Enjeux de nouvelle économie géographique

1. Enjeux de nouvelle économie géographique

2. Séance 3 : Les enjeux empiriques

3. Organisation de la séance • L’évolution récente de la littérature vers des études plus empiriques. • Les obstacles qui demeurent sur la route d’une méthodologie empirique cohérente. • A travers l’analyse d’études empiriques • En montrant les méthodes développées pour les contourner • En conclusion: Bilan de l’évolution récente de l’économie géographique.

4. Les études initiales • Fujita & Thisse (1996): • « More work is needed to check the robustness of these results, while empirical studies are needed to evaluate their real-world implications » • Krugman (1998): « The empirical frontier » • « An unfortunate feature of much of the ‘new’ theorizing since the 1970s is that it has failed to lead to much validating empirical work » • « Serious empirical work still remains to be carried out »

5. Les études initiales • Ottaviano & Puga (1999) • « The direct test of these models is still at an infant stage. Trade economists are notoriously slow in taking their models to empirical ground, and economic geography has been no exception» • « The single most important direction in which research in this area needs to be extended is empirical testing »

6. L’évolution récente • Head & Mayer (2004): « Although the theory is still being digested, a large new serving of empirical work has arrived over the last five years » • Brakman, Garretsen & Schramm (2006): « we (…) explicitly address the theoretical implications of the empirical findings » • La série d’études de Fingleton (2001, 2003, 2005, 2006)

7. L’évolution récente • Il y a eu augmentation récente des études empiriques testant les prédictions des différents modèles de la NEG • Certains résultats sont très importants (Fingleton) • Mais attention: • Head & Mayer : pas encore de consensus sur les variables dépendantes et les types de régressions • Combes, Duranton & Overman (2005) : « The most policy-relevant issues have attracted the least attention »

8. Les obstacles sur la route d’une économie géographique empirique

9. Les obstacles (et leur contournement!) 1. Les données • Les problèmes de données ( évoqués à la séance 2 ) • L’économétrie spatiale implique l’existence d’une dimension… spatiale! • Or, il existe peu de données macroéconomiques à des niveaux désagrégés (inertie statistique…) • Exemple de variables nécessaires: • Indice des prix, nombre d’entreprise, volumes produits, nombre d’employés, tables intrants-extrants, etc.

10. Les obstacles (et leur contournement!) 1. Les données • Lorsque des données existent, les problèmes demeurent: • Les données utilisent une division discrète de l’espace ⇒ problèmes méthodologiques (plus loin) • Illustration: la division NUTS en Europe • Crée pour l’étude des fonds structurels. • NUTS 1 : 3 à 7 millions d’habitants • NUTS 2 : de 800 000 à 3 millions habitants • NUTS 3 : de 150 000 à 800 000 habitants

11. Les obstacles (et leur contournement!) 1. Les données

12. Les obstacles (et leur contournement!) 1. Les données • Cependant, il y a eu une évolution récente en économétrie: • Les grands panels microéconomiques • Données détaillées d’entreprises ou de ménages • Du à des besoins nouveaux et des capacités informatiques nouvelles • Du point de vue de l’économétrie spatiale, ces données sont souvent « géocodées » • La localisation du répondant est identifiée

13. Les obstacles (et leur contournement!) 1. Les données • Malgré cela, des difficultés subsistent: • C’est une évolution récente donc il y a peu d’années disponibles: c’est un problème pour l’analyse des dynamiques spatiales longues • Problème de distinction entre données firmes et établissements: biais de localisation de l’activité. • En adoptant une approche d’anticipation rationnelle, on peut cependant penser qu’au fil du temps ces problèmes seront réduits.

14. Les obstacles (et leur contournement!) 2. Les méthodes • Les problèmes méthodologiques introduits par l’existence de la variable spatiale • 1. Le problème de la mesure de l’agglomération. • Comment définir/mesurer ce phénomène ? • 2. Il y a des difficultés économétriques induites par la dimension géographique. • L’espace est une variable particulière…

15. Les obstacles (et leur contournement!) 2. Les méthodes • Problème empirique: comment mesurer l’agglomération ? • Cas mono-centrique: • Une seule « ville » • Relativement facile à définir • Mais 2ème exemple: • Agglomération qualitativement différente. • En quoi l’agglomération est elle quantitativement différente?

16. Les obstacles (et leur contournement!) 2. Les méthodes • Première réponse : l’indice de concentration sectoriel d’Ellison & Glaeser (1997) • Question centrale : pour un secteur donné, la répartition géographique observée est elle plus (ou moins!) concentré que ce que l’on peut attendre d’un processus de localisation aléatoire? Indice brut • H : Indice d’Herfindahl • xi : part de l’emploi total en i • si: part de l’emploi sectoriel en i

17. Les obstacles (et leur contournement!) 2. Les méthodes • Cette mesure a un premier problème: • La mesure de l’espace est discrète. • La « grille » utilisée pour diviser la géographie est endogène et fait partie de « l’accident historique » • Donc, biais de mesure! • De plus, ces données peu comparables entre pays car les unités territoriales et les définitions statistiques sont différentes (voir la carte NUTS)

18. Les obstacles (et leur contournement!) 2. Les méthodes • La nature discrète de l’espace a un autre effet: • L’indice ne peut pas distinguer agglomération et concentration spatiale! = =

19. Les obstacles (et leur contournement!) 2. Les méthodes • 2ème problème de l’indice Ellison & Glaeser : • Pas de test statistique fiable • L’évaluation se fait selon les critères suivants: • Concentration significative si: • Dispersion significative si: • Ceci requiert une normale distribution sous-jacente du choix aléatoire (hypothèse alternative) • Des études ont montré que ce n’est pas le cas (distribution biaisée vers la droite), donc le « test » lui-même est biaisé.

20. Les obstacles (et leur contournement!) 2. Les méthodes • Duranton-Overman (2005) ont (partiellement) résolu ces problèmes. • 5 critères définissant un « bon » indice de concentration pour un secteur industriel: • Contrôle pour la concentration du secteur • Contrôle pour le niveau d’agglomération général • N’est pas sensible à l’échelle spatiale utilisée • Doit être comparable entre secteurs • Doit pouvoir être utilisé pour un test statistique

21. Les obstacles (et leur contournement!) 2. Les méthodes • Duranton-Overman (2005) définissent donc une méthodologie pour créer des indices de concentration qui respectent ces 5 critères • En particulier, la dimension temporelle est continue: pas de dépendance à la « grille » spatiale. • La distribution statistique obtenue est elle-même continue, et non discrète. • Ceci permet un test statistique rigoureux, et non pas une règle empirique à la Ellison & Glaeser.

22. Les obstacles (et leur contournement!) 2. Les méthodes • L’indice de Duranton-Overman (2005): • K : « Kernel density function »(convertit un histogramme en PDF) • n : nombre d’entreprises • d : distance moyenne entre 2 entreprises • di,j : distance entre 2 entreprises i et j (continue). • h : bande passante (paramètre de lissage)

23. Les obstacles (et leur contournement!) 2. Les méthodes • Avantage sur Ellison & Glaeser : • On peut obtenir la distribution statistique sous l’hypothèse alternative (choix aléatoire). • Procédure (M. Napoletano, OFCE) : on génère artificiellement 1000 échantillons en redistribuant de manière aléatoire les entreprises sur le territoire, et on calcule la distribution des distances ⇒ceci permet de calculer des intervalles de confiance • Ceci peut être étendu à d’autres choix d’hypothèses alternatives

24. Les obstacles (et leur contournement!) 2. Les méthodes • Autre problème méthodologique: l’auto-corrélation spatiale • Arguments de Le Gallo (2002), économie et prévision • La valeur d’une variable dans une région va être fortement corrélée avec la valeur dans les régions voisines. • Similaire à l’auto-corrélation sérielle classique • Difficulté supplémentaire: l’auto-corrélation spatiale est bidirectionnelle! Donc le traitement est moins facile…

25. Les obstacles (et leur contournement!) 2. Les méthodes • 2 sources possibles à cette auto-corrélation: • Des processus de débordement spatiaux qui dépassent les limites de unités spatiales • Ex: déplacement au travail, mouvement de biens / capitaux entre régions, externalités spatiales, spillovers technologiques) • Une mauvaise spécification du modèle • Variable omise, non-correspondance entre les processus spatiaux étudiés et les unités spatiales utilisées.

26. Les obstacles (et leur contournement!) 2. Les méthodes • Cette particularité crée de nombreux biais et problèmes dans les estimations • Comme pour toute régression ou l’auto-corrélation est présente, l’estimation en MCO n’est pas fiable • Il faut donc être capable : • D’identifier les situations ou il y a auto-corrélation spatiale • De la modéliser correctement pour la contrôler • L’économétrie spatiale s’est développée pour répondre à ces problèmes spécifiques

27. Les obstacles (et leur contournement!) 2. Les méthodes • Méthodes courantes en économétrie spatiale • 1er élément: la matrice W • Matrice qui fournit la connectivité entre les unités spatiales analysées ⇒ fournit la structure spatiale • Elle est utilisée pour corriger les variables (1er cas mentionné) ou les résidus d’estimation (2ème cas) qui sont auto-corrélés spatialement

28. Les obstacles (et leur contournement!) 2. Les méthodes • Méthodes courantes en économétrie spatiale • 2ème élément : la spécification des modèles • Modèle avec variable endogène décalée (SAR) • Modèle d’auto-corrélation des erreurs (SER) • Un modèle général peut contenir ces deux éléments.

29. Les obstacles (et leur contournement!) 2. Les méthodes • Méthodes courantes en économétrie spatiale • Le I de Moran, (version résidus d’estimation) • Test d’auto-corrélation spatiale des résidus, similaire au tests de corrélation sérielle (DW) • Différentes distributions ont été calculés • Cliff et Ord (1973) pour les MCO • Anselin et Kelejian (1997) pour les estimations avec variables instrumentales.

30. Les obstacles (et leur contournement!) 2. Les méthodes • Méthodes courantes en économétrie spatiale • Les différents estimateurs • Anselin (1988): les MCO ne convergent pour les modèles de type SAR. • Donc, différentes techniques ont été développées • Double moindre carrés, sous condition de bons instruments (Kelejian et Prucha 1998) • Maximum de vraisemblance • GMM, plus récent (Kelejian et Prucha 1999) • Voir Fingleton (2003) pour une application

31. Les obstacles (et leur contournement!) 2. Les méthodes • Cependant, il existe écore une « grise », la cointégration spatiale. • Semblable à la cointégration temporelle, mais dans l’espace. • Par analogie avec l’économétrie classique, on pense que cette possibilité existe. • Cependant, aucun test n’a encore été développé • Cet aspect de la recherche en économétrie spatiale doit encore être établi.

32. Les obstacles (et leur contournement!) 3. La théorie • Les problèmes de correspondance entre les prédictions théoriques et la réalité • Probablement l’obstacle le plus important et celui sur lequel beaucoup de travail reste à faire • Exemples : Head & Mayer (2004), Brakman et al (2006) • Ce ne sont pas les seules études, mais celles-ci sont intéressantes car elles reprennent le modèle de Puga (1999), étudié en Séance 1

33. Les obstacles (et leur contournement!) 3. La théorie • L’étude de Head & Mayer (2004) • Basée sur le modèle de Puga (1999) • Cherche à estimer la condition de stabilité du système:

34. Les obstacles (et leur contournement!) 3. La théorie • Méthode: • 21 secteurs, et 2 couples de pays • Triangles: Canada-US • Points: Allemagne -France • Résultat: • Il ne devrait pas y avoir agglomération dans la plupart des cas !!

35. Les obstacles (et leur contournement!) 3. La théorie • Ceci est confirmé par Brakman, Garretsen & Schramm (2006). • Etude qui reproduit l’analyse de Head & Mayer sur les régions NUTS 2. • Utilise l’équation des salaires pour estimer le cout de transport et l’élasticité de substitution σ • Le résultat des estimations sont cohérents avec d’autres études (ex, σ ≈ 4) • Mais, cependant, pas de prédiction théorique d’agglomération…

36. Les obstacles (et leur contournement!) 3. La théorie • Ou est le problème? • La version de Puga utilisée n’a pas de migration. • Les prédictions de Puga (1999) sont dérivées d’un modèle avec 2 régions, 2 secteurs ⇒ Peu transposable à la réalité. • Exemple : Head & Mayer sont obligés de faire l’hypothèse que chaque secteur est le « secteur manufacturé » et que seuls les deux pays commercent. • Ceci est un problème théorique, pas empirique.

37. Les obstacles (et leur contournement!) 4. L’équivalence observationnelle • Et finalement: L’équivalence observationnelle • Encore un problème, même dans les études les plus récentes: • Brakman et al (2006): « The conclusion is that the same empirical facts about agglomeration can be explained using different theoretical approaches » • « [This] leaves unanswered the question of the relevance of NEG and, within NEG, as to the relevance of specific NEG models. »

38. Eléments de conclusion sur la contribution de la NEG

39. Eléments de conclusion • Avant toute choses, ceci est ouvert à commentaires et discussion • L’apport théorique de la NEG est son principal point fort. • Modèles d’équilibre général dynamique • Approche non-linéaire, avec possibilité de transitions catastrophiques • Ceci tranche fortement avec les approches précédentes

40. π σ τ Eléments de conclusion • L’aspect dynamique / non-linéaire est essentiel, et existe potentiellement partout en économie • La science économique initialement basée sur le statique se base maintenant sur le dynamique ⇒ pertinence de la théorie de la catastrophe • On peut provoquer le changement, mais pas le « gérer » une fois lancé (irréversibilité).

41. Eléments de conclusion • On pourrait dire que la NEG a les point faibles de ses points forts • C’est quelque part l’argument de Martin (1999) • La formalisation stricte permet une analyse rigoureuse de la dynamique du modèle… • Mais le caractère catastrophique (du à la non-linéarité / causation cumulative) rend l’étude empirique difficile. • Il faut cependant savoir ce que l’on veut en tant qu’économiste !

42. Eléments de conclusion • Malgré les efforts récents il existe donc encore une divergence entre la théorie et les méthodes qui rend difficile l’évaluation de l’apport de la NEG. • Il y a encore des problèmes de données et de méthodes qui limitent la portée des analyses empiriques

43. Eléments de conclusion • On peut espérer que ces obstacles se lèveront avec le temps • ‘L’inertie statistique’ sur les données ira en diminuant avec le temps • La puissance de calcul devrait encore augmenter de manière exponentielle (au moins un temps) • Les logiciels et algorithmes sont de plus en plus performants • Des techniques économétriques inédites deviennent possible (« brute force methods »)

44. Eléments de conclusion • Plus généralement: l’étude de Brakman et al (2006) montre que le problème principal est inadéquation entre les prédictions théoriques des modèles de base et la réalité statistique: • « We will have to face the difficulties that arise in NEG models when empirical findings are confronted with the underlying model »

45. Eléments de conclusion • Le travail central qui demeure à effectuer est la production, à partir des modèles NEG, de prédictions testables. • Obstacle : Si la NEG fournit un cadre, il est difficile de distinguer les différentes versions. • Conclusion centrale • Il y à encore du travail à faire pour rendre falsifiables les prédictions théoriques (Popper) • Cependant, vu les enjeux théoriques potentiels, cela « vaut le coup » !!