .0503578
gp | -.3446295 .0733745 -4.70 0.000 -.4884409 -.2008181
co | .0425342 .0598507 0.71 0.477 -.074771 .1598394
agri_alim | .1325322 .2251867 0.59 0.556 -.3088256 .5738899
consommation | -.0008421 .2236895 -0.00 0.997 -.4392655 .4375813
AUTOMOBILE | -.6854462 .2402138 -2.85 0.004 -1.156256 -.2146359
EQUIPEMENT | -.320235 .2256863 -1.42 0.156 -.7625721 .1221021
INTERMEDIA~S | -.3647267 .2228992 -1.64 0.102 -.8016012 .0721478
ENERGIE | -.3695518 .2504134 -1.48 0.140 -.860353 .1212493
_cons | .5530293 .4533445 1.22 0.223 -.3355096 1.441568
-------------+----------------------------------------------------------------
/atrho21 | .0107028 .0302925 0.35 0.724 -.0486695 .0700752
-------------+----------------------------------------------------------------
/atrho31 | .0333782 .0294495 1.13 0.257 -.0243416 .0910981
-------------+----------------------------------------------------------------
/atrho41 | .150906 .0293309 5.14 0.000 .0934185 .2083935
-------------+----------------------------------------------------------------
/atrho32 | .3529513 .027683 12.75 0.000 .2986935 .4072091
-------------+----------------------------------------------------------------
/atrho42 | .0916672 .0264764 3.46 0.001 .0397745 .14356
-------------+----------------------------------------------------------------
/atrho43 | .3167303 .0252596 12.54 0.000 .2672224 .3662382
-------------+----------------------------------------------------------------
rho21 | .0107024 .0302891 0.35 0.724 -.0486311 .0699607
-------------+----------------------------------------------------------------
rho31 | .0333658 .0294167 1.13 0.257 -.0243368 .0908469
-------------+----------------------------------------------------------------
rho41 | .1497708 .028673 5.22 0.000 .0931477 .2054283
-------------+----------------------------------------------------------------
rho32 | .3389903 .0245019 13.84 0.000 .2901166 .3861004
-------------+----------------------------------------------------------------
rho42 | .0914113 .0262551 3.48 0.000 .0397535 .1425818
-------------+----------------------------------------------------------------
rho43 | .3065475 .0228859 13.39 0.000 .2610384 .3506969
------------------------------------------------------------------------------
Likelihood ratio test of rho21 = rho31 = rho41 = rho32 = rho42 = rho43 = 0:
chi2(6) = 376.865 Prob > chi2 = 0.0000
. mvppred xbm, pmarg

(pmarg will be stored in variables xbmi, i = 1,...,#eqs)
. rename xbm1 prbinpdt
. rename xbm2 prbinpcd
. rename xbm3 prbinorg
. rename xbm4 prbinmkg
180
B.3 Estimation de chaque combinaison pos-
sible d’innovation
Wald chi2(14) = 750.89
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | -.2876928 .0535655 -5.37 0.000 -.3926793 -.1827064
pr_lnrdex | .1478787 .0547838 2.70 0.007 .0405044 .255253
pr_lrmacx | .0016494 .0603043 0.03 0.978 -.1165449 .1198438
prot_strat | .1834167 .0933312 1.97 0.049 .0004909 .3663425
prot_form | .2452241 .1045877 2.34 0.019 .0402359 .4502122
taille | -.0369318 .0240907 -1.53 0.125 -.0841487 .0102851
gp | -.0587846 .1119323 -0.53 0.599 -.2781679 .1605986
co | -.3572388 .1508472 -2.37 0.018 -.6528939 -.0615838
agri_alim | -.5576504 .2256646 -2.47 0.013 -.999945 -.1153559
consommation | -.5904952 .222833 -2.65 0.008 -1.02724 -.1537506
AUTOMOBILE | -.3775035 .2390172 -1.58 0.114 -.8459685 .0909615
EQUIPEMENT | -.4811123 .2263864 -2.13 0.034 -.9248215 -.0374032
INTERMEDIA~S | -.4410934 .2212289 -1.99 0.046 -.874694 -.0074928
ENERGIE | -.6411129 .2516311 -2.55 0.011 -1.134301 -.1479251
_cons | -2.169357 .7602972 -2.85 0.004 -3.659512 -.6792019
------------------------------------------------------------------------------
. predict prb0000

Wald chi2(14) = 2319.93
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .0990349 .0607958 1.63 0.103 -.0201227 .2181925
pr_lnrdex | -.0294745 .0560282 -0.53 0.599 -.1392878 .0803388
pr_lrmacx | -.1972113 .0704097 -2.80 0.005 -.3352117 -.0592109
prot_strat | -.4219011 .0971151 -4.34 0.000 -.6122432 -.231559
prot_form | -.2351003 .1282212 -1.83 0.067 -.4864091 .0162086
181
taille | -.1042912 .0318888 -3.27 0.001 -.1667921 -.0417904
gp | -.3302416 .1339117 -2.47 0.014 -.5927036 -.0677795
co | -.1690072 .1035122 -1.63 0.103 -.3718874 .033873
agri_alim | 3.542097 .1453154 24.38 0.000 3.257284 3.82691
consommation | 3.816084 .1194804 31.94 0.000 3.581907 4.050261
AUTOMOBILE | 4.057076 .1547791 26.21 0.000 3.753715 4.360438
EQUIPEMENT | 4.045402 .1174977 34.43 0.000 3.815111 4.275693
INTERMEDIA~S | 3.942301 .1058534 37.24 0.000 3.734832 4.14977
ENERGIE | 4.32492 .2043748 21.16 0.000 3.924352 4.725487
_cons | -3.519111 .7996422 -4.40 0.000 -5.086381 -1.951842
------------------------------------------------------------------------------
Note: 20 failures and 0 successes completely determined.
. predict prb1000


Wald chi2(14) = 1099.64
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .1806594 .0776296 2.33 0.020 .0285082 .3328106
pr_lnrdex | -.1026509 .0660275 -1.55 0.120 -.2320625 .0267607
pr_lrmacx | .2119142 .0847178 2.50 0.012 .0458704 .377958
prot_strat | -.6519395 .1406853 -4.63 0.000 -.9276776 -.3762014
prot_form | -.90533 .1532131 -5.91 0.000 -1.205622 -.6050378
taille | -.0761554 .0393835 -1.93 0.053 -.1533457 .0010349
gp | .2645592 .1902114 1.39 0.164 -.1082483 .6373667
co | -.2051979 .1358209 -1.51 0.131 -.471402 .0610062
agri_alim | 3.434272 .1457219 23.57 0.000 3.148662 3.719881
consommation | 3.217839 .1609862 19.99 0.000 2.902312 3.533366
AUTOMOBILE | 3.361611 .2023519 16.61 0.000 2.965008 3.758213
EQUIPEMENT | 3.206778 .1614285 19.87 0.000 2.890384 3.523172
INTERMEDIA~S | 3.528719 .1249905 28.23 0.000 3.283742 3.773695
ENERGIE | 3.709126 .2135783 17.37 0.000 3.29052 4.127731
_cons | -4.904523 .8958744 -5.47 0.000 -6.660405 -3.148642
------------------------------------------------------------------------------
. predict prb0100

182
Wald chi2(14) = 390.09
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | -.0579539 .0564595 -1.03 0.305 -.1686124 .0527047
pr_lnrdex | .0371484 .0589061 0.63 0.528 -.0783055 .1526024
pr_lrmacx | .2483165 .0634512 3.91 0.000 .1239545 .3726785
prot_strat | .2844615 .1015025 2.80 0.005 .0855203 .4834027
prot_form | .0511061 .122125 0.42 0.676 -.1882546 .2904667
taille | .0974708 .0252749 3.86 0.000 .0479329 .1470087
gp | -.1792729 .1238339 -1.45 0.148 -.4219828 .063437
co | -.3463935 .1490847 -2.32 0.020 -.6385942 -.0541929
agri_alim | .6467861 .4679249 1.38 0.167 -.2703298 1.563902
consommation | .7475538 .4652844 1.61 0.108 -.1643869 1.659494
AUTOMOBILE | .8291365 .4754019 1.74 0.081 -.1026341 1.760907
EQUIPEMENT | .8779871 .4660978 1.88 0.060 -.0355478 1.791522
INTERMEDIA~S | .8543536 .4638578 1.84 0.065 -.0547909 1.763498
ENERGIE | .9131866 .4800138 1.90 0.057 -.0276231 1.853996
_cons | -4.936266 .952742 -5.18 0.000 -6.803606 -3.068926
------------------------------------------------------------------------------
. predict prb0010

Wald chi2(14) = 1127.28
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | -.2912568 .0757085 -3.85 0.000 -.4396428 -.1428708
pr_lnrdex | -.1455154 .0720714 -2.02 0.043 -.2867727 -.0042582
pr_lrmacx | .2645018 .0787819 3.36 0.001 .1100922 .4189114
prot_strat | .0377374 .1439911 0.26 0.793 -.2444801 .3199548
prot_form | .6355713 .1487085 4.27 0.000 .3441081 .9270346
taille | -.0221632 .0365626 -0.61 0.544 -.0938246 .0494982
gp | -.3136843 .1961209 -1.60 0.110 -.6980741 .0707055
co | .1212774 .2187495 0.55 0.579 -.3074638 .5500186
183
agri_alim | 3.810707 .1501867 25.37 0.000 3.516347 4.105068
consommation | 3.67479 .1437993 25.55 0.000 3.392949 3.956632
AUTOMOBILE | 3.529887 .2176843 16.22 0.000 3.103234 3.956541
EQUIPEMENT | 3.440083 .1696822 20.27 0.000 3.107512 3.772654
INTERMEDIA~S | 3.483201 .1482014 23.50 0.000 3.192731 3.77367
ENERGIE | 3.350462 .2629777 12.74 0.000 2.835035 3.865889
_cons | -4.581376 1.058696 -4.33 0.000 -6.656381 -2.506371
------------------------------------------------------------------------------
. predict prb0001

Wald chi2(14) = 149.45
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .095417 .0635307 1.50 0.133 -.029101 .219935
pr_lnrdex | -.0657263 .0555336 -1.18 0.237 -.1745702 .0431175
pr_lrmacx | -.06475 .0737469 -0.88 0.380 -.2092912 .0797912
prot_strat | -.1222077 .1096764 -1.11 0.265 -.3371695 .0927542
prot_form | -.4491638 .1342038 -3.35 0.001 -.7121985 -.1861291
taille | -.0390449 .0369496 -1.06 0.291 -.1114648 .0333749
gp | -.063636 .1643571 -0.39 0.699 -.38577 .2584981
co | .0542777 .1008153 0.54 0.590 -.1433166 .251872
agri_alim | -.4527381 .5014705 -0.90 0.367 -1.435602 .530126
consommation | -.3869278 .4990357 -0.78 0.438 -1.36502 .5911643
AUTOMOBILE | .0090491 .505832 0.02 0.986 -.9823635 1.000462
EQUIPEMENT | -.303417 .4982501 -0.61 0.543 -1.279969 .6731353
INTERMEDIA~S | -.2640097 .4939535 -0.53 0.593 -1.232141 .7041215
ENERGIE | -.8410807 .6221838 -1.35 0.176 -2.060539 .3783771
_cons | -.2109927 .903075 -0.23 0.815 -1.980987 1.559002
------------------------------------------------------------------------------
. predict prb1100

note: AUTOMOBILE != 0 predicts failure perfectly

AUTOMOBILE dropped and 297 obs not used
note: ENERGIE != 0 predicts failure perfectly
ENERGIE dropped and 170 obs not used
184
Wald chi2(12) = 56.12
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .0018152 .1159913 0.02 0.988 -.2255236 .229154
pr_lnrdex | -.2960946 .0976913 -3.03 0.002 -.4875661 -.1046231
pr_lrmacx | .3134845 .1567417 2.00 0.045 .0062764 .6206926
prot_strat | -.5761807 .2029174 -2.84 0.005 -.9738915 -.1784699
prot_form | -.3752931 .2626453 -1.43 0.153 -.8900683 .1394822
taille | -.0486316 .0643928 -0.76 0.450 -.1748391 .0775759
gp | -.0261622 .3213372 -0.08 0.935 -.6559716 .6036471
co | -.0472213 .2092009 -0.23 0.821 -.4572475 .362805
agri_alim | -.5735774 .4529381 -1.27 0.205 -1.46132 .3141649
consommation | -.3660259 .4422483 -0.83 0.408 -1.232817 .5007648
AUTOMOBILE | (omitted)
EQUIPEMENT | -.8955531 .4904693 -1.83 0.068 -1.856855 .0657489
INTERMEDIA~S | -.8448901 .4517824 -1.87 0.061 -1.730367 .0405871
ENERGIE | (omitted)
_cons | 1.111341 1.466362 0.76 0.449 -1.762676 3.985357
------------------------------------------------------------------------------
. predict prb0101

Wald chi2(14) = 177.11
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | -.0213599 .0626807 -0.34 0.733 -.1442117 .1014919
pr_lnrdex | -.0195905 .057468 -0.34 0.733 -.1322258 .0930448
pr_lrmacx | -.2404743 .073202 -3.29 0.001 -.3839476 -.097001
prot_strat | -.066997 .1107345 -0.61 0.545 -.2840327 .1500386
prot_form | -.1218983 .1371826 -0.89 0.374 -.3907713 .1469747
taille | -.0941755 .0355172 -2.65 0.008 -.1637878 -.0245631
gp | .115431 .1545627 0.75 0.455 -.1875062 .4183683
co | .1287387 .1036632 1.24 0.214 -.0744373 .3319148
agri_alim | -.6386046 .3837057 -1.66 0.096 -1.390654 .1134447
consommation | -.5043103 .3746167 -1.35 0.178 -1.238545 .2299249
AUTOMOBILE | -.4718383 .3939885 -1.20 0.231 -1.244041 .300365
EQUIPEMENT | -.1901298 .3696796 -0.51 0.607 -.9146885 .5344288
INTERMEDIA~S | -.4291739 .3687038 -1.16 0.244 -1.15182 .2934722
ENERGIE | -1.00299 .5425377 -1.85 0.065 -2.066344 .0603648
_cons | .6322597 .9365831 0.68 0.500 -1.203409 2.467929
------------------------------------------------------------------------------
. predict prb1010
185
Wald chi2(14) = 250.66
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .2493699 .0536104 4.65 0.000 .1442955 .3544442
pr_lnrdex | -.0949537 .0498682 -1.90 0.057 -.1926936 .0027863
pr_lrmacx | .234757 .063238 3.71 0.000 .1108128 .3587012
prot_strat | -.4253404 .0987886 -4.31 0.000 -.6189625 -.2317182
prot_form | -.9523525 .1209514 -7.87 0.000 -1.189413 -.7152921
taille | -.1467477 .030921 -4.75 0.000 -.2073517 -.0861436
gp | .2641382 .134607 1.96 0.050 .0003134 .5279629
co | -.1587964 .101954 -1.56 0.119 -.3586225 .0410298
agri_alim | .2201335 .4265725 0.52 0.606 -.6159332 1.0562
consommation | .41087 .4214284 0.97 0.330 -.4151145 1.236855
AUTOMOBILE | .191971 .4377702 0.44 0.661 -.6660429 1.049985
EQUIPEMENT | .1509749 .4254514 0.35 0.723 -.6828945 .9848443
INTERMEDIA~S | .3212726 .4204483 0.76 0.445 -.5027909 1.145336
ENERGIE | 1.012316 .4358563 2.32 0.020 .1580538 1.866579
_cons | -1.575536 .824697 -1.91 0.056 -3.191912 .0408406
------------------------------------------------------------------------------
. predict prb0110

Wald chi2(14) = 172.43
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .0063878 .0712439 0.09 0.929 -.1332478 .1460233
pr_lnrdex | .0169064 .0701621 0.24 0.810 -.1206088 .1544215
pr_lrmacx | .2755905 .0797638 3.46 0.001 .1192563 .4319247
prot_strat | .1144721 .1158813 0.99 0.323 -.112651 .3415952
prot_form | .6284068 .1382518 4.55 0.000 .3574383 .8993754
taille | .0549197 .0313786 1.75 0.080 -.0065812 .1164206
gp | -.0112783 .1597534 -0.07 0.944 -.3243892 .3018327
co | -.5025549 .1843443 -2.73 0.006 -.8638632 -.1412466
agri_alim | .4315731 .4651064 0.93 0.353 -.4800187 1.343165
consommation | .2711826 .4629773 0.59 0.558 -.6362363 1.178601
AUTOMOBILE | .1004712 .4861804 0.21 0.836 -.8524249 1.053367
EQUIPEMENT | .2785355 .4667953 0.60 0.551 -.6363664 1.193437
186
INTERMEDIA~S | .1810673 .4626818 0.39 0.696 -.7257724 1.087907
ENERGIE | -.1645353 .5124177 -0.32 0.748 -1.168856 .8397849
_cons | -4.737687 1.035113 -4.58 0.000 -6.766471 -2.708904
------------------------------------------------------------------------------
. predict prb0011

Wald chi2(14) = 193.38
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .0140981 .0722802 0.20 0.845 -.1275684 .1557646
pr_lnrdex | -.2100679 .0641545 -3.27 0.001 -.3358085 -.0843274
pr_lrmacx | -.0027605 .0869948 -0.03 0.975 -.1732671 .1677461
prot_strat | -.5042127 .1193635 -4.22 0.000 -.7381607 -.2702646
prot_form | -.1880561 .1773388 -1.06 0.289 -.5356337 .1595215
taille | -.1001452 .0465771 -2.15 0.032 -.1914346 -.0088557
gp | -.3000375 .1851405 -1.62 0.105 -.6629062 .0628313
co | .0083673 .115216 0.07 0.942 -.2174519 .2341864
agri_alim | .0155568 .5324263 0.03 0.977 -1.02798 1.059093
consommation | -.1193917 .5328042 -0.22 0.823 -1.163669 .9248854
AUTOMOBILE | -.3895372 .5544207 -0.70 0.482 -1.476182 .6971074
EQUIPEMENT | -.5334338 .5367601 -0.99 0.320 -1.585464 .5185966
INTERMEDIA~S | -.6531345 .5317246 -1.23 0.219 -1.695296 .3890266
ENERGIE | -.3418646 .679106 -0.50 0.615 -1.672888 .9891588
_cons | 1.9986 .9575228 2.09 0.037 .1218902 3.875311
------------------------------------------------------------------------------
. predict prb1001

Wald chi2(14) = 185.87
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .0792059 .0545025 1.45 0.146 -.0276172 .1860289
pr_lnrdex | -.0201359 .0507547 -0.40 0.692 -.1196132 .0793414
187
pr_lrmacx | -.2147337 .0683814 -3.14 0.002 -.3487588 -.0807087
prot_strat | -.2155531 .1031646 -2.09 0.037 -.417752 -.0133543
prot_form | .2418997 .1361832 1.78 0.076 -.0250144 .5088138
taille | -.085336 .0331566 -2.57 0.010 -.1503218 -.0203503
gp | -.3521893 .1396757 -2.52 0.012 -.6259486 -.0784299
co | -.1230919 .0996183 -1.24 0.217 -.3183402 .0721565
agri_alim | .2706735 .4750632 0.57 0.569 -.6604333 1.20178
consommation | .2714406 .4732443 0.57 0.566 -.6561012 1.198982
AUTOMOBILE | -.0738817 .5011501 -0.15 0.883 -1.056118 .9083545
EQUIPEMENT | .2643746 .4751871 0.56 0.578 -.666975 1.195724
INTERMEDIA~S | .0475675 .4734499 0.10 0.920 -.8803773 .9755123
ENERGIE | -.096493 .5503506 -0.18 0.861 -1.17516 .9821743
_cons | -.2498181 .8639391 -0.29 0.772 -1.943108 1.443471
------------------------------------------------------------------------------
. predict prb1011

note: AUTOMOBILE != 0 predicts failure perfectly
AUTOMOBILE dropped and 297 obs not used
note: ENERGIE != 0 predicts failure perfectly
ENERGIE dropped and 170 obs not used
Wald chi2(12) = 114.62
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .0436536 .070554 0.62 0.536 -.0946298 .1819369
pr_lnrdex | -.1448538 .0629008 -2.30 0.021 -.2681372 -.0215705
pr_lrmacx | -.0320936 .0797218 -0.40 0.687 -.1883454 .1241582
prot_strat | -.1766435 .125387 -1.41 0.159 -.4223975 .0691105
prot_form | -.3571745 .1701505 -2.10 0.036 -.6906633 -.0236857
taille | -.0650323 .0469726 -1.38 0.166 -.157097 .0270323
gp | -.1694494 .1888639 -0.90 0.370 -.5396158 .200717
co | -.1840564 .124715 -1.48 0.140 -.4284933 .0603805
agri_alim | -.0471704 .474167 -0.10 0.921 -.9765205 .8821798
consommation | -.1413017 .4712815 -0.30 0.764 -1.064997 .7823932
AUTOMOBILE | (omitted)
EQUIPEMENT | -.3556853 .4781651 -0.74 0.457 -1.292872 .581501
INTERMEDIA~S | -.2220216 .4682438 -0.47 0.635 -1.139763 .6957193
ENERGIE | (omitted)
_cons | .9005986 1.044786 0.86 0.389 -1.147144 2.948341
------------------------------------------------------------------------------
. predict prb1101

188
Wald chi2(14) = 151.15
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .199415 .0702087 2.84 0.005 .0618084 .3370215
pr_lnrdex | -.2572361 .0578468 -4.45 0.000 -.3706137 -.1438584
pr_lrmacx | .3839978 .0727644 5.28 0.000 .2413823 .5266134
prot_strat | -.5053527 .1211395 -4.17 0.000 -.7427818 -.2679236
prot_form | -.6578775 .1454642 -4.52 0.000 -.942982 -.3727729
taille | -.0821918 .0377864 -2.18 0.030 -.1562517 -.0081318
gp | -.2709132 .1656268 -1.64 0.102 -.5955358 .0537095
co | -.0176728 .1263451 -0.14 0.889 -.2653047 .2299591
agri_alim | -.3868444 .3224553 -1.20 0.230 -1.018845 .2451564
consommation | -.4005839 .3197294 -1.25 0.210 -1.027242 .2260742
AUTOMOBILE | -.9548052 .3744848 -2.55 0.011 -1.688782 -.2208285
EQUIPEMENT | -.8586624 .3301765 -2.60 0.009 -1.505797 -.2115283
INTERMEDIA~S | -.809021 .3208611 -2.52 0.012 -1.437897 -.1801448
ENERGIE | -.2183159 .3615524 -0.60 0.546 -.9269456 .4903138
_cons | .5242476 .8874156 0.59 0.555 -1.215055 2.26355
------------------------------------------------------------------------------
. predict prb0111

Wald chi2(14) = 801.58
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .2924941 .042806 6.83 0.000 .2085958 .3763923
pr_lnrdex | -.1472891 .0378019 -3.90 0.000 -.2213794 -.0731987
pr_lrmacx | .0524428 .0489058 1.07 0.284 -.0434108 .1482964
prot_strat | -.1926618 .0743923 -2.59 0.010 -.3384681 -.0468556
prot_form | -.1307819 .0942725 -1.39 0.165 -.3155526 .0539888
taille | .0503343 .0235107 2.14 0.032 .0042541 .0964144
gp | -.6134104 .101807 -6.03 0.000 -.8129485 -.4138722
co | .1294222 .0704708 1.84 0.066 -.0086981 .2675424
agri_alim | -.2818872 .3252442 -0.87 0.386 -.9193541 .3555797
consommation | -.2894429 .3236515 -0.89 0.371 -.9237883 .3449024
AUTOMOBILE | -.7606522 .3431192 -2.22 0.027 -1.433153 -.088151
EQUIPEMENT | -.4551333 .3251681 -1.40 0.162 -1.092451 .1821844
INTERMEDIA~S | -.4375837 .3222985 -1.36 0.175 -1.069277 .1941097
ENERGIE | -.2288655 .3670613 -0.62 0.533 -.9482924 .4905613
_cons | .0321499 .6035586 0.05 0.958 -1.150803 1.215103
------------------------------------------------------------------------------
189
agri_alim consommation AUTOMOBILE EQUIPEMENT INTERMEDIAIRES, robust


Wald chi2(13) = 567.19
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
pr_lnrdi | .1961826 .0445353 4.41 0.000 .1088951 .2834701
pr_lnrdex | -.1222005 .0401033 -3.05 0.002 -.2008015 -.0435996
pr_lrmacx | -.0233871 .0512341 -0.46 0.648 -.1238041 .0770298
prot_strat | -.146555 .0778656 -1.88 0.060 -.2991687 .0060587
prot_form | -.6779846 .1051746 -6.45 0.000 -.884123 -.4718461
taille | -.0007953 .0252337 -0.03 0.975 -.0502524 .0486618
gp | -.3738653 .11169 -3.35 0.001 -.5927738 -.1549569
co | .0476634 .0748834 0.64 0.524 -.0991054 .1944323
agri_alim | .0086694 .2056876 0.04 0.966 -.3944708 .4118097
consommation | .1364622 .2011935 0.68 0.498 -.2578698 .5307942
AUTOMOBILE | .6829539 .2092884 3.26 0.001 .2727563 1.093152
EQUIPEMENT | .2522593 .1978651 1.27 0.202 -.1355491 .6400676
INTERMEDIA~S | .3219617 .1928101 1.67 0.095 -.0559391 .6998625
_cons | .0798756 .6231075 0.13 0.898 -1.141393 1.301144
------------------------------------------------------------------------------
. predict prb1110
. predict prb1111
190
B.4 Estimation de la productivité
. reg prod prb0000 - prb1111 prb1110 prb1001 taille agri_alim consommation
AUTOMOBILE EQUIPEMENT INTERMEDIAIRES ENERGIE, robust
Linear regression Number of obs = 5172
F( 23, 5148) = 45.71
Prob > F = 0.0000
R-squared = 0.1664
Root MSE = .68314
------------------------------------------------------------------------------
| Robust
prod | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
prb0000 | -.0704882 .1718383 -0.41 0.682 -.4073643 .2663879
prb1000 | -2.971125 .7131633 -4.17 0.000 -4.369228 -1.573022
prb0100 | .354775 1.305014 0.27 0.786 -2.203606 2.913156
prb0010 | -.3200199 .4782932 -0.67 0.503 -1.257678 .6176381
prb0001 | -.3076599 .709898 -0.43 0.665 -1.699362 1.084042
prb1100 | 2.803152 3.483822 0.80 0.421 -4.02662 9.632924
prb0101 | 7.519663 3.361031 2.24 0.025 .9306142 14.10871
prb1010 | 2.157133 1.152598 1.87 0.061 -.1024482 4.416714
prb0110 | 2.093376 .9439136 2.22 0.027 .2429041 3.943848
prb0011 | 1.589507 .6700899 2.37 0.018 .2758464 2.903168
prb1011 | 3.60573 1.074888 3.35 0.001 1.498494 5.712967
prb1101 | -3.528247 1.044911 -3.38 0.001 -5.576716 -1.479779
prb0111 | -1.707226 1.184756 -1.44 0.150 -4.029851 .6153985
prb1111 | .6184055 .2564508 2.41 0.016 .115653 1.121158
prb1110 | -1.128719 .968792 -1.17 0.244 -3.027963 .7705245
prb1001 | -1.550866 1.244759 -1.25 0.213 -3.991123 .8893896
taille | .0951497 .017116 5.56 0.000 .061595 .1287044
agri_alim | .6279137 .2412495 2.60 0.009 .1549621 1.100865
consommation | .0697456 .2411782 0.29 0.772 -.4030661 .5425573
AUTOMOBILE | .5327458 .245382 2.17 0.030 .0516929 1.013799
EQUIPEMENT | .1210525 .2488368 0.49 0.627 -.3667735 .6088784
INTERMEDIA~S | .2738907 .2443739 1.12 0.262 -.2051859 .7529673
ENERGIE | 1.018131 .2649486 3.84 0.000 .4987194 1.537543
_cons | 4.263698 .2716503 15.70 0.000 3.731148 4.796248
------------------------------------------------------------------------------
. reg prod prbinpdt prbinpcd prbinorg prbinmkg taille agri_alim consommation
AUTOMOBILE EQUIPEMENT INTERMEDIAIRES ENERGIE, robust
Linear regression Number of obs = 5172
F( 11, 5160) = 83.91
Prob > F = 0.0000
R-squared = 0.1540
Root MSE = .68739
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
prbinpdt | -.4075196 .1166799 -3.49 0.000 -.6362617 -.1787775
prbinpcd | .2753339 .1487473 1.85 0.064 -.0162739 .5669417
prbinorg | .5715207 .2550466 2.24 0.025 .0715213 1.07152
prbinmkg | .4202304 .1403004 3.00 0.003 .1451821 .6952787
taille | .0746957 .0116947 6.39 0.000 .0517691 .0976222
agri_alim | .418574 .2215598 1.89 0.059 -.0157771 .852925
consommation | -.0934312 .2215452 -0.42 0.673 -.5277537 .3408913
AUTOMOBILE | .2544714 .2211438 1.15 0.250 -.1790642 .6880069
EQUIPEMENT | -.0003922 .2213127 -0.00 0.999 -.4342589 .4334745
INTERMEDIA~S | .0723752 .2196858 0.33 0.742 -.3583021 .5030525
ENERGIE | .7337257 .2330055 3.15 0.002 .2769361 1.190515
_cons | 4.319643 .225916 19.12 0.000 3.876752 4.762534
------------------------------------------------------------------------------
191
ANNEXE C
C.1 Estimation des équations de R&D interne
. xtprobit rrdin gp prot_stra prot_form dde_pull taille hautech moyhotech

moyfaibtech faibtech services , re
note: services omitted because of collinearity
Fitting comparison model:
Fitting full model:
rho = 0.0 log likelihood = -14965.96
Random-effects probit regression Number of obs = 32045
Group variable: siren Number of groups = 26872
Random effects u_i ~ Gaussian Obs per group: min = 1
avg = 1.2
max = 3
Wald chi2(9) = 2507.86
Log likelihood = -14768.555 Prob > chi2 = 0.0000
------------------------------------------------------------------------------
rrdin | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
gp | .3702576 .0268659 13.78 0.000 .3176014 .4229139
prot_stra | 1.370829 .0341563 40.13 0.000 1.303884 1.437774
prot_form | .9373003 .0290067 32.31 0.000 .8804481 .9941524
dde_pull | -.8414188 .047927 -17.56 0.000 -.9353539 -.7474837
taille | .1219226 .0080204 15.20 0.000 .106203 .1376422
hautech | .9772444 .0675757 14.46 0.000 .8447985 1.10969
moyhotech | .7210886 .0482623 14.94 0.000 .6264963 .8156809
192
moyfaibtech | .4503415 .0379159 11.88 0.000 .3760277 .5246552
faibtech | .2740655 .0297706 9.21 0.000 .2157161 .3324149
services | (omitted)
_cons | -2.086659 .0892905 -23.37 0.000 -2.261665 -1.911652
-------------+----------------------------------------------------------------
/lnsig2u | -.1649525 .0830697 -.3277661 -.0021389
-------------+----------------------------------------------------------------
sigma_u | .9208333 .0382467 .8488413 .9989311
rho | .4588551 .0206268 .4187843 .4994653
------------------------------------------------------------------------------
Likelihood-ratio test of rho=0: chibar2(01) = 394.81 Prob >= chibar2 = 0.000
. mfx
Marginal effects after xtprobit
= -.64153119
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
gp*| .3702576 .02687 13.78 0.000 .317601 .422914 .550195
prot_s~a*| 1.370829 .03416 40.13 0.000 1.30388 1.43777 .249087
prot_f~m*| .9373003 .02901 32.31 0.000 .880448 .994152 .371197
dde_pull*| -.8414188 .04793 -17.56 0.000 -.935354 -.747484 .948884
taille | .1219226 .00802 15.20 0.000 .106203 .137642 9.40585
hautech*| .9772444 .06758 14.46 0.000 .844798 1.10969 .035419
moyhot~h*| .7210886 .04826 14.94 0.000 .626496 .815681 .074739
moyfai~h*| .4503415 .03792 11.88 0.000 .376028 .524655 .120768
faibtech*| .2740655 .02977 9.21 0.000 .215716 .332415 .221719
------------------------------------------------------------------------------
. predict sta2xtrdin, xb
. gen M_sta2xtrdin=normalden( sta2xtrdin)/normal( sta2xtrdin)
. xtreg lrdinx gp co sentg ssup scli scom suni prot_stra prot_form dde_pull fin_pub
hautech moyhotech moyfaibtech faibtech sta2xtrdin M_sta2xtrdin, re
Random-effects GLS regression Number of obs = 31321
R-sq: within = 0.2003 Obs per group: min = 1

between = 0.6031 avg = 1.2
overall = 0.6165 max = 3
Wald chi2(17) = 50314.02
corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000
------------------------------------------------------------------------------
lrdinx | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
gp | -.6778401 .0375325 -18.06 0.000 -.7514025 -.6042777
co | .8240398 .0323427 25.48 0.000 .7606492 .8874303
sentg | .1623626 .0104864 15.48 0.000 .1418096 .1829155
ssup | .068692 .0138549 4.96 0.000 .041537 .095847
scli | .5080944 .0147939 34.34 0.000 .479099 .5370898
scom | .2653307 .0175188 15.15 0.000 .2309945 .2996669
suni | .5816129 .0202987 28.65 0.000 .5418282 .6213976
prot_stra | -2.438861 .0840441 -29.02 0.000 -2.603585 -2.274138
prot_form | -1.536188 .0625735 -24.55 0.000 -1.65883 -1.413546
dde_pull | 2.314845 .0675277 34.28 0.000 2.182493 2.447197
fin_pub | 1.22561 .0349044 35.11 0.000 1.157199 1.294021
hautech | -1.519647 .079173 -19.19 0.000 -1.674824 -1.364471
moyhotech | -1.076396 .0597385 -18.02 0.000 -1.193481 -.9593106
moyfaibtech | -.8451397 .0427022 -19.79 0.000 -.9288344 -.761445
faibtech | -.5955329 .0315466 -18.88 0.000 -.6573631 -.5337027
sta2xtrdin | 3.392377 .0773392 43.86 0.000 3.240795 3.543959
M_sta2xtrdin | 1.792268 .083489 21.47 0.000 1.628632 1.955903
_cons | .0165042 .1152332 0.14 0.886 -.2093487 .2423572
. predict prsta2xtrdin, xb (910 missing values generated)
193
. xtprobit rrdin rrdin_1 gp prot_stra prot_form dde_pull taille hautech moyhotech
moyfaibtech faibtech rdin0 m_gp m_pstra m_pform m_ddepull m_taille, re
Fitting full model:
avg = 1.3
max = 2
Wald chi2(16) = 386.85
------------------------------------------------------------------------------
rrdin | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
rrdin_1 | .2032081 .1641101 1.24 0.216 -.1184418 .5248579
gp | .1526586 .1257029 1.21 0.225 -.0937145 .3990317
prot_stra | .6932765 .0932755 7.43 0.000 .5104598 .8760932
prot_form | .6620004 .0958639 6.91 0.000 .4741105 .8498902
dde_pull | -.6993249 .1575758 -4.44 0.000 -1.008168 -.390482
taille | .1762235 .1111885 1.58 0.113 -.0417019 .394149
hautech | .5322833 .1422476 3.74 0.000 .2534832 .8110835
moyhotech | .1330239 .0909535 1.46 0.144 -.0452417 .3112896
moyfaibtech | .1339737 .0859913 1.56 0.119 -.0345661 .3025135
faibtech | -.0309616 .0720546 -0.43 0.667 -.172186 .1102628
rdin0 | .9527409 .218347 4.36 0.000 .5247886 1.380693
m_gp | -.1643164 .1538103 -1.07 0.285 -.4657791 .1371463
m_pstra | .5788619 .141225 4.10 0.000 .3020661 .8556578
m_pform | .2900227 .1277816 2.27 0.023 .0395753 .5404701
m_ddepull | .1198065 .2404301 0.50 0.618 -.3514279 .5910409
m_taille | -.0941927 .114508 -0.82 0.411 -.3186242 .1302389
_cons | -1.816337 .2925761 -6.21 0.000 -2.389776 -1.242898
-------------+----------------------------------------------------------------
/lnsig2u | -.4970663 .3864803 -1.254554 .2604211
-------------+----------------------------------------------------------------
sigma_u | .779944 .1507165 .5340441 1.139068
rho | .3782303 .0908894 .2219129 .5647398
------------------------------------------------------------------------------
. predict dynendwolredin,xb
. mfx
= .30194784
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
rrdin_1*| .2032081 .16411 1.24 0.216 -.118442 .524858 .570538
gp*| .1526586 .1257 1.21 0.225 -.093714 .399032 .752338
prot_s~a*| .6932765 .09328 7.43 0.000 .51046 .876093 .425175
194
prot_f~m*| .6620004 .09586 6.91 0.000 .474111 .84989 .568589
dde_pull*| -.6993249 .15758 -4.44 0.000 -1.00817 -.390482 .942712
taille | .1762235 .11119 1.58 0.113 -.041702 .394149 10.6514
hautech*| .5322833 .14225 3.74 0.000 .253483 .811083 .064692
moyhot~h*| .1330239 .09095 1.46 0.144 -.045242 .31129 .154716
moyfai~h*| .1339737 .08599 1.56 0.119 -.034566 .302513 .191154
faibtech*| -.0309616 .07205 -0.43 0.667 -.172186 .110263 .342751
rdin0*| .9527409 .21835 4.36 0.000 .524789 1.38069 .56138
m_gp | -.1643164 .15381 -1.07 0.285 -.465779 .137146 .721389
m_pstra | .5788619 .14122 4.10 0.000 .302066 .855658 .404845
m_pform | .2900227 .12778 2.27 0.023 .039575 .54047 .56466
m_ddep~l | .1198065 .24043 0.50 0.618 -.351428 .591041 .947584
m_taille | -.0941927 .11451 -0.82 0.411 -.318624 .130239 10.6103
------------------------------------------------------------------------------
. gen M_dynendwolredin=normalden(dynendwolredin)/normal(dynendwolredin)
. xtreg lrdinx lrdinx_1 gp co sentg ssup scli scom suni prot_stra prot_form dde_pull
fin_pub hautech moyhotech moyfaibtech faibtech lrdinx0 m_gp m_co m_sentg m_ssup m_scli
m_scom m_suni m_pstra m_pform m_ddepull m_finpub dynendwolredin M_dynendwolredin, re
between = 0.7013 avg = 1.3
Wald chi2(30) = 10335.73
------------------------------------------------------------------------------
lrdinx | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lrdinx_1 | .0393871 .0202771 1.94 0.052 -.0003553 .0791295
gp | .3157385 .1358353 2.32 0.020 .0495062 .5819708
co | .4983649 .1041933 4.78 0.000 .2941498 .7025801
sentg | .9150455 .0442665 20.67 0.000 .8282848 1.001806
ssup | .1662508 .0495373 3.36 0.001 .0691594 .2633421
scli | .1769791 .0515159 3.44 0.001 .0760099 .2779483
scom | .0414626 .0562347 0.74 0.461 -.0687554 .1516806
suni | .3254147 .0648197 5.02 0.000 .1983705 .4524589
prot_stra | .4849013 .1304556 3.72 0.000 .2292129 .7405896
prot_form | .322155 .1288258 2.50 0.012 .069661 .574649
dde_pull | .3587446 .1875519 1.91 0.056 -.0088504 .7263396
fin_pub | .4461396 .096317 4.63 0.000 .2573619 .6349174
hautech | .3578622 .1484254 2.41 0.016 .0669537 .6487707
moyhotech | .1469721 .0984158 1.49 0.135 -.0459193 .3398634
moyfaibtech | -.0757133 .0947765 -0.80 0.424 -.261472 .1100453
faibtech | -.1580787 .0808055 -1.96 0.050 -.3164546 .0002972
lrdinx0 | .2370391 .0260511 9.10 0.000 .1859799 .2880983
m_gp | -.0652098 .1665422 -0.39 0.695 -.3916265 .2612068
m_co | .0190599 .1538685 0.12 0.901 -.2825169 .3206366
m_sentg | -.1857486 .0620857 -2.99 0.003 -.3074344 -.0640628
m_ssup | -.159426 .0707877 -2.25 0.024 -.2981674 -.0206846
m_scli | .1143241 .0740368 1.54 0.123 -.0307853 .2594336
m_scom | -.0699006 .0830757 -0.84 0.400 -.2327261 .0929249
m_suni | .0588872 .0923963 0.64 0.524 -.1222062 .2399807
m_pstra | .2529406 .1608323 1.57 0.116 -.0622849 .5681662
m_pform | .6081824 .1442273 4.22 0.000 .325502 .8908628
m_ddepull | .2876632 .2724501 1.06 0.291 -.2463292 .8216557
m_finpub | .7089706 .1580486 4.49 0.000 .399201 1.01874
dynendwolr~n | .8832948 .1863128 4.74 0.000 .5181285 1.248461
M_dynendwo~n | 1.993103 .2018396 9.87 0.000 1.597504 2.388701
_cons | -3.414875 .2839706 -12.03 0.000 -3.971447 -2.858302
-------------+----------------------------------------------------------------
sigma_u | 1.0429128
sigma_e | 1.587432
rho | .30149264 (fraction of variance due to u_i)
------------------------------------------------------------------------------
. predict prdynwo2lnrdin,xb
195
C.2 Estimation des équations de R&D
externe
. xtprobit rrdex gp prot_stra prot_form dde_pull taille hautech moyhotech

moyfaibtech faibtech services , re
note: services omitted because of collinearity
Fitting full model:
avg = 1.2
max = 3
Wald chi2(9) = 2360.01
------------------------------------------------------------------------------
rrdex | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
gp | .2455886 .028008 8.77 0.000 .1906939 .3004834
prot_stra | .7618483 .0266296 28.61 0.000 .7096553 .8140414
prot_form | .703945 .0271111 25.97 0.000 .6508083 .7570817
dde_pull | -.3848505 .0454163 -8.47 0.000 -.4738648 -.2958361
taille | .1532176 .0078023 19.64 0.000 .1379253 .1685099
hautech | .6468373 .0564159 11.47 0.000 .5362642 .7574103
moyhotech | .4279115 .0416347 10.28 0.000 .346309 .5095139
moyfaibtech | .2496296 .0361135 6.91 0.000 .1788484 .3204107
faibtech | .0659755 .0300372 2.20 0.028 .0071037 .1248474
services | (omitted)
_cons | -3.23327 .0944368 -34.24 0.000 -3.418363 -3.048177
-------------+----------------------------------------------------------------
/lnsig2u | -.9524714 .1216193 -1.190841 -.714102
-------------+----------------------------------------------------------------
sigma_u | .6211171 .0377699 .5513308 .6997368
rho | .2783881 .0244319 .2331086 .3286931
------------------------------------------------------------------------------
. mfx
= -1.4714232
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
gp*| .2455886 .02801 8.77 0.000 .190694 .300483 .550215
prot_s~a*| .7618483 .02663 28.61 0.000 .709655 .814041 .249079
prot_f~m*| .703945 .02711 25.97 0.000 .650808 .757082 .371169
dde_pull*| -.3848505 .04542 -8.47 0.000 -.473865 -.295836 .94888
taille | .1532176 .0078 19.64 0.000 .137925 .16851 9.40609
hautech*| .6468373 .05642 11.47 0.000 .536264 .75741 .035422
moyhot~h*| .4279115 .04163 10.28 0.000 .346309 .509514 .074746
moyfai~h*| .2496296 .03611 6.91 0.000 .178848 .320411 .120779
196
faibtech*| .0659755 .03004 2.20 0.028 .007104 .124847 .221709
------------------------------------------------------------------------------
. predict sta2xtrdex, xb
. gen M_sta2xtrdex=normalden( sta2xtrdex)/normal( sta2xtrdex)
. xtreg lrdexx gp co sentg ssup scli scom suni prot_stra prot_form dde_pull fin_pub
hautech moyhotech moyfaibtech faibtech sta2xtrdex M_sta2xtrdex, re
between = 0.3394 avg = 1.2
Wald chi2(17) = 16200.38
------------------------------------------------------------------------------
lrdexx | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
gp | -.1605751 .0244421 -6.57 0.000 -.2084807 -.1126695
co | .7631468 .0262386 29.08 0.000 .71172 .8145735
sentg | -.049919 .0084995 -5.87 0.000 -.0665777 -.0332602
ssup | .0086107 .0112248 0.77 0.443 -.0133895 .0306109
scli | .0126871 .0119886 1.06 0.290 -.0108101 .0361843
scom | .1495265 .0141921 10.54 0.000 .1217105 .1773424
suni | .431773 .0164782 26.20 0.000 .3994763 .4640697
prot_stra | -.8491532 .0370318 -22.93 0.000 -.9217341 -.7765723
prot_form | -.4602999 .0354484 -12.99 0.000 -.5297775 -.3908224
dde_pull | .505684 .040927 12.36 0.000 .4254686 .5858995
fin_pub | .5407708 .0282978 19.11 0.000 .4853082 .5962335
hautech | -.5281971 .0516963 -10.22 0.000 -.62952 -.4268742
moyhotech | -.3539239 .0375232 -9.43 0.000 -.427468 -.2803798
moyfaibtech | -.2310234 .0286079 -8.08 0.000 -.2870939 -.1749529
faibtech | -.1610364 .021574 -7.46 0.000 -.2033206 -.1187522
sta2xtrdex | 7.927837 .1740144 45.56 0.000 7.586775 8.268899
M_sta2xtrdex | 8.414202 .2119839 39.69 0.000 7.998721 8.829683
_cons | -4.426861 .1840341 -24.05 0.000 -4.787561 -4.066161
-------------+----------------------------------------------------------------
sigma_u | 0
sigma_e | 1.9412774
rho | 0 (fraction of variance due to u_i)
------------------------------------------------------------------------------
. xtprobit rrdex rrdex_1 gp prot_stra prot_form dde_pull taille hautech moyhotech

moyfaibtech faibtech rdex0 m_gp m_pstra m_pform m_ddepull m_taille, re
Fitting full model:
avg = 1.3
max = 2
Wald chi2(16) = 519.15
------------------------------------------------------------------------------
rrdex | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
rrdex_1 | .3613292 .1274872 2.83 0.005 .1114588 .6111996
gp | -.0015815 .1223951 -0.01 0.990 -.2414714 .2383085
prot_stra | .3927957 .0791593 4.96 0.000 .2376463 .5479452
prot_form | .4601725 .0902075 5.10 0.000 .283369 .6369759
dde_pull | -.178076 .1460813 -1.22 0.223 -.4643901 .1082381
taille | .1689277 .1052262 1.61 0.108 -.037312 .3751673
197
hautech | .3602431 .1125158 3.20 0.001 .1397161 .58077
moyhotech | -.0058746 .0785665 -0.07 0.940 -.1598622 .1481129
moyfaibtech | .1071537 .0755768 1.42 0.156 -.0409742 .2552816
faibtech | -.1122032 .0672873 -1.67 0.095 -.2440838 .0196775
rdex0 | .1524905 .1392277 1.10 0.273 -.1203909 .4253718
m_gp | .0719388 .147485 0.49 0.626 -.2171265 .361004
m_pstra | .5553934 .1173838 4.73 0.000 .3253254 .7854615
m_pform | .4290117 .1212692 3.54 0.000 .1913285 .6666949
m_ddepull | -.1256904 .226234 -0.56 0.579 -.5691009 .3177202
m_taille | -.0000894 .1071501 -0.00 0.999 -.2100998 .209921
_cons | -3.342652 .3258516 -10.26 0.000 -3.98131 -2.703995
-------------+----------------------------------------------------------------
/lnsig2u | -1.058018 .4942517 -2.026733 -.0893021
-------------+----------------------------------------------------------------
sigma_u | .5891887 .1456037 .3629949 .9563312
rho | .2576885 .094543 .1164246 .4776893
------------------------------------------------------------------------------
. predict dynendwolrdex,xb
. mfx
= -.73492626
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
rrdex_1*| .3613292 .12749 2.83 0.005 .111459 .6112 .291115
gp*| -.0015815 .1224 -0.01 0.990 -.241471 .238309 .752338
prot_s~a*| .3927957 .07916 4.96 0.000 .237646 .547945 .425175
prot_f~m*| .4601725 .09021 5.10 0.000 .283369 .636976 .568589
dde_pull*| -.178076 .14608 -1.22 0.223 -.46439 .108238 .942712
taille | .1689277 .10523 1.61 0.108 -.037312 .375167 10.6514
hautech*| .3602431 .11252 3.20 0.001 .139716 .58077 .064692
moyhot~h*| -.0058746 .07857 -0.07 0.940 -.159862 .148113 .154716
moyfai~h*| .1071537 .07558 1.42 0.156 -.040974 .255282 .191154
faibtech*| -.1122032 .06729 -1.67 0.095 -.244084 .019678 .342751
rdex0*| .1524905 .13923 1.10 0.273 -.120391 .425372 .26403
m_gp | .0719388 .14748 0.49 0.626 -.217126 .361004 .721389
m_pstra | .5553934 .11738 4.73 0.000 .325325 .785462 .404845
m_pform | .4290117 .12127 3.54 0.000 .191329 .666695 .56466
m_ddep~l | -.1256904 .22623 -0.56 0.579 -.569101 .31772 .947584
m_taille | -.0000894 .10715 -0.00 0.999 -.2101 .209921 10.6103
------------------------------------------------------------------------------
. xtreg lrdexx lrdexx_1 gp co sentg ssup scli scom suni prot_stra prot_form dde_pull
fin_pub hautech moyhotech moyfaibtech faibtech lrdexx0 m_gp m_co m_sentg m_ssup m_scli
m_scom m_suni m_pstra m_pform m_ddepull m_finpub dynendwolrdex M_dynendwolrdex, re


between = 0.4643 avg = 1.3
Wald chi2(30) = 3662.97

198
------------------------------------------------------------------------------
lrdexx | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lrdexx_1 | .1306437 .0211097 6.19 0.000 .0892694 .1720179
gp | .3054188 .1342445 2.28 0.023 .0423045 .5685331
co | .787211 .1072556 7.34 0.000 .5769939 .9974282
sentg | .2421648 .0448259 5.40 0.000 .1543076 .330022
ssup | -.0426468 .05055 -0.84 0.399 -.1417231 .0564294
scli | -.0137127 .0522617 -0.26 0.793 -.1161437 .0887183
scom | .1009477 .057981 1.74 0.082 -.0126931 .2145884
suni | .3295808 .0678186 4.86 0.000 .1966587 .4625029
prot_stra | -.0883829 .1091477 -0.81 0.418 -.3023085 .1255426
prot_form | -.115252 .1198796 -0.96 0.336 -.3502116 .1197076
dde_pull | .3546292 .1757788 2.02 0.044 .0101091 .6991494
fin_pub | -.1534875 .1025589 -1.50 0.135 -.3544992 .0475242
hautech | -.1463774 .1314576 -1.11 0.265 -.4040296 .1112747
moyhotech | -.1139527 .0907642 -1.26 0.209 -.2918473 .0639419
moyfaibtech | -.1877464 .086904 -2.16 0.031 -.3580752 -.0174176
faibtech | -.1694971 .0765392 -2.21 0.027 -.3195111 -.0194831
lrdexx0 | -.0535913 .019584 -2.74 0.006 -.0919751 -.0152074
m_gp | -.2009821 .1650065 -1.22 0.223 -.524389 .1224248
m_co | .1940963 .1518286 1.28 0.201 -.1034824 .491675
m_sentg | -.2216618 .0601944 -3.68 0.000 -.3396407 -.103683
m_ssup | -.0320712 .0689269 -0.47 0.642 -.1671655 .1030231
m_scli | .060969 .0703731 0.87 0.386 -.0769597 .1988978
m_scom | -.1515714 .08086 -1.87 0.061 -.3100542 .0069113
m_suni | .2358957 .0914689 2.58 0.010 .0566199 .4151714
m_pstra | -.4491824 .1569344 -2.86 0.004 -.7567682 -.1415966
m_pform | .3054453 .1514234 2.02 0.044 .0086609 .6022297
m_ddepull | -.1449407 .266409 -0.54 0.586 -.6670928 .3772114
m_finpub | .723122 .1554628 4.65 0.000 .4184205 1.027823
dynendwolr~x | 5.340815 .3257611 16.39 0.000 4.702335 5.979295
M_dynendwo~x | 6.40451 .4136882 15.48 0.000 5.593696 7.215324
_cons | -4.687258 .4677022 -10.02 0.000 -5.603938 -3.770579
-------------+----------------------------------------------------------------
sigma_u | 0
sigma_e | 1.8692717
------------------------------------------------------------------------------
. predict prdynwo2lnrdex,xb
C.3 Estimation des équations d’achat de

machines et logiciels
. xtprobit rmac gp prot_stra prot_form dde_pull taille hautech moyhotech moyfaibtech
faibtech , re
Fitting full model:
avg = 1.2
max = 3
199
Wald chi2(9) = 2935.88
------------------------------------------------------------------------------
rmac | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
gp | .1967174 .0219759 8.95 0.000 .1536456 .2397893
prot_stra | .8794911 .0242763 36.23 0.000 .8319104 .9270718
prot_form | .5110907 .0219646 23.27 0.000 .4680409 .5541405
dde_pull | -1.068099 .0404785 -26.39 0.000 -1.147436 -.9887628
taille | .1016116 .0063899 15.90 0.000 .0890877 .1141355
hautech | .5296474 .0498805 10.62 0.000 .4318835 .6274113
moyhotech | .3238224 .0364068 8.89 0.000 .2524664 .3951785
moyfaibtech | .2447124 .030087 8.13 0.000 .1857431 .3036818
faibtech | .186381 .0241698 7.71 0.000 .139009 .2337529
_cons | -1.349727 .0678261 -19.90 0.000 -1.482664 -1.21679
-------------+----------------------------------------------------------------
/lnsig2u | -1.182219 .1256645 -1.428517 -.9359214
-------------+----------------------------------------------------------------
sigma_u | .5537125 .034791 .489555 .6262781
rho | .2346534 .0225682 .1933298 .2817249
------------------------------------------------------------------------------
. mfx
= -.77662041
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
gp*| .1967174 .02198 8.95 0.000 .153646 .239789 .550212
prot_s~a*| .8794911 .02428 36.23 0.000 .83191 .927072 .249095
prot_f~m*| .5110907 .02196 23.27 0.000 .468041 .55414 .371177
dde_pull*| -1.068099 .04048 -26.39 0.000 -1.14744 -.988763 .948883
taille | .1016116 .00639 15.90 0.000 .089088 .114136 9.40594
hautech*| .5296474 .04988 10.62 0.000 .431884 .627411 .03542
moyhot~h*| .3238224 .03641 8.89 0.000 .252466 .395178 .074741
moyfai~h*| .2447124 .03009 8.13 0.000 .185743 .303682 .120771
faibtech*| .186381 .02417 7.71 0.000 .139009 .233753 .221695
------------------------------------------------------------------------------
. predict sta2xtrmac, xb
. gen M_sta2xtrmac=normalden( sta2xtrmac)/normal( sta2xtrmac)
. xtreg lrmacx gp co sentg ssup scli scom suni prot_stra prot_form dde_pull fin_pub
hautech moyhotech moyfaibtech faibtech sta2xtrmac M_sta2xtrmac, re
between = 0.2895 avg = 1.2
Wald chi2(17) = 10839.52
------------------------------------------------------------------------------
lrmacx | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
gp | -.2879641 .0291951 -9.86 0.000 -.3451855 -.2307427
co | .4228682 .0309923 13.64 0.000 .3621243 .483612
sentg | .3227938 .0107555 30.01 0.000 .3017135 .3438741
ssup | .494247 .0133481 37.03 0.000 .4680853 .5204088
scli | -.1164577 .0144175 -8.08 0.000 -.1447156 -.0881999
scom | .0867991 .0169746 5.11 0.000 .0535295 .1200686
suni | -.1505565 .0194307 -7.75 0.000 -.1886399 -.112473

prot_stra | -.8251254 .0629611 -13.11 0.000 -.9485269 -.701724
prot_form | -.5508536 .0428197 -12.86 0.000 -.6347786 -.4669285
dde_pull | .9169312 .0820983 11.17 0.000 .7560214 1.077841
fin_pub | .2456399 .0337762 7.27 0.000 .1794398 .31184
hautech | -.5425524 .0629019 -8.63 0.000 -.6658379 -.4192668
moyhotech | -.4121529 .0447427 -9.21 0.000 -.4998469 -.3244588
moyfaibtech | -.2552327 .0353169 -7.23 0.000 -.3244525 -.1860129
faibtech | -.2325165 .0278659 -8.34 0.000 -.2871328 -.1779003
sta2xtrmac | 1.843682 .1543889 11.94 0.000 1.541086 2.146279
200
M_sta2xtrmac | 1.085099 .1948841 5.57 0.000 .7031334 1.467065
_cons | -.1474842 .1839796 -0.80 0.423 -.5080775 .2131092
-------------+----------------------------------------------------------------
sigma_u | 0
sigma_e | 1.9597488
------------------------------------------------------------------------------
. predict prsta2xtrmac, xb
. xtprobit rmac rmac_1 gp prot_stra prot_form dde_pull taille hautech moyhotech

moyfaibtech faibtech rmac0 m_gp m_pstra m_pform m_ddepull m_taille, re
Fitting full model:
avg = 1.3
max = 2
Wald chi2(16) = 620.82
------------------------------------------------------------------------------
rmac | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
rmac_1 | .3602966 .1088275 3.31 0.001 .1469987 .5735945
gp | -.1708496 .0981192 -1.74 0.082 -.3631598 .0214606
prot_stra | .4802435 .0714787 6.72 0.000 .3401479 .6203392
prot_form | .5109471 .076508 6.68 0.000 .3609941 .6609001
dde_pull | -.8192661 .1302365 -6.29 0.000 -1.074525 -.5640072
taille | .3544416 .0917484 3.86 0.000 .1746181 .5342651
hautech | .3946068 .096928 4.07 0.000 .2046314 .5845823
moyhotech | .0507198 .0666565 0.76 0.447 -.0799246 .1813642
moyfaibtech | -.0034089 .0630044 -0.05 0.957 -.1268953 .1200775
faibtech | -.0399141 .0546674 -0.73 0.465 -.1470602 .067232
rmac0 | .1166198 .1154375 1.01 0.312 -.1096336 .3428732
m_gp | .250652 .1185273 2.11 0.034 .0183428 .4829613
m_pstra | .3315276 .0984193 3.37 0.001 .1386294 .5244258
m_pform | .0800624 .0963064 0.83 0.406 -.1086946 .2688195
m_ddepull | .153777 .1886087 0.82 0.415 -.2158893 .5234434
m_taille | -.2516252 .0929464 -2.71 0.007 -.4337968 -.0694536
_cons | -1.485947 .2105805 -7.06 0.000 -1.898677 -1.073217
-------------+----------------------------------------------------------------
/lnsig2u | -2.245663 1.091921 -4.385789 -.1055374
-------------+----------------------------------------------------------------
sigma_u | .3253572 .1776322 .1115933 .9485994
rho | .0957242 .0945179 .0122999 .4736401
------------------------------------------------------------------------------
. predict dynendwolrmac,xb
. mfx
= -.07230921
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
rmac_1*| .3602966 .10883 3.31 0.001 .146999 .573594 .401988
gp*| -.1708496 .09812 -1.74 0.082 -.36316 .021461 .752338
prot_s~a*| .4802435 .07148 6.72 0.000 .340148 .620339 .425175
prot_f~m*| .5109471 .07651 6.68 0.000 .360994 .6609 .568589
dde_pull*| -.8192661 .13024 -6.29 0.000 -1.07453 -.564007 .942712
201
taille | .3544416 .09175 3.86 0.000 .174618 .534265 10.6514
hautech*| .3946068 .09693 4.07 0.000 .204631 .584582 .064692
moyhot~h*| .0507198 .06666 0.76 0.447 -.079925 .181364 .154716
moyfai~h*| -.0034089 .063 -0.05 0.957 -.126895 .120078 .191154
faibtech*| -.0399141 .05467 -0.73 0.465 -.14706 .067232 .342751
rmac0*| .1166198 .11544 1.01 0.312 -.109634 .342873 .381333
m_gp | .250652 .11853 2.11 0.034 .018343 .482961 .721389
m_pstra | .3315276 .09842 3.37 0.001 .138629 .524426 .404845
m_pform | .0800624 .09631 0.83 0.406 -.108695 .268819 .56466
m_ddep~l | .153777 .18861 0.82 0.415 -.215889 .523443 .947584
m_taille | -.2516252 .09295 -2.71 0.007 -.433797 -.069454 10.6103
------------------------------------------------------------------------------
. xtreg lrmacx lrmacx_1 gp co sentg ssup scli scom suni prot_stra prot_form dde_pull
fin_pub hautech moyhotech moyfaibtech faibtech lrmacx0 m_gp m_co m_sentg m_ssup m_scli
m_scom m_suni m_pstra m_pform m_ddepull m_finpub dynendwolrmac M_dynendwolrmac, re
between = 0.2440 avg = 1.2
Wald chi2(30) = 1054.48
------------------------------------------------------------------------------
lrmacx | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lrmacx_1 | .0242288 .0311391 0.78 0.437 -.0368027 .0852603
gp | .0405157 .1598029 0.25 0.800 -.2726922 .3537237
co | .3293966 .1418447 2.32 0.020 .0513862 .6074071
sentg | .4141795 .0575042 7.20 0.000 .3014734 .5268857
ssup | .4740957 .066541 7.12 0.000 .3436777 .6045136
scli | .0137316 .0687191 0.20 0.842 -.1209553 .1484185
scom | .203226 .0767126 2.65 0.008 .0528721 .3535799
suni | -.2331506 .0920512 -2.53 0.011 -.4135675 -.0527336
prot_stra | -.2610891 .1515587 -1.72 0.085 -.5581387 .0359605
prot_form | -.3062233 .1589853 -1.93 0.054 -.6178287 .0053822
dde_pull | .4203914 .258468 1.63 0.104 -.0861965 .9269793
fin_pub | -.2516667 .1452266 -1.73 0.083 -.5363055 .0329722
hautech | -.1895723 .1778279 -1.07 0.286 -.5381087 .158964
moyhotech | .0346972 .1200012 0.29 0.772 -.2005009 .2698953
moyfaibtech | .0384594 .1111077 0.35 0.729 -.1793076 .2562264
faibtech | .0469565 .0968486 0.48 0.628 -.1428634 .2367763
lrmacx0 | .0724151 .0339506 2.13 0.033 .0058731 .138957
m_gp | -.1039045 .2015895 -0.52 0.606 -.4990126 .2912036
m_co | -.0548558 .202509 -0.27 0.786 -.4517661 .3420546
m_sentg | -.2816834 .0778711 -3.62 0.000 -.4343081 -.1290588
m_ssup | -.0680963 .0945479 -0.72 0.471 -.2534069 .1172142
m_scli | -.0600567 .0954825 -0.63 0.529 -.2471989 .1270856
m_scom | -.0890552 .1101543 -0.81 0.419 -.3049537 .1268432
m_suni | .1486553 .1244259 1.19 0.232 -.095215 .3925255
m_pstra | -.3050631 .1936826 -1.58 0.115 -.6846741 .0745478
m_pform | -.137346 .1722728 -0.80 0.425 -.4749945 .2003024
m_ddepull | -.2555455 .3414033 -0.75 0.454 -.9246836 .4135926
m_finpub | .4641722 .2247521 2.07 0.039 .0236661 .9046782
dynendwolr~c | 2.267131 .4432007 5.12 0.000 1.398474 3.135789
M_dynendwo~c | 2.027619 .6512482 3.11 0.002 .7511955 3.304042
_cons | -.8618089 .6381057 -1.35 0.177 -2.112473 .3888552
-------------+----------------------------------------------------------------
sigma_u | .78584423
sigma_e | 1.7939083
------------------------------------------------------------------------------
. predict prdynwo2lnrmac,xb
202
C.4 Estimation des modèles statiques et
dynamiques d’innovation
. xtprobit innpdt prsta2xtrdin prsta2xtrdex prsta2xtrmac prot_stra prot_form taille gp
co Energie Intermediaires agri_alim consommation Automobile Equipement Construction
Commerce Transport Finance Immobilier Sces_Eses Sce_Particuliers Edu_Santé
Administration,re
Fitting full model:
avg = 1.2
max = 3
Wald chi2(23) = 2292.70
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
prsta2xtrdin | .9236382 .0238971 38.65 0.000 .8768008 .9704756
prsta2xtrdex | -1.00695 .036845 -27.33 0.000 -1.079165 -.934735
prsta2xtrmac | .1457168 .0176281 8.27 0.000 .1111664 .1802672
prot_stra | -.1579164 .0286592 -5.51 0.000 -.2140875 -.1017453
prot_form | .2256113 .0259922 8.68 0.000 .1746676 .276555
taille | -.0277599 .0093679 -2.96 0.003 -.0461207 -.0093991
gp | .1586358 .0267725 5.93 0.000 .1061626 .211109
co | .4527807 .0382702 11.83 0.000 .3777726 .5277888
Energie | -.6741771 .1077174 -6.26 0.000 -.8852994 -.4630548
Intermedia~s | -.2829018 .0483594 -5.85 0.000 -.3776845 -.1881192
agri_alim | -.2865433 .0578374 -4.95 0.000 -.3999025 -.173184
consommation | -.2986402 .0563146 -5.30 0.000 -.4090148 -.1882656
Automobile | -.4903709 .0806833 -6.08 0.000 -.6485073 -.3322344
Equipement | -.0737268 .0530424 -1.39 0.165 -.1776881 .0302345
Construction | -.6300733 .0794728 -7.93 0.000 -.7858372 -.4743095
Commerce | -.9172288 .0599062 -15.31 0.000 -1.034643 -.7998148
Transport | -.4556224 .0720113 -6.33 0.000 -.596762 -.3144828
Finance | .174625 .0732496 2.38 0.017 .0310583 .3181916
Immobilier | -.6871367 .1354304 -5.07 0.000 -.9525753 -.4216981
Sces_Eses | -.2382446 .0527595 -4.52 0.000 -.3416513 -.1348379
Sce_Partic~s | -.5225377 .0856344 -6.10 0.000 -.6903781 -.3546973
Edu_Santé | .7297081 .7453822 0.98 0.328 -.7312141 2.19063
Administra~n | -6.189535 699.8873 -0.01 0.993 -1377.943 1365.564
_cons | -1.574248 .097047 -16.22 0.000 -1.764457 -1.38404
-------------+----------------------------------------------------------------
/lnsig2u | -1.450157 .2077328 -1.857305 -1.043008
-------------+----------------------------------------------------------------
sigma_u | .4842867 .0503011 .3950857 .5936271
rho | .1899775 .0319672 .1350174 .2605701
------------------------------------------------------------------------------
203
. mfx
= -.80861727
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
prsta2~n | .9236382 .0239 38.65 0.000 .876801 .970476 1.80509
prsta2~x | -1.00695 .03685 -27.33 0.000 -1.07916 -.934735 .611306
prsta2~c | .1457168 .01763 8.27 0.000 .111166 .180267 .77312
prot_s~a*| -.1579164 .02866 -5.51 0.000 -.214087 -.101745 .251682
prot_f~m*| .2256113 .02599 8.68 0.000 .174668 .276555 .372407
taille | -.0277599 .00937 -2.96 0.003 -.046121 -.009399 9.40958
gp*| .1586358 .02677 5.93 0.000 .106163 .211109 .550177
co*| .4527807 .03827 11.83 0.000 .377773 .527789 .213662
Energie*| -.6741771 .10772 -6.26 0.000 -.885299 -.463055 .014332
Interm~s*| -.2829018 .04836 -5.85 0.000 -.377684 -.188119 .199174
agri_a~m*| -.2865433 .05784 -4.95 0.000 -.399903 -.173184 .081297
consom~n*| -.2986402 .05631 -5.30 0.000 -.409015 -.188266 .086992
Automo~e*| -.4903709 .08068 -6.08 0.000 -.648507 -.332234 .025816
Equipe~t*| -.0737268 .05304 -1.39 0.165 -.177688 .030234 .097068
Constr~n*| -.6300733 .07947 -7.93 0.000 -.785837 -.474309 .043559
Commerce*| -.9172288 .05991 -15.31 0.000 -1.03464 -.799815 .138905
Transp~t*| -.4556224 .07201 -6.33 0.000 -.596762 -.314483 .05013
Finance*| .174625 .07325 2.38 0.017 .031058 .318192 .028351
Immobi~r*| -.6871367 .13543 -5.07 0.000 -.952575 -.421698 .010577
Sces_E~s*| -.2382446 .05276 -4.52 0.000 -.341651 -.134838 .146603
Sce_Pa~s*| -.5225377 .08563 -6.10 0.000 -.690378 -.354697 .029978
Edu_Sa~é*| .7297081 .74538 0.98 0.328 -.731214 2.19063 .000125
Admini~n*| -6.189535 699.89 -0.01 0.993 -1377.94 1365.56 .000031
------------------------------------------------------------------------------
. predict statinnpdt,xb
. xtprobit innpcd prsta2xtrdin prsta2xtrdex prsta2xtrmac prot_stra prot_form taille gp

Administration,re
Fitting full model:


avg = 1.2
max = 3
Wald chi2(23) = 3451.19
204
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
prsta2xtrdin | .3991754 .0164118 24.32 0.000 .3670089 .4313419
prsta2xtrdex | -.533316 .0299772 -17.79 0.000 -.5920702 -.4745617
prsta2xtrmac | 1.068682 .0232367 45.99 0.000 1.023139 1.114225
prot_stra | -.1800079 .0287726 -6.26 0.000 -.2364012 -.1236146
prot_form | -.0192303 .0258098 -0.75 0.456 -.0698166 .0313559
taille | -.0822539 .0088339 -9.31 0.000 -.0995679 -.0649399
gp | .2171032 .0253252 8.57 0.000 .1674666 .2667398
co | .0437362 .0355828 1.23 0.219 -.0260048 .1134771
Energie | -.0008385 .1007518 -0.01 0.993 -.1983085 .1966315
Intermedia~s | .048944 .045627 1.07 0.283 -.0404832 .1383713
agri_alim | -.0527423 .0557121 -0.95 0.344 -.1619361 .0564515
consommation | .0202809 .0543474 0.37 0.709 -.0862381 .1267998
Automobile | -.1881557 .0779345 -2.41 0.016 -.3409045 -.0354069
Equipement | -.2996261 .0504657 -5.94 0.000 -.3985371 -.2007151
Construction | .216857 .0688307 3.15 0.002 .0819514 .3517627
Commerce | .0074435 .0518083 0.14 0.886 -.0940989 .1089859
Transport | .1501067 .0659803 2.28 0.023 .0207878 .2794257
Finance | .5376636 .0724983 7.42 0.000 .3955695 .6797577
Immobilier | .1193342 .1159909 1.03 0.304 -.1080038 .3466723
Sces_Eses | .1362695 .050118 2.72 0.007 .0380401 .2344989
Sce_Partic~s | .0625675 .0791163 0.79 0.429 -.0924977 .2176327
Edu_Santé | .8526286 .7737447 1.10 0.270 -.6638832 2.36914
Administra~n | 6.314335 682.0197 0.01 0.993 -1330.42 1343.048
_cons | -1.221837 .0883538 -13.83 0.000 -1.395007 -1.048666
-------------+----------------------------------------------------------------
/lnsig2u | -1.489424 .165307 -1.81342 -1.165428
-------------+----------------------------------------------------------------
sigma_u | .474871 .0392498 .4038507 .5583808
rho | .1840082 .0248207 .1402253 .2376823
------------------------------------------------------------------------------
. mfx
= -.66873461
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
prsta2~n | .3991754 .01641 24.32 0.000 .367009 .431342 1.8052
prsta2~x | -.533316 .02998 -17.79 0.000 -.59207 -.474562 .611341
prsta2~c | 1.068682 .02324 45.99 0.000 1.02314 1.11423 .773168
prot_s~a*| -.1800079 .02877 -6.26 0.000 -.236401 -.123615 .251698
prot_f~m*| -.0192303 .02581 -0.75 0.456 -.069817 .031356 .37243
taille | -.0822539 .00883 -9.31 0.000 -.099568 -.06494 9.40963
gp*| .2171032 .02533 8.57 0.000 .167467 .26674 .55018
co*| .0437362 .03558 1.23 0.219 -.026005 .113477 .213675
Energie*| -.0008385 .10075 -0.01 0.993 -.198308 .196631 .014333
Interm~s*| .048944 .04563 1.07 0.283 -.040483 .138371 .199186
agri_a~m*| -.0527423 .05571 -0.95 0.344 -.161936 .056451 .081302
consom~n*| .0202809 .05435 0.37 0.709 -.086238 .1268 .086997
Automo~e*| -.1881557 .07793 -2.41 0.016 -.340905 -.035407 .025818
Equipe~t*| -.2996261 .05047 -5.94 0.000 -.398537 -.200715 .097074
Constr~n*| .216857 .06883 3.15 0.002 .081951 .351763 .043561
Commerce*| .0074435 .05181 0.14 0.886 -.094099 .108986 .138914
Transp~t*| .1501067 .06598 2.28 0.023 .020788 .279426 .050133
Finance*| .5376636 .0725 7.42 0.000 .395569 .679758 .028352
Immobi~r*| .1193342 .11599 1.03 0.304 -.108004 .346672 .010577
Sces_E~s*| .1362695 .05012 2.72 0.007 .03804 .234499 .146581
Sce_Pa~s*| .0625675 .07912 0.79 0.429 -.092498 .217633 .02998
Edu_Sa~é*| .8526286 .77374 1.10 0.270 -.663883 2.36914 .000125
Admini~n*| 6.314335 682.02 0.01 0.993 -1330.42 1343.05 .000031
------------------------------------------------------------------------------
205
. xtprobit innorg prsta2xtrdin prsta2xtrdex prsta2xtrmac prot_stra prot_form taille gp
Administration,re

Fitting full model:

avg = 1.2
max = 3
Wald chi2(23) = 3061.34
------------------------------------------------------------------------------
innorg | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
prsta2xtrdin | .2488951 .0139803 17.80 0.000 .2214941 .276296
prsta2xtrdex | -.316441 .0256412 -12.34 0.000 -.3666968 -.2661851
prsta2xtrmac | .3256655 .0157421 20.69 0.000 .2948116 .3565194
prot_stra | .1099682 .0246144 4.47 0.000 .0617248 .1582116
prot_form | .2064015 .0211981 9.74 0.000 .164854 .247949
taille | -.0201384 .0069511 -2.90 0.004 -.0337623 -.0065145
gp | .2548884 .0197436 12.91 0.000 .2161915 .2935852
co | .1957629 .0324791 6.03 0.000 .132105 .2594208
Energie | .3044202 .0794351 3.83 0.000 .1487302 .4601102
Intermedia~s | -.0502173 .038249 -1.31 0.189 -.125184 .0247493
agri_alim | -.1013598 .0457553 -2.22 0.027 -.1910386 -.0116811
consommation | .0003718 .0447839 0.01 0.993 -.087403 .0881465
Automobile | -.0662122 .0633591 -1.05 0.296 -.1903937 .0579694
Equipement | .0669914 .0419244 1.60 0.110 -.0151788 .1491616
Construction | .3956547 .052863 7.48 0.000 .292045 .4992643
Commerce | .0026026 .0415689 0.06 0.950 -.0788709 .0840761
Transport | .2887321 .0509914 5.66 0.000 .1887909 .3886733
Finance | .5355324 .0616247 8.69 0.000 .4147501 .6563147
Immobilier | .4281979 .0864386 4.95 0.000 .2587813 .5976144
Sces_Eses | .2304654 .0411718 5.60 0.000 .1497701 .3111607
Sce_Partic~s | .0626128 .0605171 1.03 0.301 -.0559985 .1812241
Edu_Santé | .4338989 .6877046 0.63 0.528 -.9139774 1.781775
Administra~n | 5.900682 627.4828 0.01 0.992 -1223.943 1235.744
_cons | -.9111393 .0703015 -12.96 0.000 -1.048928 -.7733509
-------------+----------------------------------------------------------------
/lnsig2u | -1.762689 .1899022 -2.13489 -1.390487
-------------+----------------------------------------------------------------
sigma_u | .4142256 .0393312 .343886 .4989528
rho | .1464539 .0237388 .1057516 .19933
------------------------------------------------------------------------------
206
. mfx
= -.2277856
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
prsta2~n | .2488951 .01398 17.80 0.000 .221494 .276296 1.80509
prsta2~x | -.316441 .02564 -12.34 0.000 -.366697 -.266185 .611306
prsta2~c | .3256655 .01574 20.69 0.000 .294812 .356519 .77312
prot_s~a*| .1099682 .02461 4.47 0.000 .061725 .158212 .251682
prot_f~m*| .2064015 .0212 9.74 0.000 .164854 .247949 .372407
taille | -.0201384 .00695 -2.90 0.004 -.033762 -.006514 9.40958
gp*| .2548884 .01974 12.91 0.000 .216192 .293585 .550177
co*| .1957629 .03248 6.03 0.000 .132105 .259421 .213662
Energie*| .3044202 .07944 3.83 0.000 .14873 .46011 .014332
Interm~s*| -.0502173 .03825 -1.31 0.189 -.125184 .024749 .199174
agri_a~m*| -.1013598 .04576 -2.22 0.027 -.191039 -.011681 .081297
consom~n*| .0003718 .04478 0.01 0.993 -.087403 .088147 .086992
Automo~e*| -.0662122 .06336 -1.05 0.296 -.190394 .057969 .025816
Equipe~t*| .0669914 .04192 1.60 0.110 -.015179 .149162 .097068
Constr~n*| .3956547 .05286 7.48 0.000 .292045 .499264 .043559
Commerce*| .0026026 .04157 0.06 0.950 -.078871 .084076 .138905
Transp~t*| .2887321 .05099 5.66 0.000 .188791 .388673 .05013
Finance*| .5355324 .06162 8.69 0.000 .41475 .656315 .028351
Immobi~r*| .4281979 .08644 4.95 0.000 .258781 .597614 .010577
Sces_E~s*| .2304654 .04117 5.60 0.000 .14977 .311161 .146603
Sce_Pa~s*| .0626128 .06052 1.03 0.301 -.055999 .181224 .029978
Edu_Sa~é*| .4338989 .6877 0.63 0.528 -.913977 1.78178 .000125
Admini~n*| 5.900682 627.48 0.01 0.992 -1223.94 1235.74 .000031
------------------------------------------------------------------------------
. predict statinnorg,xb
. xtprobit innmkg prsta2xtrdin prsta2xtrdex prsta2xtrmac prot_stra prot_form taille gp

Administration,re
Fitting full model:
avg = 1.2
max = 3
Wald chi2(23) = 2027.92

207
------------------------------------------------------------------------------
innmkg | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
prsta2xtrdin | .2651868 .0150871 17.58 0.000 .2356165 .294757
prsta2xtrdex | -.5064899 .0279004 -18.15 0.000 -.5611738 -.451806
prsta2xtrmac | .3537866 .0174653 20.26 0.000 .3195553 .3880179
prot_stra | -.0623684 .0265499 -2.35 0.019 -.1144052 -.0103316
prot_form | .5033253 .0240682 20.91 0.000 .4561525 .5504981
taille | .0223309 .0078408 2.85 0.004 .0069632 .0376986
gp | .0708028 .0225629 3.14 0.002 .0265804 .1150252
co | .0728515 .0336774 2.16 0.031 .0068451 .1388579
Energie | .0176582 .0975258 0.18 0.856 -.1734887 .2088052
Intermedia~s | -.1097848 .0454912 -2.41 0.016 -.198946 -.0206236
agri_alim | .5214527 .0529436 9.85 0.000 .4176851 .6252203
consommation | .2880882 .0521345 5.53 0.000 .1859065 .3902699
Automobile | -.1947418 .0755338 -2.58 0.010 -.3427854 -.0466982
Equipement | -.1197713 .0498941 -2.40 0.016 -.217562 -.0219805
Construction | .1787437 .0663309 2.69 0.007 .0487374 .30875
Commerce | .571487 .0496421 11.51 0.000 .4741903 .6687837
Transport | .4406036 .0615508 7.16 0.000 .3199662 .561241
Finance | .6589079 .0677109 9.73 0.000 .526197 .7916188
Immobilier | .7368536 .0966663 7.62 0.000 .5473912 .9263161
Sces_Eses | .4826287 .0490676 9.84 0.000 .3864579 .5787995
Sce_Partic~s | .7683863 .0686455 11.19 0.000 .6338437 .9029289
Edu_Santé | 1.322056 .747273 1.77 0.077 -.1425721 2.786684
Administra~n | -4.222417 586.5306 -0.01 0.994 -1153.801 1145.356
_cons | -2.13246 .0884597 -24.11 0.000 -2.305838 -1.959082
-------------+----------------------------------------------------------------
/lnsig2u | -1.393054 .1710478 -1.728301 -1.057806
-------------+----------------------------------------------------------------
sigma_u | .498313 .0426177 .4214094 .589251
rho | .1989207 .0272567 .150805 .2577289
------------------------------------------------------------------------------
. mfx
= -.99474727
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
prsta2~n | .2651868 .01509 17.58 0.000 .235617 .294757 1.80509
prsta2~x | -.5064899 .0279 -18.15 0.000 -.561174 -.451806 .611306
prsta2~c | .3537866 .01747 20.26 0.000 .319555 .388018 .77312
prot_s~a*| -.0623684 .02655 -2.35 0.019 -.114405 -.010332 .251682
prot_f~m*| .5033253 .02407 20.91 0.000 .456152 .550498 .372407
taille | .0223309 .00784 2.85 0.004 .006963 .037699 9.40958
gp*| .0708028 .02256 3.14 0.002 .02658 .115025 .550177
co*| .0728515 .03368 2.16 0.031 .006845 .138858 .213662
Energie*| .0176582 .09753 0.18 0.856 -.173489 .208805 .014332
Interm~s*| -.1097848 .04549 -2.41 0.016 -.198946 -.020624 .199174
agri_a~m*| .5214527 .05294 9.85 0.000 .417685 .62522 .081297
consom~n*| .2880882 .05213 5.53 0.000 .185907 .39027 .086992
Automo~e*| -.1947418 .07553 -2.58 0.010 -.342785 -.046698 .025816
Equipe~t*| -.1197713 .04989 -2.40 0.016 -.217562 -.021981 .097068
Constr~n*| .1787437 .06633 2.69 0.007 .048737 .30875 .043559
Commerce*| .571487 .04964 11.51 0.000 .47419 .668784 .138905
Transp~t*| .4406036 .06155 7.16 0.000 .319966 .561241 .05013
Finance*| .6589079 .06771 9.73 0.000 .526197 .791619 .028351
Immobi~r*| .7368536 .09667 7.62 0.000 .547391 .926316 .010577
Sces_E~s*| .4826287 .04907 9.84 0.000 .386458 .5788 .146603
Sce_Pa~s*| .7683863 .06865 11.19 0.000 .633844 .902929 .029978
Edu_Sa~é*| 1.322056 .74727 1.77 0.077 -.142572 2.78668 .000125
Admini~n*| -4.222417 586.53 -0.01 0.994 -1153.8 1145.36 .000031
------------------------------------------------------------------------------
208
. predict statinnmkg,xb
. xtprobit innpdt innpdt_1 prdynwo2lnrdin prdynwo2lnrdex prdynwo2lnrmac lrdinx_1

lrdexx_1 lrmacx_1 prot_stra prot_form taille gp co Energie Intermediaires agri_alim
consommation Automobile Equipement Construction Commerce Transport Finance Immobilier
Sces_Eses Sce_Particuliers Edu_Santé Administration innpdt0 m_pform m_pstra m_taille
m_gp m_co,re
note: Transport omitted because of collinearity
note: Immobilier omitted because of collinearity
note: Sce_Particuliers omitted because of collinearity
note: Edu_Santé omitted because of collinearity
note: Administration omitted because of collinearity
Fitting full model:
avg = 1.2
max = 2
Wald chi2(28) = 301.76
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
innpdt_1 | .8277708 .1616716 5.12 0.000 .5109002 1.144641
prdynwo2ln~n | .7794003 .0627148 12.43 0.000 .6564816 .902319
prdynwo2ln~x | -.4574118 .0705007 -6.49 0.000 -.5955906 -.319233
prdynwo2ln~c | .0304576 .0575029 0.53 0.596 -.0822459 .1431612
lrdinx_1 | -.1516721 .0182937 -8.29 0.000 -.1875272 -.115817
lrdexx_1 | .0221961 .021994 1.01 0.313 -.0209113 .0653036
lrmacx_1 | .0398887 .0183942 2.17 0.030 .0038367 .0759406
prot_stra | -.0080335 .1079638 -0.07 0.941 -.2196387 .2035718
prot_form | .1402757 .1100801 1.27 0.203 -.0754774 .3560288
taille | .1921061 .1408431 1.36 0.173 -.0839412 .4681534
gp | -.121014 .1464807 -0.83 0.409 -.408111 .1660829
co | .5240498 .1304666 4.02 0.000 .26834 .7797595
Energie | -.3550772 .1958991 -1.81 0.070 -.7390324 .028878
Intermedia~s | .1766453 .1287687 1.37 0.170 -.0757368 .4290274
agri_alim | .2186478 .1453436 1.50 0.132 -.0662204 .503516
consommation | .138401 .1413397 0.98 0.327 -.1386198 .4154217
Automobile | .2160116 .1775454 1.22 0.224 -.1319711 .5639943
Equipement | .1369498 .1394615 0.98 0.326 -.1363897 .4102893
Construction | -6.258175 830.1292 -0.01 0.994 -1633.282 1620.765
Commerce | -.4365067 .3107878 -1.40 0.160 -1.04564 .1726261
Transport | (omitted)
Finance | .1385497 .1983635 0.70 0.485 -.2502356 .527335
Immobilier | (omitted)
Sces_Eses | .0316049 .1980758 0.16 0.873 -.3566165 .4198263
Sce_Partic~s | (omitted)
Edu_Santé | (omitted)
Administra~n | (omitted)
209
innpdt0 | -.3731422 .1665713 -2.24 0.025 -.6996159 -.0466686
m_pform | .0628513 .1481507 0.42 0.671 -.2275188 .3532213
m_pstra | -.3216505 .1600572 -2.01 0.044 -.6353568 -.0079442
m_taille | -.1518853 .1437462 -1.06 0.291 -.4336227 .1298521
m_gp | -.0272172 .177323 -0.15 0.878 -.3747639 .3203296
m_co | -.1923929 .1671359 -1.15 0.250 -.5199732 .1351874
_cons | -2.390311 .317816 -7.52 0.000 -3.013219 -1.767403
-------------+----------------------------------------------------------------
/lnsig2u | -2.738997 2.196317 -7.0437 1.565705
-------------+----------------------------------------------------------------
sigma_u | .2542344 .2791897 .0295447 2.187704
rho | .060711 .1252455 .0008721 .8271705
------------------------------------------------------------------------------
. mfx
= -.25686045
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
innpdt_1*| .8277708 .16167 5.12 0.000 .5109 1.14464 .416138
~2lnrdin | .7794003 .06271 12.43 0.000 .656482 .902319 2.82001
~2lnrdex | -.4574118 .0705 -6.49 0.000 -.595591 -.319233 1.02586
prdynw~c | .0304576 .0575 0.53 0.596 -.082246 .143161 1.20609
lrdinx_1 | -.1516721 .01829 -8.29 0.000 -.187527 -.115817 2.77746
lrdexx_1 | .0221961 .02199 1.01 0.313 -.020911 .065304 1.05012
lrmacx_1 | .0398887 .01839 2.17 0.030 .003837 .075941 .83821
prot_s~a*| -.0080335 .10796 -0.07 0.941 -.219639 .203572 .369577
prot_f~m*| .1402757 .11008 1.27 0.203 -.075477 .356029 .510053
taille | .1921061 .14084 1.36 0.173 -.083941 .468153 10.3961
gp*| -.121014 .14648 -0.83 0.409 -.408111 .166083 .710317
co*| .5240498 .13047 4.02 0.000 .26834 .77976 .32037
Energie*| -.3550772 .1959 -1.81 0.070 -.739032 .028878 .048148
Interm~s*| .1766453 .12877 1.37 0.170 -.075737 .429027 .310847
agri_a~m*| .2186478 .14534 1.50 0.132 -.06622 .503516 .133598
consom~n*| .138401 .14134 0.98 0.327 -.13862 .415422 .151323
Automo~e*| .2160116 .17755 1.22 0.224 -.131971 .563994 .058466
Equipe~t*| .1369498 .13946 0.98 0.326 -.13639 .410289 .147354
Constr~n*| -6.258175 830.13 -0.01 0.994 -1633.28 1620.77 .000265
Commerce*| -.4365067 .31079 -1.40 0.160 -1.04564 .172626 .016402
Finance*| .1385497 .19836 0.70 0.485 -.250236 .527335 .034392
Sces_E~s*| .0316049 .19808 0.16 0.873 -.356616 .419826 .041799
innpdt0*| -.3731422 .16657 -2.24 0.025 -.699616 -.046669 .400529
m_pform | .0628513 .14815 0.42 0.671 -.227519 .353221 .502249
m_pstra | -.3216505 .16006 -2.01 0.044 -.635357 -.007944 .342901
m_taille | -.1518853 .14375 -1.06 0.291 -.433623 .129852 10.3576
m_gp | -.0272172 .17732 -0.15 0.878 -.374764 .32033 .664506
m_co | -.1923929 .16714 -1.15 0.250 -.519973 .135187 .302381
------------------------------------------------------------------------------
. predict dyninnpdt,xb
. xtprobit innpcd innpcd_1 prdynwo2lnrdin prdynwo2lnrdex prdynwo2lnrmac lrdinx_1

Sces_Eses Sce_Particuliers Edu_Santé Administration innpcd0 m_pform m_pstra m_taille
m_gp m_co,re
210
Fitting full model:

avg = 1.2
max = 2
Wald chi2(28) = 319.41
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
innpcd_1 | .3169366 .1471829 2.15 0.031 .0284635 .6054097
prdynwo2ln~n | .2638478 .0384487 6.86 0.000 .1884898 .3392059
prdynwo2ln~x | -.136149 .0593709 -2.29 0.022 -.2525138 -.0197842
prdynwo2ln~c | .8615189 .0823328 10.46 0.000 .7001496 1.022888
lrdinx_1 | -.0692787 .0156876 -4.42 0.000 -.1000257 -.0385316
lrdexx_1 | -.0251242 .0192121 -1.31 0.191 -.0627791 .0125307
lrmacx_1 | -.0867944 .016918 -5.13 0.000 -.1199531 -.0536357
prot_stra | .0050477 .0975053 0.05 0.959 -.1860592 .1961546
prot_form | -.075084 .1032953 -0.73 0.467 -.2775391 .1273711
taille | -.0967251 .1240036 -0.78 0.435 -.3397677 .1463175
gp | .298198 .1339812 2.23 0.026 .0355996 .5607963
co | .0135384 .109275 0.12 0.901 -.2006366 .2277134
Energie | .0761075 .1719765 0.44 0.658 -.2609603 .4131752
Intermedia~s | .2026952 .111328 1.82 0.069 -.0155037 .4208942
agri_alim | .2237443 .1299874 1.72 0.085 -.0310262 .4785149
consommation | .1531034 .1251849 1.22 0.221 -.0922545 .3984613
Automobile | -.0616064 .15709 -0.39 0.695 -.3694971 .2462843
Equipement | -.0289754 .11828 -0.24 0.806 -.2608 .2028492
Construction | 3.790472 712.2628 0.01 0.996 -1392.219 1399.8
Commerce | .421222 .2609545 1.61 0.106 -.0902394 .9326835
Finance | .1642146 .1866493 0.88 0.379 -.2016113 .5300404
Sces_Eses | .0713833 .1705365 0.42 0.676 -.262862 .4056286
innpcd0 | .2275512 .1608941 1.41 0.157 -.0877955 .5428978
m_pform | -.1688692 .1362467 -1.24 0.215 -.4359078 .0981695
m_pstra | -.1301506 .1398857 -0.93 0.352 -.4043215 .1440203
m_taille | .1073724 .1272117 0.84 0.399 -.1419579 .3567027
m_gp | -.2825518 .1609615 -1.76 0.079 -.5980306 .032927
m_co | -.1679429 .1470486 -1.14 0.253 -.4561528 .120267
_cons | -1.922466 .2852095 -6.74 0.000 -2.481467 -1.363466
-------------+----------------------------------------------------------------
/lnsig2u | -2.50022 1.860415 -6.146567 1.146128
-------------+----------------------------------------------------------------
sigma_u | .2864734 .2664797 .046269 1.773693
211
rho | .0758428 .1303977 .0021362 .7588029
------------------------------------------------------------------------------
. mfx
= -.3343063
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
innpcd_1*| .3169366 .14718 2.15 0.031 .028463 .60541 .365608
~2lnrdin | .2638478 .03845 6.86 0.000 .18849 .339206 2.82001
~2lnrdex | -.136149 .05937 -2.29 0.022 -.252514 -.019784 1.02586
prdynw~c | .8615189 .08233 10.46 0.000 .70015 1.02289 1.20609
lrdinx_1 | -.0692787 .01569 -4.42 0.000 -.100026 -.038532 2.77746
lrdexx_1 | -.0251242 .01921 -1.31 0.191 -.062779 .012531 1.05012
lrmacx_1 | -.0867944 .01692 -5.13 0.000 -.119953 -.053636 .83821
prot_s~a*| .0050477 .09751 0.05 0.959 -.186059 .196155 .369577
prot_f~m*| -.075084 .1033 -0.73 0.467 -.277539 .127371 .510053
taille | -.0967251 .124 -0.78 0.435 -.339768 .146318 10.3961
gp*| .298198 .13398 2.23 0.026 .0356 .560796 .710317
co*| .0135384 .10927 0.12 0.901 -.200637 .227713 .32037
Energie*| .0761075 .17198 0.44 0.658 -.26096 .413175 .048148
Interm~s*| .2026952 .11133 1.82 0.069 -.015504 .420894 .310847
agri_a~m*| .2237443 .12999 1.72 0.085 -.031026 .478515 .133598
consom~n*| .1531034 .12518 1.22 0.221 -.092254 .398461 .151323
Automo~e*| -.0616064 .15709 -0.39 0.695 -.369497 .246284 .058466
Equipe~t*| -.0289754 .11828 -0.24 0.806 -.2608 .202849 .147354
Constr~n*| 3.790472 712.26 0.01 0.996 -1392.22 1399.8 .000265
Commerce*| .421222 .26095 1.61 0.106 -.090239 .932684 .016402
Finance*| .1642146 .18665 0.88 0.379 -.201611 .53004 .034392
Sces_E~s*| .0713833 .17054 0.42 0.676 -.262862 .405629 .041799
innpcd0*| .2275512 .16089 1.41 0.157 -.087796 .542898 .32381
m_pform | -.1688692 .13625 -1.24 0.215 -.435908 .098169 .502249
m_pstra | -.1301506 .13989 -0.93 0.352 -.404321 .14402 .342901
m_taille | .1073724 .12721 0.84 0.399 -.141958 .356703 10.3576
m_gp | -.2825518 .16096 -1.76 0.079 -.598031 .032927 .664506
m_co | -.1679429 .14705 -1.14 0.253 -.456153 .120267 .302381
------------------------------------------------------------------------------
. predict dyninnpcd,xb
. xtprobit innorg innorg_1 prdynwo2lnrdin prdynwo2lnrdex prdynwo2lnrmac lrdinx_1

Sces_Eses Sce_Particuliers Edu_Santé Administration innpcd0 m_pform m_pstra m_taille
m_gp m_co,re


212

Fitting full model:
avg = 1.2
max = 2
Wald chi2(28) = 776.53
------------------------------------------------------------------------------
innorg | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
innorg_1 | .27051 .0505181 5.35 0.000 .1714963 .3695237
prdynwo2ln~n | .0995849 .0302189 3.30 0.001 .0403568 .1588129
prdynwo2ln~x | -.0763933 .0499945 -1.53 0.127 -.1743808 .0215941
prdynwo2ln~c | .2768659 .0462329 5.99 0.000 .186251 .3674808
lrdinx_1 | -.023795 .0128863 -1.85 0.065 -.0490516 .0014616
lrdexx_1 | .0056318 .0164863 0.34 0.733 -.0266808 .0379444
lrmacx_1 | .0020128 .0139215 0.14 0.885 -.0252729 .0292984
prot_stra | .0695864 .0820724 0.85 0.397 -.0912725 .2304453
prot_form | .2091467 .0828019 2.53 0.012 .046858 .3714354
taille | .2915495 .1015103 2.87 0.004 .092593 .490506
gp | -.00327 .1019305 -0.03 0.974 -.2030501 .1965102
co | .0727898 .0991435 0.73 0.463 -.1215279 .2671075
Energie | .13841 .1313069 1.05 0.292 -.1189469 .3957669
Intermedia~s | -.0631059 .0863252 -0.73 0.465 -.2323002 .1060884
agri_alim | -.1127828 .0998898 -1.13 0.259 -.3085632 .0829976
consommation | .0269904 .0964188 0.28 0.780 -.161987 .2159678
Automobile | .0191517 .1217051 0.16 0.875 -.219386 .2576894
Equipement | .0522737 .0941291 0.56 0.579 -.132216 .2367635
Construction | 5.332592 22530.24 0.00 1.000 -44153.13 44163.79
Commerce | -.005632 .1942989 -0.03 0.977 -.3864508 .3751868
Finance | -.0053878 .1528822 -0.04 0.972 -.3050313 .2942557
Sces_Eses | -.0579492 .1366968 -0.42 0.672 -.3258699 .2099716
innpcd0 | .1704166 .0592512 2.88 0.004 .0542865 .2865467
m_pform | -.2006892 .109219 -1.84 0.066 -.4147546 .0133762
m_pstra | .1566372 .1163111 1.35 0.178 -.0713284 .3846028
m_taille | -.271727 .1040041 -2.61 0.009 -.4755713 -.0678827
m_gp | .0587433 .124771 0.47 0.638 -.1858034 .3032899
213
m_co | .0324106 .1274553 0.25 0.799 -.2173972 .2822183
_cons | -.8564228 .1946953 -4.40 0.000 -1.238018 -.4748271
-------------+----------------------------------------------------------------
/lnsig2u | -11.12055 14.92683 -40.37659 18.1355
-------------+----------------------------------------------------------------
sigma_u | .0038477 .0287172 1.71e-09 8671.075
rho | .0000148 .000221 2.92e-18 1
------------------------------------------------------------------------------
Likelihood-ratio test of rho=0: chibar2(01) = 2.4e-04 Prob >= chibar2 = 0.494
. mfx
= .15372617
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
innorg_1*| .27051 .05052 5.35 0.000 .171496 .369524 .450265
~2lnrdin | .0995849 .03022 3.30 0.001 .040357 .158813 2.82001
~2lnrdex | -.0763933 .04999 -1.53 0.127 -.174381 .021594 1.02586
prdynw~c | .2768659 .04623 5.99 0.000 .186251 .367481 1.20609
lrdinx_1 | -.023795 .01289 -1.85 0.065 -.049052 .001462 2.77746
lrdexx_1 | .0056318 .01649 0.34 0.733 -.026681 .037944 1.05012
lrmacx_1 | .0020128 .01392 0.14 0.885 -.025273 .029298 .83821
prot_s~a*| .0695864 .08207 0.85 0.397 -.091273 .230445 .369577
prot_f~m*| .2091467 .0828 2.53 0.012 .046858 .371435 .510053
taille | .2915495 .10151 2.87 0.004 .092593 .490506 10.3961
gp*| -.00327 .10193 -0.03 0.974 -.20305 .19651 .710317
co*| .0727898 .09914 0.73 0.463 -.121528 .267108 .32037
Energie*| .13841 .13131 1.05 0.292 -.118947 .395767 .048148
Interm~s*| -.0631059 .08633 -0.73 0.465 -.2323 .106088 .310847
agri_a~m*| -.1127828 .09989 -1.13 0.259 -.308563 .082998 .133598
consom~n*| .0269904 .09642 0.28 0.780 -.161987 .215968 .151323
Automo~e*| .0191517 .12171 0.16 0.875 -.219386 .257689 .058466
Equipe~t*| .0522737 .09413 0.56 0.579 -.132216 .236763 .147354
Constr~n*| 5.332592 22530 0.00 1.000 -44153.1 44163.8 .000265
Commerce*| -.005632 .1943 -0.03 0.977 -.386451 .375187 .016402
Finance*| -.0053878 .15288 -0.04 0.972 -.305031 .294256 .034392
Sces_E~s*| -.0579492 .1367 -0.42 0.672 -.32587 .209972 .041799
innpcd0*| .1704166 .05925 2.88 0.004 .054286 .286547 .32381
m_pform | -.2006892 .10922 -1.84 0.066 -.414755 .013376 .502249
m_pstra | .1566372 .11631 1.35 0.178 -.071328 .384603 .342901
m_taille | -.271727 .104 -2.61 0.009 -.475571 -.067883 10.3576
m_gp | .0587433 .12477 0.47 0.638 -.185803 .30329 .664506
m_co | .0324106 .12746 0.25 0.799 -.217397 .282218 .302381
------------------------------------------------------------------------------
. predict dyninnorg,xb
. xtprobit innmkg innmkg_1 prdynwo2lnrdin prdynwo2lnrdex prdynwo2lnrmac lrdinx_1

Sces_Eses Sce_Particuliers Edu_Santé Administration innmkg0 m_pform m_pstra m_taille m_gp
m_co,re
214
Fitting full model:

avg = 1.2
max = 2
Wald chi2(28) = 771.61
------------------------------------------------------------------------------
innmkg | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
innmkg_1 | .6850401 .1058319 6.47 0.000 .4776134 .8924667
prdynwo2ln~n | .1306838 .030078 4.34 0.000 .071732 .1896356
prdynwo2ln~x | -.1755623 .0472869 -3.71 0.000 -.2682428 -.0828818
prdynwo2ln~c | .1407326 .0454027 3.10 0.002 .051745 .2297203
lrdinx_1 | -.0344832 .0130422 -2.64 0.008 -.0600455 -.0089209
lrdexx_1 | .0175937 .0157963 1.11 0.265 -.0133664 .0485538
lrmacx_1 | -.0217589 .0130786 -1.66 0.096 -.0473925 .0038747
prot_stra | .0334265 .083949 0.40 0.691 -.1311106 .1979636
prot_form | .2980783 .0851894 3.50 0.000 .1311102 .4650464
taille | .142717 .1033906 1.38 0.167 -.0599249 .3453589
gp | -.1763726 .1094095 -1.61 0.107 -.3908114 .0380661
co | .2783443 .0962855 2.89 0.004 .0896282 .4670604
Energie | -.5444282 .1468921 -3.71 0.000 -.8323315 -.256525
Intermedia~s | -.3751365 .0907065 -4.14 0.000 -.552918 -.197355
agri_alim | -.0371568 .1035802 -0.36 0.720 -.2401701 .1658566
consommation | -.0632955 .099877 -0.63 0.526 -.2590508 .1324598
Automobile | -.5112317 .129211 -3.96 0.000 -.7644806 -.2579827
Equipement | -.3761269 .099446 -3.78 0.000 -.5710376 -.1812163
Construction | -7.319846 19940.08 -0.00 1.000 -39089.15 39074.51
Commerce | -.0385051 .2054584 -0.19 0.851 -.4411961 .364186
Finance | .5388852 .1529549 3.52 0.000 .2390991 .8386714
Sces_Eses | -.0641595 .141007 -0.46 0.649 -.3405281 .2122091
innmkg0 | .0076539 .1147717 0.07 0.947 -.2172944 .2326022
m_pform | .3508886 .1134086 3.09 0.002 .1286118 .5731655
m_pstra | -.0661217 .1174152 -0.56 0.573 -.2962511 .1640078
m_taille | -.0526414 .1056701 -0.50 0.618 -.2597509 .1544681
m_gp | .0191457 .1331056 0.14 0.886 -.2417365 .2800279
m_co | -.1176751 .1245393 -0.94 0.345 -.3617677 .1264174
_cons | -1.86941 .2097459 -8.91 0.000 -2.280505 -1.458316
-------------+----------------------------------------------------------------
215
/lnsig2u | -11.17748 13.86736 -38.357 16.00204
-------------+----------------------------------------------------------------
sigma_u | .0037397 .0259302 4.69e-09 2984.006
rho | .000014 .0001939 2.20e-17 .9999999
------------------------------------------------------------------------------
Likelihood-ratio test of rho=0: chibar2(01) = 2.7e-04 Prob >= chibar2 = 0.493
. mfx

= -.50945937
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
innmkg_1*| .6850401 .10583 6.47 0.000 .477613 .892467 .187037
~2lnrdin | .1306838 .03008 4.34 0.000 .071732 .189636 2.82001
~2lnrdex | -.1755623 .04729 -3.71 0.000 -.268243 -.082882 1.02586
prdynw~c | .1407326 .0454 3.10 0.002 .051745 .22972 1.20609
lrdinx_1 | -.0344832 .01304 -2.64 0.008 -.060046 -.008921 2.77746
lrdexx_1 | .0175937 .0158 1.11 0.265 -.013366 .048554 1.05012
lrmacx_1 | -.0217589 .01308 -1.66 0.096 -.047393 .003875 .83821
prot_s~a*| .0334265 .08395 0.40 0.691 -.131111 .197964 .369577
prot_f~m*| .2980783 .08519 3.50 0.000 .13111 .465046 .510053
taille | .142717 .10339 1.38 0.167 -.059925 .345359 10.3961
gp*| -.1763726 .10941 -1.61 0.107 -.390811 .038066 .710317
co*| .2783443 .09629 2.89 0.004 .089628 .46706 .32037
Energie*| -.5444282 .14689 -3.71 0.000 -.832331 -.256525 .048148
Interm~s*| -.3751365 .09071 -4.14 0.000 -.552918 -.197355 .310847
agri_a~m*| -.0371568 .10358 -0.36 0.720 -.24017 .165857 .133598
consom~n*| -.0632955 .09988 -0.63 0.526 -.259051 .13246 .151323
Automo~e*| -.5112317 .12921 -3.96 0.000 -.764481 -.257983 .058466
Equipe~t*| -.3761269 .09945 -3.78 0.000 -.571038 -.181216 .147354
Constr~n*| -7.319846 19940 -0.00 1.000 -39089.2 39074.5 .000265
Commerce*| -.0385051 .20546 -0.19 0.851 -.441196 .364186 .016402
Finance*| .5388852 .15295 3.52 0.000 .239099 .838671 .034392
Sces_E~s*| -.0641595 .14101 -0.46 0.649 -.340528 .212209 .041799
innmkg0*| .0076539 .11477 0.07 0.947 -.217294 .232602 .151058
m_pform | .3508886 .11341 3.09 0.002 .128612 .573165 .502249
m_pstra | -.0661217 .11742 -0.56 0.573 -.296251 .164008 .342901
m_taille | -.0526414 .10567 -0.50 0.618 -.259751 .154468 10.3576
m_gp | .0191457 .13311 0.14 0.886 -.241736 .280028 .664506
m_co | -.1176751 .12454 -0.94 0.345 -.361768 .126417 .302381
------------------------------------------------------------------------------
. predict dyninnmkg,xb
C.5 Estimation des équations de la

productivité
.xtreg prod dyninnpdt dyninnpcd dyninnmkg dyninnorg innpdt_1 innpcd_1 innorg_1
innmkg_1 taille Energie Intermediaires agri_alim consommation Automobile
Equipement Construction Commerce Transport Finance Immobilier Sces_Eses
Sce_Particuliers Edu_Santé Administration,re
between = 0.4175 avg = 1.2
216
Wald chi2(19) = 2572.73
------------------------------------------------------------------------------
prod | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
dyninnpdt | -.0120731 .0139228 -0.87 0.386 -.0393613 .0152152
dyninnpcd | -.0368871 .0169239 -2.18 0.029 -.0700573 -.0037168
dyninnmkg | -.0368628 .0378784 -0.97 0.330 -.111103 .0373775
dyninnorg | .1119344 .0458906 2.44 0.015 .0219905 .2018783
innpdt_1 | -.0316713 .0174447 -1.82 0.069 -.0658622 .0025197
innpcd_1 | .0037231 .0136189 0.27 0.785 -.0229694 .0304157
innorg_1 | -.058207 .0174112 -3.34 0.001 -.0923324 -.0240816
innmkg_1 | .1079324 .0290268 3.72 0.000 .051041 .1648238
taille | .3237512 .0084414 38.35 0.000 .3072063 .3402961
Energie | .1733271 .0720172 2.41 0.016 .032176 .3144783
Intermedia~s | -.2392526 .0452413 -5.29 0.000 -.3279239 -.1505812
agri_alim | .1017161 .0505549 2.01 0.044 .0026303 .2008019
consommation | -.1931708 .0459369 -4.21 0.000 -.2832055 -.103136
Automobile | -.0618017 .0630008 -0.98 0.327 -.1852809 .0616776
Equipement | -.2715298 .0489988 -5.54 0.000 -.3675657 -.1754938
Construction | -1.169612 .7591987 -1.54 0.123 -2.657614 .3183904
Commerce | .3972577 .0907269 4.38 0.000 .2194361 .5750792
Finance | -.4498695 .0721119 -6.24 0.000 -.5912061 -.3085328
Sces_Eses | -.4227833 .0642696 -6.58 0.000 -.5487494 -.2968172
_cons | 2.017546 .0929982 21.69 0.000 1.835273 2.199819
-------------+----------------------------------------------------------------
sigma_u | .61838691
sigma_e | .13684767
------------------------------------------------------------------------------
. xtreg prod statinnpdt statinnpcd statinnorg statinnmkg taille Energie Intermediaires

agri_alim consommation Automobile Equipement Construction Commerce Transport Finance
Immobilier Sces_Eses Sce_Particuliers Edu_Santé Administration,re

between = 0.4552 avg = 1.2
Wald chi2(20) = 23958.76
------------------------------------------------------------------------------
prod | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
statinnpdt | -.0314654 .0092269 -3.41 0.001 -.0495498 -.0133809
statinnpcd | .0423864 .0086739 4.89 0.000 .0253859 .0593868
statinnorg | -.1481246 .0287805 -5.15 0.000 -.2045333 -.0917159
statinnmkg | .1230985 .0173908 7.08 0.000 .0890131 .1571839
taille | .3481683 .0029908 116.41 0.000 .3423065 .3540302
Energie | .3151548 .044626 7.06 0.000 .2276894 .4026202
Intermedia~s | -.1082182 .0182002 -5.95 0.000 -.14389 -.0725464
agri_alim | .0621407 .0253447 2.45 0.014 .0124661 .1118154
consommation | -.1768117 .0231197 -7.65 0.000 -.2221256 -.1314979
Automobile | -.0406006 .0343163 -1.18 0.237 -.1078594 .0266581
Equipement | -.0719316 .0206068 -3.49 0.000 -.1123202 -.031543
Construction | -.1185917 .0300685 -3.94 0.000 -.1775249 -.0596586
Commerce | .2806332 .0237504 11.82 0.000 .2340832 .3271831
Transport | -.3017754 .027293 -11.06 0.000 -.3552687 -.2482821
217
Finance | -.208165 .0334645 -6.22 0.000 -.2737542 -.1425757
Immobilier | .0233417 .0474648 0.49 0.623 -.0696875 .1163709
Sces_Eses | -.4992871 .0213849 -23.35 0.000 -.5412008 -.4573734
Sce_Partic~s | -.3750585 .0325864 -11.51 0.000 -.4389267 -.3111902
Edu_Santé | -.6310572 .3768782 -1.67 0.094 -1.369725 .1076104
Administra~n | .3851293 .7860462 0.49 0.624 -1.155493 1.925751
_cons | 1.923099 .0377893 50.89 0.000 1.849033 1.997164
-------------+----------------------------------------------------------------
sigma_u | .69629743
sigma_e | .26379732
------------------------------------------------------------------------------
. estimates store statre
. xtreg prod statinnpdt statinnpcd statinnorg statinnmkg taille Energie Intermediaires

agri_alim consommation Automobile Equipement Construction Commerce Transport Finance
Immobilier Sces_Eses Sce_Particuliers Edu_Santé Administration,fe

note: Finance omitted because of collinearity
Fixed-effects (within) regression Number of obs = 31957

between = 0.3572 avg = 1.2
F(15,5145) = 176.97
corr(u_i, Xb) = -0.4624 Prob > F = 0.0000
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
statinnpdt | -.0528484 .0114477 -4.62 0.000 -.0752907 -.0304061
statinnpcd | .0481905 .0115817 4.16 0.000 .0254854 .0708957
statinnorg | -.0163497 .0364743 -0.45 0.654 -.0878549 .0551555
statinnmkg | .0529096 .0228932 2.31 0.021 .0080293 .0977899
taille | .5565469 .0112651 49.40 0.000 .5344626 .5786313
Energie | -.0171053 .0832707 -0.21 0.837 -.1803513 .1461406
Intermedia~s | .0099258 .0390213 0.25 0.799 -.0665726 .0864242
agri_alim | -.0223571 .0842324 -0.27 0.791 -.1874885 .1427743
consommation | -.0984692 .0652388 -1.51 0.131 -.2263649 .0294265
Automobile | .0855033 .08974 0.95 0.341 -.0904253 .261432
Equipement | .0340588 .0433393 0.79 0.432 -.0509048 .1190223
Construction | .816213 .3794344 2.15 0.032 .0723602 1.560066
Commerce | -.0421952 .0563018 -0.75 0.454 -.1525706 .0681801
Finance | (omitted)
Sces_Eses | .0444063 .0589085 0.75 0.451 -.0710795 .1598921
Sce_Partic~s | -.4155161 .3826087 -1.09 0.278 -1.165592 .3345595
_cons | -.2523052 .1140767 -2.21 0.027 -.4759441 -.0286663
-------------+----------------------------------------------------------------
sigma_u | .8820882
sigma_e | .26379732
------------------------------------------------------------------------------
F test that all u_i=0: F(26796, 5145) = 8.86 Prob > F = 0.0000
218
. estimates store statfe
. hausman statfe statre
---- Coefficients ----

| (b) (B) (b-B) sqrt(diag(V_b-V_B))
| statfe statre Difference S.E.
-------------+----------------------------------------------------------------
statinnpdt | -.0528484 -.0314654 -.021383 .0067759
statinnpcd | .0481905 .0423864 .0058042 .0076747
statinnorg | -.0163497 -.1481246 .1317749 .0224067
statinnmkg | .0529096 .1230985 -.0701889 .0148881
taille | .5565469 .3481683 .2083786 .0108608
Energie | -.0171053 .3151548 -.3322602 .0703031
Intermedia~s | .0099258 -.1082182 .118144 .0345169
agri_alim | -.0223571 .0621407 -.0844979 .080329
consommation | -.0984692 -.1768117 .0783426 .0610047
Automobile | .0855033 -.0406006 .126104 .0829196
Equipement | .0340588 -.0719316 .1059904 .0381269
Construction | .816213 -.1185917 .9348048 .3782412
Commerce | -.0421952 .2806332 -.3228284 .0510471
Sces_Eses | .0444063 -.4992871 .5436934 .0548899
Sce_Partic~s | -.4155161 -.3750585 -.0404576 .3812184
------------------------------------------------------------------------------
b = consistent under Ho and Ha; obtained from xtreg
B = inconsistent under Ha, efficient under Ho; obtained from xtreg
Test: Ho: difference in coefficients not systematic
chi2(15) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 762.23
Prob>chi2 = 0.0000
. xtreg prod dyninnpdt dyninnpcd dyninnmkg dyninnorg innpdt_1 innpcd_1 innorg_1 innmkg_1
taille Energie Intermediaires agri_alim consommation Automobile Equipement Construction
Administration,fe
note: Energie omitted because of collinearity
note: agri_alim omitted because of collinearity
note: Construction omitted because of collinearity
note: Commerce omitted because of collinearity
note: Finance omitted because of collinearity
note: Sces_Eses omitted because of collinearity
Fixed-effects (within) regression Number of obs = 3780

between = 0.3671 avg = 1.2
F(13,565) = 28.93
corr(u_i, Xb) = -0.5196 Prob > F = 0.0000
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
dyninnpdt | .0127615 .0160569 0.79 0.427 -.0187769 .0443
dyninnpcd | -.002629 .0209572 -0.13 0.900 -.0437926 .0385345
dyninnmkg | -.0693789 .0582399 -1.19 0.234 -.1837721 .0450143
dyninnorg | .0141196 .0679128 0.21 0.835 -.1192727 .1475119
innpdt_1 | -.0220169 .0201594 -1.09 0.275 -.0616135 .0175798
219
innpcd_1 | .0127967 .0153816 0.83 0.406 -.0174154 .0430087
innorg_1 | -.0311503 .0226341 -1.38 0.169 -.0756076 .0133071
innmkg_1 | .1235051 .040906 3.02 0.003 .0431586 .2038515
taille | .5504652 .0376564 14.62 0.000 .4765016 .6244288
Energie | (omitted)
Intermedia~s | -.0370367 .1944156 -0.19 0.849 -.4189022 .3448289
agri_alim | (omitted)
consommation | -.0387407 .1372763 -0.28 0.778 -.3083749 .2308936
Automobile | -.1261871 .2772334 -0.46 0.649 -.6707211 .4183469
Equipement | -.2592856 .1976446 -1.31 0.190 -.6474934 .1289222
Construction | (omitted)
Commerce | (omitted)
Finance | (omitted)
Sces_Eses | (omitted)
_cons | -.4695965 .3944217 -1.19 0.234 -1.244308 .3051153
-------------+----------------------------------------------------------------
sigma_u | .75950141
sigma_e | .13684767
------------------------------------------------------------------------------
F test that all u_i=0: F(3201, 565) = 24.05 Prob > F = 0.0000
. estimates store dynfe
. estimates store dynre
. hausman dynfe dynre
---- Coefficients ----

| (b) (B) (b-B) sqrt(diag(V_b-V_B))
| dynfe dynre Difference S.E.
-------------+----------------------------------------------------------------
dyninnpdt | .0127615 -.0120731 .0248346 .0079986
dyninnpcd | -.002629 -.0368871 .034258 .0123606
dyninnmkg | -.0693789 -.0368628 -.0325161 .0442393
dyninnorg | .0141196 .1119344 -.0978148 .0500619
innpdt_1 | -.0220169 -.0316713 .0096544 .0101038
innpcd_1 | .0127967 .0037231 .0090735 .0071498
innorg_1 | -.0311503 -.058207 .0270567 .0144621
innmkg_1 | .1235051 .1079324 .0155726 .0288228
taille | .5504652 .3237512 .2267141 .036698
Intermedia~s | -.0370367 -.2392526 .2022159 .1890784
consommation | -.0387407 -.1931708 .1544301 .1293622
Automobile | -.1261871 -.0618017 -.0643854 .2699802
Equipement | -.2592856 -.2715298 .0122441 .1914745
------------------------------------------------------------------------------
b = consistent under Ho and Ha; obtained from xtreg
B = inconsistent under Ha, efficient under Ho; obtained from xtreg
Test: Ho: difference in coefficients not systematic
chi2(13) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 78.91
Prob>chi2 = 0.0000
220

Thèses

Transféré par

Droits d'auteur :

Formats disponibles

Thèses

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Thèses

Transféré par

Droits d'auteur :

Formats disponibles

Université de Nice Sophia Antipolis

Institut Supérieur d’Economie et de Management

THESE DE DOCTORAT EN COTUTELLE

Les déterminants de la dynamique de l’innovation :

HAJJEM ZAIER OLFA

Soutenue le 28 Octobre 2015, devant le jury composé de :

MAIRESSE JACQUES Professeur,Université de Maastricht Président

Je souhaite tout d’abord remercier mes directeurs Messieurs Mohamed Ayadi et

m’ont été d’une aide précieuse.

Je remercie également Messieurs Jacques Mairesse, Hatem M’Henni, Pierre Moh-

Je voudrais par ailleurs exprimer ma gratitude aux membres de GREDEG et

Qu’ils en soient tous remerciés.

Liste des tableaux 5

Table des figures 6

1 Cadre d’analyse : Economie des connaissances et supermodularité

2 L’innovation en France : Contexte, typologie et évolution des en-

3 La complémentarité entre les changements organisationnels, l’acti-

4 Effets des innovations technologiques et organisationnelles sur la

5 L’aspect dynamique de l’activité d’innovation 102

A Annexes du chapitre 3 167

B Annexes du chapitre 4 174

C Annexes du chapitre 5 192

3.1 Estimation des modèles probit à variables instrumentales en deux étapes 58

4.1 Liste non exhaustive des travaux sur le rendement de l’innovation . . 77

2.1 Performance d’innovation . . . . . . . . . . . . . . . . . . . . . . . . 35

4.1 Modèle CDM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

5.1 couverture sectorielle . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

Un intérêt ascendant est attribué à la question de l’innovation considérée comme

tégiques gouvernementales. En effet, les critères tels que l’investissement en R&D,

niveau d’exportation, son investissement en R&D et son utilisation des technologies

Cependant, nous assistons à un changement des données disponibles avec l’appa-

lia et Legros, 2005 ; Mohnen et Roller, 2005).

nants de la dynamique d’innovation. Nous souhaitons mettre l’accent sur la nécessité

d’innovation, puis à introduire les innovations organisationnelles (changement dans

giques en produit (innovation ou amélioration significative de biens et services) et en

Cependant, ce modèle statique de l’activité d’innovation ne permet pas de prendre

et exogènes retardées mesurant les inputs et les outputs d’innovation antérieurs.

et en procédé ? Y a-t-il une complémentarité entre l’impact des compétences organi-

Dans un premier chapitre, nous développons notre cadre d’analyse théorique

A fin de trouver un cadre d’analyse adéquat, nous partons de l’analyse de la

conception de la firme comme processeur d’information prenant comme cadre la théo-

les connaissances notamment l’approche des ressources et l’approche stratégique par

démonstration de leur apport à l’étude de l’interdépendance des stratégies d’innova-

En effet, le travail pionnier en économie de Milgrom et Roberts (1990,1995) leur a

permis de montrer qu’en présence de complémentarité l’adoption d’une stratégie sera

changement résultant d’une augmentation des éléments conjointement. Ainsi, il se-

Tout au long de ce chapitre nous présentons un panorama des études théoriques

Dans ce chapitre, nous positionnons l’Union Européenne en matière de recherche

Le reste du chapitre est dédié à la présentation des différents aspects de l’innova-

Dans notre troisième Chapitre nous étudions les déterminants de l’activité

d’innovation et considérons les changements organisationnels comme facteurs com-

Ce chapitre est consacré à l’analyse des déterminants de l’activité d’innovation

des entreprises françaises tout en mettant en exergue l’importance et la complémen-

expliquer les déterminants de la décision d’innover en produit et en procédé et éva-

connaissances), nous testons les conditions de complémentarité de chaque couple de

En tenant compte de ces relations de complémentarité entre les compétences tech-

ganisationnelles sur la productivité dans le quatrième chapitre.

Dans notre quatrième Chapitre nous effectuons une extension du modèle de

d’abord à introduire les investissements en R&D externe et en machines et logiciels