Positionnement concurrentiel des entreprises, concentration des marchés :

Impact sur l’innovation d’entreprise et les brevets

Effet de la concurrence sur la propension à innover des entreprises

Mots clés : Concurrence, compétition, concentration des marchés, position concurrentielle,

compétitivité, innovation de produit, innovation de procédé, brevets, protection de
propriétés intellectuelles.

Notations et abréviations

R&D : recherche et développement

OI : organisation industrielle

NA : nomenclature agrégée (NA17 & NA129 dans ce document)

NAF2 : nomenclature d’activités françaises - révision 2

PDM : part de marché

HHI : indice de HERFINDAHL-HIRSCHMANN

Lt. : abréviation du mot anglais « lag » fournie par le logiciel STATA, utilisé pour le traitement
économétrique des données, et signifiant : retard du « tème »1 ordre sur la variable précédée par ce préfixe.

1
Si aucun ordre du retard n’est explicitement stipulé : la notation « L. » seule signifie un retard d’une seule période.

Concurrence & Innovation Page 1

Résumé :

Cet article porte sur l’étude de la relation entre la concurrence et l’innovation à l’échelle de
l’entreprise. Il s’agit de décrire la nature et l’évolution de l’impact de la concurrence et de la
position concurrentielle d’une entreprise sur sa capacité innovatrice et sa tendance à
breveter en utilisant un panel de 13142 firmes françaises sur une période allant de 1999 à
2010.

La relation est donc abordée en tant qu’impact non seulement de l’intensité concurrentielle
du secteur -mesurée à différents niveaux d’agrégation- mais aussi du niveau concurrentiel
propre à la firme sur sa propension à innover et à breveter.

Les résultats montrent que l’intensité concurrentielle des secteurs a un impact direct sur
son attrait pour l’innovation tandis que le positionnement concurrentiel d’une firme se
répercute sur sa faculté à déposer des brevets.

Par ailleurs, la relation entre la concurrence et l’innovation semble non linéaire et paraît
suivre une courbe concave dans la mesure où l’innovation augmente avec la concurrence
jusqu’à un point maximal puis cette tendance s’inverse et suit un déclin quand la
concurrence devient trop rude.

La position concurrentielle de l’entreprise, quant à elle, augmente la protection des

innovations par les brevets de manière linéaire.

Concurrence & Innovation Page 2

Introduction :

Pourquoi s’intéresser à la concurrence ?

L’innovation, dans une large mesure, découle de la dynamique d’un système de recherche
alliant recherche fondamentale en amont et recherche appliquée en aval.

La recherche fondamentale est généralement du ressort du secteur public : universités,

organismes et centres de recherche publics, instituts et laboratoires de soutien à la recherche.
Ceux-ci investissent dans la recherche théorique dite « fondamentale » qui s’amorce en
amont de la recherche appliquée.

La recherche fondamentale produit les connaissances de base utiles à la recherche appliquée

qui donnera lieu à des connaissances plus « commerciales » car incorporées dans des
innovations tangibles et/ou des propriétés intellectuelles et industrielles.

La recherche appliquée est donc portée le plus souvent par l’économie marchande sans pour
autant qu’elle soit une recherche exclusivement « d’entreprise » puisque les organismes
publics et les universités y prennent de plus en plus part ; le Manuel d’OSLO (2005) fournit
un exemple de ce type de contribution.

En fait, la recherche fondamentale s’inscrit plutôt dans une perspective académique,

intellectuelle et répond à des objectifs de développement de savoir et de production de
connaissances où l’intérêt a surtout un caractère de curiosité scientifique.

La recherche appliquée répond, quant à elle, à des nécessités pratiques. Même si elle
prolonge un référentiel théorique, l’enrichissement de celui-ci est second par rapport à la
mise en œuvre pratique, « sur le terrain » des résultats et progrès de la recherche
fondamentale. En tant que telle, elle peut revêtir un aspect de « concrétisation » des acquis
de fondamentaux de la recherche théorique.

Cela étant, l’un et l’autre « moment » de la recherche favorisent l’innovation en se

complémentant.

Dans ce qui suit, une attention particulière sera portée aux innovations engendrées par la
recherche appliquée effectuée en entreprise.

Sur le plan économique, qu’elle soit de produit ou de procédé, l’innovation

« commercialisable » peut être considérée à la fois :

 Comme le moyen d’atteindre les objectifs d’une logique économique orthodoxe

basée sur la rationalité des agents, cf. Lee (2011) : maximisation du profit des

Concurrence & Innovation Page 3

 entreprises sur le plan microéconomique, croissance d’une économie sur le plan
macro-économique.
 mais aussi la résultante d’une démarche économique assujettie à cette logique :
politiques publiques incitatives, protection de la propriété intellectuelle voire
encouragement de la concurrence.

Les pouvoirs publics peuvent donc agir sur l’innovation soit de manière directe via les
politiques incitatives à la R&D, soit de manière indirecte via le jeu de la concurrence
notamment par les lois antitrust ou par la protection des propriétés intellectuelles qui, selon
Duguet et al. (2004), inciterait les entreprises à investir dans la R&D et donc dans
l’innovation.

Ce document de travail s’intéresse à la composante de l’innovation due aux mécanismes de

marché en étudiant la nature des relations qui peuvent exister entre l’innovation d’entreprise
et ses « éventuels » déterminants : le niveau concurrentiel individuel de l’entreprise ainsi
que le niveau de concurrence2 intra-sectoriel3.

Le concept de concurrence est donc abordé de deux façons distinctes : l’une propre à chaque
entreprise, l’autre plus agrégée, impliquant de la même manière les entreprises présentes sur
un même secteur d’activité.

Le premier aspect concerne la position ou le niveau concurrentiel de l’entreprise elle-même,

cela reflète sa « compétitivité » au sein de son secteur et est mesurée par sa part de marché
sur ce dernier.

Cette variable permet de discriminer et de hiérarchiser les entreprises présentes dans un

même secteur selon leur poids en termes d’importance et d’occupation du secteur. Cela
donne un aperçu sur la hiérarchie des firmes dans un même secteur et donne du relief à leur
niveau par rapport aux concurrents.

L’idée sous-jacente est que les grandes firmes, voire les firmes leaders, devraient se
comporter différemment des plus petites : elles devraient s’en démarquer par l’innovation
pour assoir ce rôle de leaders dans le secteur. Echoit alors aux petites entreprises le rôle de
« suiveuses ».

2
Bien qu’il s’agisse d’étudier l’impact de la concurrence sur l’innovation, la notion de concentration des marchés
reviendra souvent dans ce document car elle est profondément liée à la concurrence dans le sens où la concurrence
est le complément opposé à la concentration des marchés. D’ailleurs, les indicateurs utilisés que nous verrons plus
loin sont en fait des indices de mesures de concentration et donc de son complément opposé la concurrence.
3
Dans la suite de cette étude, les deux notions de secteur d’activité et de marché vont se confondre. En fait, ce qui
sera désigné par marché de l’entreprise est le secteur d’activité où elle opère et se confronte à ses concurrents et non
pas la dimension physique en termes de taille ou de localisation de celui-ci.

Concurrence & Innovation Page 4

 Le deuxième aspect, quant à lui, est une variable agrégée qui impacte donc de la même
manière toutes les entreprises d’un même secteur, il s’agit du degré de concurrence du
marché de l’entreprise qui sera mesuré par les indices de concentration-concurrence des
secteurs.

Ces indicateurs permettent de donner une mesure qui reflète le degré de concurrence des
marchés ou plus précisément, des différents secteurs de l’économie selon un niveau
d’agrégation choisi. Pour cela, plusieurs nomenclatures de séparation ou de groupement
d’entreprises par secteur d’activité plus ou moins large existent pour la France. La
nomenclature NA17 par exemple regroupe les entreprises en 17 secteurs généraux d’activité
économique.

Le schéma suivant résume l’intuition qui sous-tend cette démarche :

Marchés

Découpés selon diverses nomenclatures

C
(NA17, NA129, NAF2)
o
n
c
u Niveau de Concurrence Niveau de compétitivité de
r
Générale sur un marché donné chaque entreprise sur son
r
e marché
n
c
e

Innovations Brevets

Protection de l’innovation et de la propriété intellectuelle

en en Procédé
Produit

- Schéma du lien : marché-concurrence & innovation -

A l’extrême, la nomenclature NAF24 est la plus fine qui soit, la plus fine qui existe et définit
les secteurs de manière plus détaillée pour un regroupement plus homogène des entreprises.
4
Ici, nous ne ferons pas de distinction entre la nomenclature NAF2 et NAF-révision2 ni avec les APE -activité principale
de l’entreprise- anciennement utilisées, car l’appariement des données a nécessité l’utilisation et l’harmonisation de
ces différentes nomenclatures avec la NAF-révision2 que nous désignons plus succinctement ici par l’abréviation
NAF2.

Concurrence & Innovation Page 5

Il existe bien évidemment d’autres nomenclatures d’agrégation intermédiaires entre la
NA17 et la NAF2.

En effet, la concurrence ou plus précisément la variation de son intensité génère en réponse

des mécanismes d’adaptation des entreprises. Ces réponses peuvent se traduire par :

- Une bataille par les prix : concurrence à la Bertrand

- Une bataille par les quantités : concurrence à la Cournot
- La différenciation, horizontale et/ou verticale, de l’offre de biens et/ou services.

Ainsi, les concurrences par les prix et par les quantités sont susceptibles de favoriser des
processus d’adaptation et d’optimisation du système créateur de valeur, « l’appareil
productif » induisant de la sorte essentiellement des innovations de procédé découlant de
leur optimisation -optimisation de la chaine des valeurs-, cf. Debonneuil & Encaoua (2014).

En outre, la concurrence par la différenciation de produit nécessite un effort d’innovation en

produit pour se démarquer des produits concurrents et donc conduit à davantage
d’innovations de produits voire aux innovations de procédés qui permettent
l’implémentation de ces produits innovants.

Ces raisons font que l’innovation est abordée comme un comportement d’entreprise
résultant de l’intensité de la dualité concurrence-concentration de marchés mais aussi de la
situation -positionnement concurrentiel et importance- que l’entreprise occupe sur son
marché. En fait, cette réponse de l’entreprise ne se traduit qu’en partie par une démarche
d’innovation, d’où la nécessité d’une modélisation permettant de mesurer et caractériser
avec précision l’ampleur et la nature de l’ajustement de l’entreprise à ces mécanismes de
marché.

Quel est le mécanisme d’interaction entre marché d’entreprise et innovation ?

L’impact de la concurrence sur l’innovation, nous le verrons plus loin en section 2, est assez
controversé dans la littérature et peut faire surgir des points de vue semblant antagonistes de
prime à bord.

La littérature théorique révèle que la démarche de l’innovation reflète un double

comportement des entreprises. Dans un sens, elles peuvent coopérer dans des projets de
mise en place d’une innovation. D’un autre côté, elles se livrent à de rudes concurrences sur
leurs marchés, cf. Debonneuil & Encaoua (2014).

Dans les faits, les mécanismes de marché sont tels que les firmes présentes sur un même
marché se livrent à la fois aux jeux de la concurrence par les prix, par les quantités mais
aussi par la différentiation des produits et/ou services proposés eux-mêmes. L’innovation

Concurrence & Innovation Page 6

traduit donc cette volonté des firmes de s’adapter pour survivre à la concurrence et aux lois
des marchés.

Elle se décline en innovation de procédé lorsqu’il s’agit de baisser les coûts, d’augmenter la
productivité et/ou de produire plus pour contrer une concurrence par les prix et par les
quantités. L’innovation peut concerner aussi le produit ou le service rendu s’il s’agit de
prendre un avantage concurrentiel grâce à ce même produit -service- proposé.

La littérature sur la concurrence et les fondements de marché, quant à elle, indique plusieurs
types de configuration des marchés : tels que la concurrence peut être forte, faible ou quasi
inexistante. En effet, selon qu’il s’agisse de monopole, de duopole ou oligopole ou bien de
concurrence pure et parfaite avec l’existence de plusieurs firmes aux profils équivalents (se
livrant à une forte concurrence), la concurrence impactera différemment l’innovation, selon
son intensité, la configuration de son marché et l’hétérogénéité des entreprises présentes sur
le marché.

Ainsi, la pluralité des facteurs qui rentrent en jeu dans le processus d’innovation conforte le
choix d’une analyse empirique sur un échantillon d’entreprises recouvrant un grand nombre
de secteurs et dont les firmes sont suivies sur une période de temps conséquente5. Il y a donc
la place à une analyse approfondie sur ces données de panel dont il s’agira de décrire la
nature et l’évolution de l’incidence de leurs variables de concentration-concurrence sur les
qualités novatrices ou la disposition à breveter des firmes.

Comment déterminer la nature de ces liens entre marché d’entreprise et innovation ?

Il existe une vaste littérature sur la question du lien entre la concurrence et l’innovation.
Celle-ci se scinde en deux approches : les travaux théoriques d’OI prévoient généralement
une baisse de l’innovation avec l’augmentation de la concurrence, des travaux comme ceux
de Salop (1977) ainsi que Dixit & Stiglitz (1977) démontrent de tels résultats -voir section
suivante, sous-section 1.1 pour plus de détails sur le mécanisme décrit par ces auteurs-.

A l’opposé, certains travaux empiriques trouvent le résultat inverse, à savoir, une

augmentation de l’innovation avec une intensification de la concurrence, voir pour
l’exemple Blundell et al. (1999).

Notre approche consiste donc à réévaluer cette relation en se basant sur notre échantillon de
données d’entreprises françaises sur la période de 12 ans susmentionnée.

Pour ce faire, en se basant sur les travaux d’Aghion et al. (2005) qui établissent l’existence
d’une relation positive en forme de courbe concave entre l’innovation et la concurrence
sectorielle d’un marché, nous songerons à tester une relation de forme quadratique
5
Echantillon de 13142 firmes françaises sur la période allant de 1999 à 2010

Concurrence & Innovation Page 7

permettant de tenir compte des non-linéarités en adoptant toutefois une perspective
différente consistant essentiellement à tester des modèles Probit à variable dichotomique.
D’autres modèles sont toutefois utilisés pour vérifier la robustesse des résultats obtenus par
les régressions Probit.

Notre intérêt porte sur la position concurrentielle d’une firme et son interaction avec sa
capacité novatrice. Ainsi, nous tenterons de déterminer si les innovations et/ou dépôts de
brevets peuvent être engagés par les firmes leaders du marché pour entériner et préserver
leurs positions suivant le fondement de la logique théorique Schumpétérienne -cf. sous-
section 1.1- ou bien si les petites entreprises sur le marché viennent challenger les grandes6
entreprises en innovant afin de capter de nouvelles parts de marché.

L’idée que le degré de concentration ou de concurrence sectorielle soit un facteur duquel

l’innovation d’un secteur peut être tributaire est intéressante mais nous semble tout de
même insuffisante. Nous voulons donc aller plus loin en essayant de savoir si la position
concurrentielle d’une firme sur son marché peut jouer un rôle dans sa propension à innover.

De ce fait, on pourrait rendre compte de la structure concurrentielle d’un marché qui permet
de maximiser l’innovation. On peut supposer que l’innovation est entrainée par les grandes
entreprises qui innovent pour garder leur position dominante sur le marché, mais il peut
exister une relation de concurrence asymétrique où la petite firme challenge la grande en
innovant davantage pour gagner une meilleure position sur le marché.

Ce document se décline de la façon suivante : la première section dresse le contexte et la

littérature liée aux liens entre innovation et concurrence. Dans une seconde section, les
modèles économiques utilisés sont évoqués succinctement. Une troisième section s’intéresse
à la base de données, les variables utilisées y sont décrites puis explorées à l’aide de
statistiques descriptives. Une dernière section indique la démarche suivie selon chaque
modèle et expose les résultats. Enfin nous clôturerons notre travail par une conclusion.

6
Ici nous entendons par le terme « grandes » entreprises, les entreprises ayant les plus grandes parts de marché et
non la dimension taille en termes de nombre d’employés comme il est habituellement d’usage dans les études
empiriques.

Concurrence & Innovation Page 8

1. Contexte et littérature :

1.1. Lien innovation – Concurrence

Le lien entre la concurrence et l’innovation à donner lieu à une confrontation entre deux
points de vue théoriques :

Le point de vue « Schumpétérien » -cf. Schumpeter (1943)- stipule que les positions
dominantes et/ou de monopole captent les plus grandes rentes qui sont, ensuite, réinjectées
dans la R&D afin de stimuler l’innovation pour pérenniser les positions dominantes
acquises.

La boucle suivante en retrace le mécanisme :

Monopole => rentes => innovation => maintien du monopole

Monopole
(ou quasi-monopole)

Maintien Gains et rentes

& du monopole
Renforcement

R&D
Innovation

- Schéma résumant l’approche Schumpétérienne -

Salop (1977) ainsi que Dixit & Stiglitz (1977) par exemple, s’inscrivant dans une
perspective d’analyse microéconomique d’OI, soulignent que l’intensité de la concurrence
sur les marchés des biens induit une baisse des rentes pour les nouveaux venus sur le
marché et réduit ainsi le nombre d’entrants à l’équilibre.

Cette vision spécifie ces barrières à l’entrée comme un frein à l’innovation et donc, de leur
point de vue, l’excès de concurrence nuit indubitablement à l’innovation.

Un courant opposé, a été notamment porté par Arrow dans ses travaux théoriques d’OI.
Arrow (1962), suggère que la concurrence va de pair avec une baisse de rentabilité que les
firmes tentent d’éviter et de « fuir », ou tout au moins d’éviter, en innovant : la firme
innovante acquiert un savoir-faire lui permettant de se démarquer par une meilleure image et

Concurrence & Innovation Page 9

une différentiation vers le haut de ses produits. En « bonifiant »7 ses produits, elle augmente
ses ventes, ses parts de marché et donc transcende ainsi la concurrence directe. C’est aussi
un comportement de « survie » car en augmentant sa part de marché, l’entreprise augmente
sa rentabilité et assure sa prospérité. Une concurrence accrue serait donc synonyme de
durabilité et de pérennité sur le marché et semble induire une hausse des innovations.

Le schéma de cette logique peut-être synthétisé ainsi :

Concurrence => engendre : tensions sur le marché + baisse de rentabilité => Induisant :
comportement d’évitement de la concurrence => par l’innovation notamment.

Concurrence

Tensions sur le marché

+
Baisse de rentabilité

Comportement
d’évitement

R&D
Innovation

- Schéma synthétisant l’approche suggérée par ARROW-

Bien que riche, diverse et éparse, la littérature sur les modèles théoriques d’OI semble
davantage converger en indiquant que le 1er point de vue est prévalant en prévoyant que
l’innovation devrait décliner avec la concurrence.

Mais cette confrontation interpelle la perspective empirique : qu’apporte-t-elle à ce débat ?

Qu’en est-il de l’une ou l’autre approche quand on interroge la réalité du terrain des
entreprises ?

7
L’accent est mis sur l’innovation par une caractérisation de « bonification » des produits. Cela renvoie à une
amélioration notable, une démarcation par écrémage ou encore une différenciation de rupture.

Concurrence & Innovation Page 10

En fait, la réalité des entreprises dans une perspective empirique pourrait effectivement faire
pencher la balance dans un sens ou dans l’autre et conforter l’approche Schumpétérienne ou
celle d’Arrow, partiellement si ce n’est totalement, tout en sachant que ces approches
correspondent à des points de vue vérifier théoriquement. Or, les travaux empiriques
pionniers semblent davantage supporter l’idée d’une corrélation positive entre
l’augmentation de la concurrence et l’innovation, Geroski (1995), Nickell (1996), Blundell
et al. (1999).

Outre les deux courants susmentionnés, Aghion et al. (2005), expriment un point de vue
« nuancé ». Ils érigent un modèle où la concurrence et l’innovation font ressortir une
relation non-linéaire et en forme concave. L’idée étant de concilier les deux précédentes
approches : montrer leur compatibilité et complémentarité en vérifiant l’application de
chacune d’elles le long du continuum de variation de l’intensité concurrentielle des secteurs.

Leur modèle théorique est appuyé par des données empiriques qui font appel aux brevets
comme mesure de l’innovation. Toutefois, dans leurs travaux, opter pour une autre mesure
de l’innovation remettrait en cause cette relation. Ils évoquent qu’au-delà des brevets,
l’activité d’innovation peut être mesurée par l’intensité d’investissement en R&D. Ils tentent
d’ailleurs de tester cette relation avec les parts de marchés des entreprises en produits
innovants, mais la relation devient non-significative.

Dans ce sens, des auteurs comme Romer (1990), Grossman & Helpman (1991), Aghion et
Howitt (1992) montrent, à propos de la mesure de l’innovation par les brevets, que ces
derniers peuvent générer une situation monopolistique qui amène l’entreprise à innover plus
afin de maintenir son avantage, alors même que la concurrence est censée produire l’effet
inverse, en détruisant les rentes de monopole.

Toutefois, Kamien & Schwarz (1982), dans un article concernant les structures de marché et
l’innovation, explique la limite de l’usage des brevets comme mesure de l’innovation en
soulignant que « de nombreux brevets n’ont jamais été commercialisés ou ne sont utilisés
que pour des modifications mineures de produits existants. En outre, de nombreuses
innovations ne sont jamais brevetées ».

D’autres auteurs considèrent l’innovation dans sa globalité et ne se limitent pas à son

approximation par les brevets. Ils la subdivisent, en revanche, selon que son output soit une
innovation de produit ou de procédé.

Weiss (2003) par exemple, établit dans un article d’OI un modèle où l’innovation de produit
est liée à une forte concurrence tandis que l’innovation en procédé concerne les marchés
moins concurrentiels.

Concurrence & Innovation Page 11

La mesure de l’innovation est donc très hétérogène et diversifiée. Plusieurs mesures peuvent
être envisagées comme nous le verrons en sous-section 2.2.1.

1.1.1. Disparité de l’innovation par secteur

Outre le niveau de concurrence d’un marché, le niveau de R&D et d’innovation dépend

fortement des caractéristiques mêmes du secteur d’activité. Certains secteurs incorporent
une plus grande composante d’innovation en termes d’input : montant de l’investissement
en R&D, tandis que d’autres sont par essence moins innovatifs.

La figure illustrative suivante montre la disparité de la répartition de l’output de la R&D

selon la nomenclature sectorielle NA17. Même si l’analyse économétrique se fera sur le
niveau d’agrégation le plus fin NAF2 avec une répartition en 502 8 secteurs d’activité, le
niveau NA17 permet d’apprécier plus facilement les disparités entre secteurs et entre types
d’innovation en donnant le taux d’occurrence par secteur d’activité, des brevets, des
innovations en produit et en procédé. Ces observations sont réalisées par l’échantillon
d’entreprises retenu et sur la période d’observation 1999-2010.
0% 10% 20% 30% 40% 50% 60% 70% 80%
61%
Agro-alimentaire, Tabac 54%
8%
71%
Equipements électroniques ; Machinerie 63%
34%
64%
Equipements de transport 60%
39%
62%
Autres industries manufacturières 59%
29%
60%
Construction 65%
35%
58%
Commerce & Transport 51%
27%
70%
Tech. Information et communication, TIC 68%
9%
56%
Activités Techniques et Scientifiques 57%
23%
Produit 65%
Procédé Total 59%
26%
Brevets

- Histogramme de répartition sectorielle des brevets et innovations en produit et

procédé sur la période de 1999 à 2010 -
8
Dans la réalité et pour toute l’économie française, le découpage sectorielle selon la nomenclature NAF2 abouti à 732
secteurs confondus. Mais compte tenu du recentrage de notre échantillon, un rétrécissement de cette nomenclature
s’effectue pour ne garder que 502 secteurs qui concernent les firmes de notre échantillon.

Concurrence & Innovation Page 12

1.2. Autres influences possibles sur le processus d’innovation

1.2.1. Position concurrentielle

Les travaux d’Aghion et al. (2005) montrent, par ailleurs, que les secteurs avec des firmes
ayant des niveaux technologiques proches sont plus sensibles à la concurrence et la capacité
d’innovation de leurs firmes est plus élevée. Alors que dans les secteurs où l’écart entre
entreprises leaders et outsiders est grand, l’innovation semble moins sensible à la
concurrence.

Dans notre cas, cela nous amène à réfléchir à un modèle où au lieu de mesurer l’écart
technologique entre firmes d’un même marché, nous mesurerons l’écart de position
concurrentiel entre les entreprises en termes de parts de marché suivant les travaux de
Blundell et al. (1999).

La position concurrentielle est une variable observable et mesurable que nous avons donc
choisi d’aborder par la part de marché de l’entreprise. C’est à travers cette variable que
seront examinées les deux hypothèses selon lesquelles :

- les firmes dominantes sur un marché sont plus à même d’innover pour maintenir leur
position sur le marché.

- ou, au contraire, les entreprises ayant de plus petites parts de marché innovent davantage
pour venir challenger les entreprises qui détiennent les plus grosses parts de marché.

Dans le cas où ni l’une ni l’autre des hypothèses ne sera confirmée économétriquement -

significative au sens statistique- cela reviendrait à dire que la concurrence, indépendamment
des positions concurrentielles, toucherait de la même manière l’ensemble des entreprises.

1.2.2. Spécificité individuelle inobservable d’entreprise

Les études citées plus haut portent un intérêt aux relations possibles qui puissent exister
entre le degré de concurrence d’un marché et l’attrait qu’il induit pour l’innovation
d’entreprise.

Présenté ainsi, elles pourraient laisser croire que toutes les entreprises sur un même marché
aient une démarche identique quant à l’innovation. Or les entreprises peuvent avoir non
seulement des spécifications individuelles différentes vis-à-vis de l’innovation mais aussi,
comme nous l’avons supposé, des approches différentes selon leur position concurrentielle
sur un même secteur.

Concurrence & Innovation Page 13

Econométriquement, les spécificités individuelles non observables renvoient aux
hétérogénéités individuelles. L’effet de ces hétérogénéités doit être capté dans ce cas par la
spécification en panel des modèles utilisés : effets fixes ou aléatoires. C’est ainsi que cet
aspect sera traité pour en neutraliser les conséquences sur les résultats.

Les spécifications des entreprises sont abordées par les effets individuels pris en compte
dans la spécification en panel des modèles utilisés.

1.2.3. Autres caractéristiques mesurables d’entreprise

En outre, l’utilisation de la variable « taille » en termes de nombre d’employés permet de

discriminer le comportement des firmes quant à leur taille et détermine toute particularité
due à celle-ci.

A l’instar de la variable « parts de marché », la taille de l’entreprise pose la question de son

rapport à l’innovation ceteris paribus9: la question est de cerner l’effet de la taille
indépendamment des autres aspects.

La question se pose en ces termes : les petites entreprises concurrencent-elles les grandes
via l’innovation ; autrement dit, cherchent-elles un avantage concurrentiel dans
l’innovation ?

L’autre éventualité doit être évoquée : les grandes entreprises quant à elles, maintiennent-
elles leur position par l’innovation ?

Avant de trouver des réponses à ses questions dans la sous-section 5 dédiée aux estimations
économétriques, l’histogramme qui suit permet d’avoir une vision d’ensemble sur la taille
des entreprises de l’échantillon réparties en classes de nombres d’employés.

Il convient de remarquer que, dans cet histogramme, les firmes de l’échantillon peuvent
évoluer et changer de classe de taille le long de la période 1999-2010. Cela donne 2448
observations d’entreprises redondantes sur le graphique puisque une firme peut être présente
dans plus d’une catégorie.

9
Toutes choses étant égales par ailleurs.

Concurrence & Innovation Page 14

 4000

21.2% 21.4%

3000

14.2% 14.1% 14.5%

2000

7.6%
6.9%
1000

0
0 - 10 10 - 20 20 - 50 50 - 100 100 - 250 250 - 500 500 - …

-Histogramme de répartition des firmes par nombre d’employés-

2. Données et variables utilisées :

2.1. Sources de données :

Bien que les données utilisées pour cette étude correspondent à un échantillon de 13142
entreprises françaises avec une persistance de chaque entreprise d’au moins 4 années
d’observations sur la période (1999-2010), le calcul de certaines variables a nécessité le
recours à des bases de données bien plus grandes, celles qui représentent la totalité des
entreprises françaises -cf. fichier FARE, FICUS-, soit près de 3 millions d’entreprises
suivies sur une période de 12 ans.

Dans l’ensemble, les données utilisées proviennent de 3 types de sources : deux enquêtes
sur l’innovation et les fichiers sur les données fiscales. D’abord, pour chaque source, les
vagues successives de ses bases de données sur la totalité de la période ont été empilées.
Ensuite un croisement de ces bases de données a été fait afin de les apparier en une seule
base commune. Ce regroupement a permis de supprimer les doublants10 et de combler
certaines valeurs manquantes par recoupement des bases entre elles.

10
Certaines données sont présentes dans plusieurs bases et donc récurrentes lors de l’appariement. Cela s’explique
par le fait que ces bases de données répondent à des besoins d’informations différents et par ailleurs les services
producteurs de ces données sont différents.

Concurrence & Innovation Page 15

Les sources utilisées sont les suivantes :

2.1.1. Enquête communautaire sur l’innovation « CIS »: il s’agit d’un ensemble

d’enquêtes concernant l’innovation et harmonisées à l’échelle européenne. En France, elles
sont réalisées par la Direction des statistiques d’entreprises de l’INSEE. Elles sont biennales
et portent sur des périodes de 3 ans. Nos données puisées à cette source sont tirées de 5
vagues successives : de CIS3 réalisée en 2001 à CIS 2010.

Ces enquêtes ne touchent pas l’ensemble des entreprises d’un pays mais visent un
échantillon d’entreprises censées faire de l’innovation. En effet, le Conseil National de
l’Information Statistique -CNIS- précise que « La taille de l’échantillon ainsi que le champ
sectoriel de l’enquête diffèrent selon les millésimes de l’enquête. 30 000 entreprises de 10
salariés ou plus … ont été interrogées dans CIS2008, 29 000 entreprises … dans CIS2010
Chaque année le taux de réponse est de l’ordre de 80 % dont plus de 95 % sur internet »11.

Cela restreint nos données aux seules entreprises sélectionnées dans l’échantillon et ayant
répondu à l’enquête. Une autre contrainte vient du fait que les entreprises sélectionnées pour
un millésime peuvent ne pas l’être pour un autre. D’un point de vue technique et compte
tenu de la dimension de la période d’étude : 12 années, un choix parcimonieux a été fait
pour garder seulement les entreprises ayant au moins une durée de 4 années d’observations
consécutives.

2.1.2. Fichier FICUS & FARE : ces bases de données sont produites par le Ministère de
l’Economie et des Finances. Ce sont les données fiscales annuelles des entreprises
françaises. Cette liasse fiscale représentant des données stratégiques et est par conséquent
très confidentielle, les services producteurs ne délivrent que sur instruction d’une demande
fournie de ces données et qu’avec un délai de sûreté de 2 ans. Ce qui fait un retard
permanant de 3 années pour la délivrance de ces données.

Au moment où la demande de cette étude a été introduite, en 2013, seul un accès à des
données de 2010 était possible, d’où l’obtention de données jusqu’en 2010 bien que la
demande n’ait été instruite qu’en 2014, ce qui a conditionné l’utilisation restreinte de toutes
les autres bases de données, en se limitant à l’année 2010.

Ces données étant annuelles et couvrant l’ensemble des entreprises, elles ont été utilisées
pour mesurer la dimension des marchés et les indices de concentration-concurrence afférant
à ces derniers
11
Source : Fiche de présentation d’une enquête statistique, Enquête Communautaire sur l’Innovation (CIS) :
https://www.cnis.fr/wp-
content/uploads/2018/09/DPR_2018_2e_reunion_COM_entreprises_enqu%C3%AAte_CIS_opportunite_Insee.pdf

Concurrence & Innovation Page 16

2.1.3. Enquêtes annuelles sur les moyens consacrés à la R&D dans les entreprises : ces
enquêtes sont anciennement appelées « Enquête Annuelle d’Entreprise » (avant l’année
2008). Elles concernent les entreprises françaises et contrairement aux CIS, elles ne sont pas
harmonisées avec d’autres enquêtes ou à des échelles qui diffèrent ou dépasseraient celle de
l’économie française. Toutefois, il est souvent très utile d’apparier les données de ces
enquêtes avec ceux des CIS pour à la fois obtenir un complément d’informations, mais aussi
pour des fins de vérification des informations disponibles sur ces deux types d’enquêtes.

Afin d’avoir une vision globale de l’échantillon de données utilisé, le diagramme suivant
montre la répartition des observations selon la nomenclature sectorielle NA17. Bien que
l’analyse économétrique se fera sur le niveau d’agrégation le plus fin NAF2 avec une
répartition de notre échantillon en 502 secteurs d’activité NAF2, le niveau NA17 permet
une lecture plus claire du diagramme sectoriel circulaire avec un regroupement en 9
modalités des observations des 13142 entreprises de l’échantillon.

Information et Autres activités

communicatio / Services
n, TIC 2%
13%

Commerce et Equipements
Transport électriques ;
6% Machinerie
21% Agro-
Construction
2% alimentaire,
Tabac
5%
Equipements
Autres Activités de transport
industries Techniques & 4%
manufacturièr Scientifiques
es 16%
31%

- Diagramme circulaire représentant la distribution des observations par secteur

d’activité de la nomenclature NA17 -

Concurrence & Innovation Page 17

2.2. Variables utilisées :

2.2.1. Mesure de l’innovation :

2.2.1.1. Mesures connues :

Comme nous l’avons brièvement mentionné en section 1.1, la mesure de l’innovation est
très débattue dans la littérature. Le plus souvent, dans les études empiriques, la mesure de
l’innovation est centrée sur quelques variables récurrentes. Les plus courantes sont : les
dépenses en R&D, la part de marché des produits innovants, le nombre de brevets, ou
encore les variables indicatrices d’innovation : produit, procédé voire les deux
simultanément.

Bien que toutes ces variables permettent de donner une mesure à l’innovation, elles ne
qualifient pas et ne quantifient pas la même chose. Les dépenses en R&D mesurent l’input
en innovation, c’est l’investissement qui permet éventuellement d’aboutir à l’innovation.

La part de marché des produits innovants mesure, quant à elle, la « réussite » commerciale
d’une innovation ; cette réussite repose, par ailleurs, sur d’autres variables (prix,
compétitivité du marché, image de la marque… etc.).

Les variables indicatrices permettent « juste » de savoir, si la démarche de R&D a abouti à

une, voire, à des innovations mais elles ne renseignent en rien quant à leur nombre, ni à leur
type (innovation incrémentale / innovation de rupture).

Le nombre de brevets informe sur la protection des droits de propriété des innovations mais
pas sur leur nombre exact. Ainsi, deux cas diamétralement opposés peuvent altérer
l’efficacité de cette mesure. Le premier cas a trait aux innovateurs qui ne déposent pas de
brevet mais préfèrent protéger leurs innovations par le secret, Kamien & Schwarz (1982).
D’un autre côté, il n’est pas rare que plusieurs brevets soient déposés pour un seul et même
produit innovant, Jaffe & De Rassenfosse (2017).

2.2.1.2. Choix des variables d’innovation :

Pour nos régressions économétriques, nous choisissons d’utiliser des modèles Probit de
panel sur indicatrices. Par ailleurs, nous souhaitons tester des modèles de dénombrement sur
nombre de brevets déposés afin d’en faire le rapprochement et comparer leurs résultats avec
la mesure des indicatrices. Cela permet aussi de tester la robustesse des résultats mais aussi
d’apporter un complément avec une information plus riche sur les brevets que l’indicatrice
utilisée en modèle Probit.

Concurrence & Innovation Page 18

Il importe de signaler que ces variables d’innovation concernent « l’output » en innovation,
ou l’output de la démarche d’innovation entreprise par la firme. L’autre composante
concerne « l’input » en innovation. Certaines variables telles que le nombre d’employés
dédiés à la R&D, les montants investis en R&D, le type de R&D que fait la firme, sont
généralement utilisées pour capter cet « input ». De ce fait, un autre modèle sera utilisé pour
estimer si cet intput (qui peut d’ailleurs absorber les deux types d’output qui en découlent :
innovation & brevet) est aussi sensible au niveau concurrentiel de l’entreprise et/ou à la
concurrence-concentration de marché.

Notre base de données donne accès aux indicatrices d’innovation en produit, en procédé,
marketing et organisation et aux nombres de brevets.

Mais du fait que nous souhaitons mettre en lien les deux modèles économétriques, l’un à
variables dichotomiques pour les indicatrices, l’autre à variables de comptage pour le
nombre de brevets, nous écartons ainsi les innovations de type marketing et les innovations
organisationnelles car ne donnant pas lieu à des dépôts de brevets.

Par ailleurs, les indicatrices de produit et procédé nous permettent aussi de construire une
indicatrice d’innovation générale. Celle-ci testée dans le même type de régression que les
autres variables permettra de voir dans un cadre plus général, si la concurrence des marchés
suscite l’innovation indépendamment de son type.

2.2.1.3. Statistiques descriptives sur la mesure de l’innovation :

A. Persistance de l’innovation et du recours au brevet :

La persistance des observations d’innovation et de dépôt de brevets permet de justifier la

méthode de modélisation économétrique de façon à ce qu’elle soit statique ou dynamique.

La persistance rapportée des brevets est plus importante que la persistance dans
l’innovation. En effet, l’indicatrice de brevet présente plus de persistance dans le temps que
l’indicatrice d’innovation indifférenciée avec une corrélation pour les 1ers et le 2èmes ordres
de respectivement : 0.6644 et 0.5545 pour les brevets et de 0.531 et 0.392 pour l’innovation
générale.

Mais une analyse plus attentive permet de remarquer que cela est dû aux probabilités de
transitions. En effet, l’indicatrice d’innovation transite dans 40.79% des cas de 0 à 1 et dans
12.09% des cas de 1 à 0. Cela donne 59.21% des observations égales à 0 qui demeure
inchangés, alors que l’indicatrice de brevet présente 90.78% de persistance lorsque elle
indique 0 (pas de brevet).

Concurrence & Innovation Page 19

Persistance dans le temps des variables liées à l’innovation et au dépôt de brevets :

Indicatrice --. L1. L2. L3.

d’innovation
générale
--. 1.0000
L1. 0.5310 1.0000
L2. 0.3920 0.4945 1.0000
L3. 0.3187 0.3835 0.4607 1.0000
Table de persistance de l’indicatrice d’innovation indifférenciée (obs=13054)

Indicatrice de --. L1. L2. L3.

Produit
--. 1.0000
L1. 0.4311 1.0000
L2. 0.3475 0.4018 1.0000
L3. 0.3069 0.3009 0.3741 1.0000
Table de persistance de l’indicatrice d’innovation en Produit (obs=13054)

Indicatrice de --. L1. L2. L3.

Procédé
--. 1.0000
L1. 0.4436 1.0000
L2. 0.3551 0.4163 1.0000
L3. 0.2959 0.3252 0.3949 1.0000
Table de persistance de l’indicatrice d’innovation en Procédé (obs=13054)

Indicatrice de --. L1. L2. L3.

Brevets
--. 1.0000
L1. 0.6644 1.0000
L2. 0.5545 0.6772 1.0000
L3. 0.4728 0.5476 0.6704 1.0000
Table de persistance de l’indicatrice de brevet (obs=19945)

Concurrence & Innovation Page 20

 Nombre de --. L1. L2. L3.
Brevets
--. 1.0000
L1. 0.6522 1.0000
L2. 0.2668 0.6301 1.0000
L3. 0.2408 0.3796 0.6705 1.0000
Table de persistance de la tendance à breveter en termes de nombre de brevets (obs=19945)

innovation
innovation 0 1 Total

0 59.21 40.79 100.00

1 12.09 87.91 100.00

Total 22.71 77.29 100.00

Table des probabilités de transition d’une période à l’autre (t-1 => t) de l’indicatrice d’innovation
générale (produit et/ou procédé)

brevet
brevet 0 1 Total

0 90.78 9.22 100.00

1 24.22 75.78 100.00

Total 71.72 28.28 100.00

Table des pourcentages de transition d’une période à l’autre (t-1 => t) de l’indicatrice de brevets

Corrélation entre l’indicatrice de brevet et d’innovation (obs=43086)

brevet 1.0000
innovation 0.1687 1.0000

Corrélation entre l’innovation de produit et l’innovation de procédé (obs=43086)

produit 1
procede 0.3936 1

Concurrence & Innovation Page 21

Ces tableaux permettent de justifier le choix d’un modèle de régression statique car à la fois
la persistance de ces indicatrices dans le temps est élevée mais aussi les probabilités de
transition d’une période à l’autre semblent faibles.

Par ailleurs, la corrélation entre brevet et innovation est à un niveau de 0.16, ce qui justifie
la dissociation de l’analyse pour la tendance à innover et la tendance à breveter d’une firme.

B. Justification du choix des variables d’innovation :

L’indicatrice d’innovation prend la valeur 1 pour 33435 observations (76.55%) d’un total de
43680 observations (soit 10245 observations égales à 0). Alors que l’indicatrice de brevet
prend la valeur de 1 pour 12764 observations (25.87%) sur un total de 49336 (soit 36572
observations égales à 0). Vue ainsi, une telle description peut nous mener à privilégier
l’indicatrice d’innovation comme variable utile à mesurer l’innovation car étant moins
tronquée. Elle peut offrir davantage d’information bien que l’écart de 5656 observations soit
en faveur de l’indicatrice de brevet.

Il convient de noter que pour 6250 observations pour les brevets, l’indicatrice d’innovation
ne donne pas d’information car tronquée. Inversement, 594 observations concernées par
l’indicatrice d’innovation ne disposent pas d’information sur les brevets.

Pour aller plus loin dans l’analyse et se basant sur un tableau récapitulatif des croisements
entre les deux indicatrices, nous pouvons remarquer d’après les tests d’indépendances de
Pearson et de Kendall Taub qu’une dépendance significative entre les deux variables existe.
Ces tests sont reportés dans le tableau suivant :

Brevet 0 Brevet 1 Total

Innovation 0 8693 1194 9887
% colonne 87.92 12.08 100
% ligne 27.10 10.84 22.95
Innovation 1 23380 9819 33199
% colonne 70.42 29.58 100
% ligne 72.90 89.16 77.05
Total 32073 11013 43086
% colonne 74.44 25.56 100
% ligne 100 100 100
-Table de corrélation détaillée des indicatrices de brevet et d’innovation-

Pearson chi2(1)=1200 Pr = 0

Kendall’s Tau-b = 0.1687 ASE = 0.004

Concurrence & Innovation Page 22

La statistique de Pearson donne un seuil de rejet de l’hypothèse nulle qui est ici fortement
rejetée, risque de première espèce (Pr < 0.05). Les deux indicatrices ne sont donc pas
indépendamment distribuées ici.

Par ailleurs, les brevets pris en nombre comme variable de comptage restent
significativement corrélés à l’indicatrice d’innovation. Attesté par des tests de Pearson et de
Kendall’s Tau-b :

Pearson chi2(321)=1500 Pr = 0

Kendall’s Tau-b = 0.1579 ASE = 0.004

Ces tests et statistiques exploratoires montrent bien que les deux processus d’innovation et
de dépôt de brevets, bien que différents, s’inscrivent dans une démarche commune. Mais
malgré le fait que l’exploration en termes de statistiques descriptives permet d’établir un
rapprochement entre ces deux variables, une analyse économétrique plus détaillée est
nécessaire afin de pouvoir discerner si les deux démarches d’innovation et de brevets
répondent aux mêmes exigences quant à l’environnement d’entreprise ou les
caractéristiques de celle-ci.

2.2.2. Mesure de la compétitivité des firmes et de la concurrence des marchés :

2.2.2.1. Concurrence des marchés : une mesure intra-sectorielle commune et agrégée

En IO, concurrence et concentration sont deux concepts fortement liés et représentent deux
concepts antagonistes et complémentaires : un marché fortement concentré et trusté par peu
de firmes étant par essence un marché peu concurrentiel, alors que l’augmentation de la
concurrence implique l’existence de beaucoup de firmes ayant des segments de marché
comparables, ce qui entraine une déconcentration des marchés.

Des travaux récents sur le lien entre la concurrence et l’innovation, tels que ceux d’Aghion
et al. (2005), Askenazy et al. (2013), Hashmi (2013) considèrent l’indice de Lerner comme
variable de mesure de la concurrence.

Cet indice étant borné avec des valeurs comprises entre [0,1], sa transformation en 1-Lerner
donne par conséquent une mesure de la concurrence avec un degré maximal de concurrence
à une valeur théorique égale à 1.

Mesure de concentration : indice de Lerner

Mesure de concurrence : 1- indice de Lerner

Concurrence & Innovation Page 23

Bien que répandu dans la littérature sur le lien entre l’innovation et la concurrence, cet
indice présente la particularité d’être un indicateur microéconomique lié directement aux
caractéristiques sectorielles des agents (leurs offre et demande sur le marché, leurs
consentements -dispositions- à payer, etc.), dans ce cas, la dimension du profit opérationnel
de chaque secteur peut être biaisée en cas de discrimination par les prix, Elzinga & Mills
(2011), ce qui réduit l’efficacité de l’indice.

Par ailleurs, que ce soit dans sa forme classique -initiale- ou dans sa forme modifiée par
Aghion & al. (2005), le calcul de l’indice nécessite de connaître respectivement le coût
marginal ou les coûts financiers, qui ne sont pas des informations toujours répertoriées dans
les données disponibles.

D’autres particularités dues à l’origine microéconomique de l’indice peuvent être relevées,

notamment le fait que l’existence d’un coût marginal peut-être dû simplement à une réalité
comptable ne reflétant pas les mécanismes de structuration et d’adaptation des marchés
(même dans le cas d’un monopole). Sans oublier le fait que les rendements d’échelles qui se
retentissent par une baisse sur les coûts marginaux peuvent altérer l’étendue de cette mesure
dans le sens où ils dépendent de la taille du marché et donc de sa capacité d’absorption de la
production. Par ailleurs, au cas où une firme ou des firmes optent pour une stratégie de
discrimination par les prix, la mesure donnée par l’indice devient caduque car une
discrimination parfaite par les prix donnerait une valeur de 0 à l’indice, indépendamment
des considérations de concentration-concurrence des marchés.

Pour toutes ces raisons, nous lui avons préféré d’autres indicateurs de concentration de
marchés, lesquels peuvent servir aussi dans le sens opposé de mesure du degré de
concurrence.

Notre choix s’est porté sur le HHI, le C4 & le GINI. Ces indicateurs sont à la fois plus
faciles à calculer mais surtout présentent l’avantage de mesurer le niveau de concurrence
d’une branche d’activité économique de manière plus « impartiale » puisque tenant compte
des seules parts de marché des entreprises en faisant abstraction de toutes autres variables.

En somme, à un niveau agrégé, les mesures de concentration-concurrence HHI, C4 & GINI

déterminent la pression concurrentielle exercée de la même manière sur toutes les
entreprises d’un même marché à partir du moment où elles y exercent leurs activités
principales.

Concurrence & Innovation Page 24

 a. Indice de Herfindahl-Hirschmann :

Le HHI est un indice de concentration-concurrence classique connu pour sa facilité de

calcul car il se base sur les parts de marché sectorielles seulement.

Sa formule de calcul est :

Avec : Si : la part de marché de la firme i

Percentiles Smallest
1% .0014077 .0000588
5% .0044215 .0000593
10% .0067086 .0000595 Obs 49887
25% .0151538 .0000902 Sum of Wgt. 49887

50% .0315479 Mean .065168

Largest Std. Dev. .0962434
75% .0767215 .997911
90% .1602393 .9991019 Variance .0092628
95% .2200379 .9991019 Skewness 3.97503
99% .5069874 .9991019 Kurtosis 25.65001
- Table de statistiques descriptives de l’indice HHI pour les entreprises de
l’échantillon -

- Graphique de distribution de l’indice HHI pour l’échantillon avec simulation d’une

distribution normale -

Concurrence & Innovation Page 25

 b. L’indice de GINI :

Cet indice, plus communément appelé coefficient de GINI, est un indicateur conçu afin de
mesurer la dispersion d’une distribution quelle qu’elle soit (salaire, répartition de la
richesse... etc.) dans une population donnée. Cet indice est très utilisé dans la mesure des
inégalités. Dans le cas précis, cet indice permet de mesurer les inégalités de détention d’un
marché par les firmes et donc de la même manière, il donne une mesure de concentration-
concurrence d’un marché.

Il est donné par la formule de Brown :

avec :
X : la part cumulée des firmes
Y : la part cumulée des parts de marché
k : allant du 1er au Nème individu (firme)

Percentiles Smallest
1% .6695563 .2951745
5% .7332921 .2980083
10% .7662032 .2989989 Obs 49887
25% .8273126 .3024023 Sum of Wgt. 49887

50% .8814898 Mean .8647515

Largest Std. Dev. .0684779
75% .9104981 .9959209
90% .9402279 .9964696 Variance .0046892
95% .9562123 .996886 Skewness -1.163064
99% .9660172 .9982546 Kurtosis 5.273721
- Table de statistiques descriptives de l’indice de GINI pour les entreprises de
l’échantillon -

Concurrence & Innovation Page 26

 - Graphique de distribution de l’indice de GINI pour l’échantillon avec simulation
d’une distribution normale -

c. L’indice C4 :

L’Indice C4 est un indicateur économique servant de mesure de concentration des marchés.

A l’instar du HHI, l’indice C4 est facile à calculer en sommant simplement les quatre plus
grandes parts de marchés d’un secteur d’activité.

D’où la formule :

avec : Si la part de marché de la firme i

Concurrence & Innovation Page 27

 Percentiles Smallest
1% .0436569 .0016487
5% .0896825 .0019434
10% .1143603 .0020913 Obs 49887
25% .1832085 .0104 Sum of Wgt. 49887

50% .2758943 Mean .3310534

Largest Std. Dev. .203676
75% .4472976 1
90% .6358968 1 Variance .0414839
95% .7495792 1 Skewness .9915583
99% .9171703 1 Kurtosis 3.439531
- Table de statistiques descriptives de l’indice C4 pour les entreprises de
l’échantillon -

Le schéma ci-dessous représente la distribution des observations de l’indice C4 pour des

entreprises classées suivant la nomenclature NAF2. Cet histogramme est traversé par une
courbe représentant une distribution de loi normale.

Cet indice étant un indicateur conçu comme mesure de concentration, l’axe horizontal
représente donc cette concentration :

Proche de 0, le marché est très peu concentré et la concurrence y est donc très élevée.

Proche de 1, le marché est très concentré et la concurrence quasi-inexistante.

Cette dualité complémentaire des notions antagonistes de concentration-concurrence permet

donc une représentation en sens inverse des deux axes de la concurrence et de la
concentration sous l’histogramme de l’indice.

Concurrence & Innovation Page 28

 - Graphique de distribution de l’indice C4 pour l’échantillon avec simulation d’une
distribution normale -

2.2.2.2. Compétitivité de la firme : une mesure individuelle et hétérogène

Cette mesure donne une indication sur la position concurrentielle propre à chaque entreprise
dans son secteur d’activité. Entre autre, elle traduit son niveau de « compétitivité »
intrinsèque et permet de discriminer les entreprises en termes d’importance sur un marché.
Grâce à l’information que procure cette variable, une distinction des comportements
d’innovations d’entreprises sera faite en fonction du fait d’être leader, suiveur ou nouvel
entrant.

Cette mesure individuelle est approximée par la PDM. Nous aurions pu choisir de faire un
classement12 via une variable ordinale mais nous lui avons préféré la PDM car une variable

12
Un tableau en annexe 4 résume les statistiques sur la variable ordinale de classement des firmes en fonction des
parts de marché qu’elles détiennent dans leurs secteurs.

Concurrence & Innovation Page 29

continue donne plus d’information et reflète d’une manière précise la réalité du poids de
chaque firme sur son marché.

a. Une mesure relative aux seuls concurrents de l’échantillon d’étude :

La PDM étant un élément intégrant dans le calcul de chacune des variables agrégées de
concurrence-concentration des marchés HHI, C4 et GINI ; pour éviter tout risque de
colinéarité, nous avons choisi de calculer ces variables-là en se basant sur l’ensemble des
données de la liasse fiscale des entreprises françaises et donc utilisant les PDM pour
l’ensemble13 des entreprises françaises au niveau d’agrégation voulu : NAF2 dans cette
étude.

Tandis que la part de marché utilisée pour approximer la position concurrentielle propre à
chaque firme est calculée relativement aux concurrents répondant aux enquêtes d’innovation
et donc, relativement aux seules entreprises de notre échantillon d’étude.

b. Arguments en faveur d’une mesure relative :

Trois raisons justifient le choix d’une mesure relative :

1. Les indices de concentration-concurrence de marché utilisés HHI, C4 et GINI

intègrent en partie dans leurs formules de calcul les parts de marchés de l’ensemble
des firmes d’un secteur d’activité -voir formules en section 2.2.2.1-. Utiliser ces
mêmes parts de marché dans une même régression peut engendrer une forte
corrélation des variables explicatives voire une colinéarité.
Or recalculer les PDM sur l’échantillon restreint d’entreprises innovantes permet de
visionner les coefficients de corrélation au niveau NAF2 entre indices de concurrence
de marché et PDM suivant :

Corrélation PDM GINI C4 HHI

PDM 1
GINI -0.1535 1
C4 0.1741 0.3362 1
HHI 0.2105 0.2415 0.8530 1

- Tableau des corrélations entre la part de marché des firmes et les différents indices
de concurrence des marchés au niveau NAF2-

13
Un peu plus de 3 millions d’entreprises françaises, tous secteurs, toutes tailles et tous statuts confondus.

Concurrence & Innovation Page 30

La première colonne du tableau ci-dessus montre des coefficients de corrélation non
significatifs entre la mesure de la compétitivité propre à l’entreprise -part de marché- et les
indices de mesure de la concurrence des marchés. Cela permet donc l’introduction
simultanée de ces deux types de mesures dans une même régression.

2. L’objectif de l’introduction des PDM est de comparer l’impact qu’elles causent sur le
comportement des firmes concernées par l’innovation. Or considérer les PDM à
l’échelle de l’ensemble d’un secteur, agrandit les écarts et rend la mesure plus
sensible aux valeurs extrêmes.

3. Même si notre analyse se centre sur le niveau d’agrégation le plus poussé (NAF2). Il
n’en demeure pas moins que le nombre d’entreprises incluses dans chaque secteur
reste néanmoins élevé. Avec un tel nombre de firmes par secteur, les PDM calculées
deviennent très basses et reflètent moins bien la réalité de la concurrence sur le
marché. Rappelons que l’intérêt est de faire la comparaison d’une firme avec ses
concurrents concernés par une démarche d’innovation.

D’ailleurs, même en calculant les PDM avec les seules firmes incluses dans
l’échantillon -voir tableau résumant le nombre de firmes sur les 514 secteurs
NAF2 de notre échantillon-, ces PDM présentent une distribution asymétriquement
étalée vers la droite, soit un excès de « petites » valeurs -voir aussi point C de la
sous-section 5.1.1.1.1 pour les statistiques descriptives des parts de marché au
niveau NAF2-.

Percentiles Smallest
1% 1 1
5% 1 1
10% 1 1 Obs 514
25% 3 1 Sum of Wgt. 514

50% 8 Mean 24.54669

Largest Std. Dev. 63.97705
75% 22 486
90% 57 493 Variance 4093.063
95% 91 702 Skewness 8.191977
99% 235 836 Kurtosis 87.0866

- Tableau de statistiques sur le nombre d’entreprises par secteurs NAF2 sur

l’échantillon de 13142 firmes-

Concurrence & Innovation Page 31

- Graphique de distribution des parts de marché selon nomenclature de secteur NAF2
avec simulation d’une répartition de Kernel -

On peut donc qualifier cette mesure de PDM comme une mesure « relative » à l’échantillon
ou aux concurrents concernés par l’innovation.

Elle donne une indication permettant de tester le lien entre le poids d’une entreprise sur son
marché et l’innovation qui lui est inhérente ou qu’elle a pu accomplir.

Concurrence & Innovation Page 32

5. Estimations empiriques :

Pour vérifier la validité des hypothèses sur les déterminants de l’innovation et leurs
implications sur le dépôt de brevets, plusieurs modèles économétriques sont envisagés car le
choix du modèle économétrique se fait conformément au type de la variable exogène
choisie avec :

En premier lieu, un modèle Probit sur panel est utilisé pour régresser les variables binaires
d’innovation de produit, de procédé et de dépôt de brevet.

Ce premier modèle fournit le principal résultat empirique de cette étude et servira de

référent.

Un deuxième modèle est testé sur la variable continue d’intensité de R&D pour comparer si
l’input en innovation est sensible de la même manière aux variables utilisées pour estimer
l’output de l’innovation (innovation de produit, procédé ou dépôt de brevets)

Un troisième modèle est retenu afin de tester le comptage discret de la variable

comptabilisant le nombre de brevets.

5. 1. Modèle Probit de panel

Compte tenu de la spécification en panel des données, un modèle Probit de panel avec
contrôle de l’hétérogénéité individuelle aléatoire est utilisé pour tester l’impact des variables
exogènes choisies sur les indicatrices d’innovation et de dépôt de brevets.

Ce modèle permet non seulement d’identifier l’impact mais aussi de quantifier l’apport de
chaque variable sur la possibilité, exprimée en termes de probabilité, d’introduire une
innovation (produit/procédé) ou de breveter ses innovations.

Du fait que nos variables dépendantes sont des indicatrices prenant des valeurs
dichotomiques :

Innovation générale, Produit, Procédé, Brevet

𝑦=1 𝑑𝑎𝑛𝑠 𝑙′ 𝑎𝑓𝑓𝑖𝑟𝑚𝑎𝑡𝑖𝑓 (𝑜𝑢𝑖 𝑖𝑙 𝑦 𝑎 𝑖𝑛𝑛𝑜𝑣𝑎𝑡𝑖𝑜𝑛 𝑜𝑢 𝑏𝑟𝑒𝑣𝑒𝑡 )

{
𝑦=0 𝑑𝑎𝑛𝑠 𝑙𝑒 𝑐𝑎𝑠 𝑐𝑜𝑛𝑡𝑟𝑎𝑖𝑟𝑒

Concurrence & Innovation Page 33

Le modèle Probit de panel procédera à la modélisation de la probabilité d’occurrence d’une
observation positive 𝑦 = 1 de la façon suivante :

Il est à noter que le modèle Probit en panel ne peut être spécifié que pour des effets
inobservables aléatoires. Par ailleurs, le modèle étant non-linéaire, les coefficients de
paramètres obtenus ne donnent aucune signification en termes d’effet d’un changement des
variables explicatives sur la probabilité d’introduire une innovation ou un brevet.

Par conséquent, à la suite de chaque régression, les effets marginaux moyens sont calculés
pour quantifier l’effet ou la probabilité associée à un changement pour chaque variable.
Etant donné l’équation précédente de probabilité donnée par un modèle Probit, l’effet pour
chaque observation est obtenu par la relation suivante :

𝜕𝑝𝑖 𝜕𝛷 (𝑥𝑖 𝛽)
→ = = 𝜙(𝑥𝑖 𝛽) × 𝛽𝑘
𝜕𝑥𝑘,𝑖 𝜕𝑥𝑖

Ce qui permet de calculer un effet marginal moyen pour chaque variable sur les individus14
et sur le temps :

̂𝑘 ∑ 𝜙(𝑥𝑖,𝑡 𝛽̂ )
𝐸𝑀𝑘 = 𝛽 𝑘 ∶ 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑒
𝑖,𝑡

Dans ce qui suit concernant les modèles non-linéaires utilisés, les résultats sont présentés en
termes d’effets marginaux moyens préférés aux résultats de régressions économétriques et
calculés en post-estimation de celles-ci.

5.1.1. Procédure d’estimation :

Deux procédures d’estimation sont envisagées :

D’abord, toutes les variables explicatives sont prises dans la même période que les variables
endogènes à expliquer : une telle procédure (voir 5.1.1.1) donne du relief aux types de
relations attendus et est en conformité avec des études citées en littérature telle que celle
d’Aghion et al. (2005).

14
La dénomination individu en économétrie des panels désigne l’entité microéconomique sur laquelle les
observations sont faites : ici, il s’agit des firmes françaises sélectionnées dans l’échantillon d’étude.

Concurrence & Innovation Page 34

Par ailleurs, l’indicatrice de brevet est introduite dans les équations de régression
d’innovation générale, de produit et de procédé. Cela tient au fait que les dépôts de brevets,
s’ils ont lieu, précédent l’introduction de l’innovation qu’ils protègent. Il est facilement
concevable que dans le cas contraire les brevets ne seraient pas d’une grande utilité si
l’innovation a déjà été mise sur le marché et devient donc potentiellement mise à disposition
des concurrents. Les travaux de Jaffe & De Rassenfosse (2017) expliquent qu’une
innovation est généralement précédée de plusieurs brevets établis tout au long du processus
de développement.

Une deuxième procédure (voir 5.1.1.2) est faite afin d’éviter les éventuels biais
d’endogénéité où la variable à expliquer pourrait à son tour avoir un impact sur les variables
explicatives.

𝑥𝑖,𝑡 → 𝑦𝑖,𝑡 𝑒𝑡 𝑦𝑖,𝑡 → 𝑥𝑖,𝑡

Une manière d’éviter ce type de biais est de prendre les variables explicatives retardées dans
le modèle. Ainsi, elles sont considérées non-endogènes par construction car en effet :
𝑥𝑖,𝑡−1 peut avoir un impact sur 𝑦𝑖,𝑡

En revanche, une variable contemporaine ne peut avoir d’impact sur une autre variable dans
le passé, donc : 𝑦𝑖,𝑡 → 𝑥𝑖,𝑡−1

Dans cette procédure, la régression sur la variable d’innovation générale est abandonnée car
les interprétations sur les indicatrices d’innovation de produit et de procédé donnent
davantage de clarté quant aux liens aux variables explicatives d’intérêts.

Par ailleurs, l’indicatrice de brevet est supprimée des régressions sur l’innovation de produit
et de procédé car ayant l’effet le plus important. Ce choix permet d’éviter qu’elle absorbe et
réduise la distance des autres variables avec les variables à expliquer 𝑦𝑖,𝑡 : elle est ainsi
écartée à la manière d’une variable aux valeurs aberrantes tant elle impacte fortement les
innovations de produit et procédé.

5.1.1.1. Estimation de base d’un Probit de panel avec procédure étendue :

Dans cette procédure les variables exogènes utilisées sont contemporaines aux variables à
expliquer. Elles sont les mêmes pour toutes les régressions sauf que dans les régressions sur
indicatrices d’innovation la variable indicatrice de brevet est ajoutée.

Comme mentionné plus haut, l’ajout de cette variable se justifie par le fait qu’avant
l’aboutissement à une innovation définitive, plusieurs dépôts de brevets d’innovations
« intermédiaires » peuvent avoir lieu, cf. Jaffe & De Rassenfosse (2017).

Concurrence & Innovation Page 35

En revanche, dans la régression sur l’indicatrice de brevet, les indicatrices d’innovation ne
sont pas introduites car elles seront endogènes au modèle dans ce cas. En effet, la condition
même d’un dépôt de brevets est la protection de la propriété intellectuelle-industrielle
inhérente à une innovation.

S’il y a innovation, il est fort probable qu’elle soit déjà brevetée. La séquentialité habituelle
de la démarche veut que les brevets, s’ils ont lieu, soient déposés avant la sortie sur le
marché de l’innovation en question.

En conséquence, s’il y a dépôt de brevets par la firme, c’est forcément parce qu’elle prévoit
une innovation dans un « futur proche ». Tandis que si elle innove, cela n’est pas
nécessairement précédé de brevets.

Les régressions pour ces 4 variables (innovation générale, de produit, de procédé, de dépôt
de brevets) sont dupliquées pour les 3 indices de concentration de marché HHI, C4 et GINI
selon l’équation suivante :
𝑦𝑖𝑡 = 𝛼 + 𝛽𝑋𝑖𝑡 + 𝐷𝑡 + 𝑐𝑖 + 𝜀𝑖𝑡

avec :

𝑦𝑖𝑡 est la variable dépendante et est successivement notée : Innovation, Produit, Procédé, Brevet
pour désigner leurs variables indicatrices.

𝑋𝑖𝑡 est le vecteur des variables explicatives notées lrd_ca, ll, lyk, Brevet, exp, exp2, pdm_naf2,
pdm2_naf2, c4_naf2, qc4_naf2, hhi_naf2, hhi2_naf2, gini_naf2, gini2_naf2 et désignant
respectivement le logarithme de l’intensité de la R&D (R&D / chiffre d’affaire), le logarithme
de l’emploi, le logarithme de la production sur le capital, l’indicatrice de brevet, le taux
d’exportation puis son carré, la part de marché puis son carré et pour finir chaque indice
accompagné de son carré.

𝐷𝑡 Sont les variables dichotomiques temporelles utilisées pour contrôler l’effet du temps

𝑐𝑖 est l’hétérogénéité individuelle inobservable des firmes captée par les effets aléatoires du
modèle Probit de panel

𝜀𝑖𝑡 est l’erreur idiosyncratique de la régression

𝛼 est la constante du modèle mais sa valeur estimée n’apparait pas dans les tableaux de résultats
sur les effets marginaux montrés ci-dessus

𝛽 est le vecteur des coefficients des paramètres associés aux variables

Concurrence & Innovation Page 36

5.1.1.1.1. Interprétation des résultats préliminaires :

Etant donné la spécification en panel de l’échantillon considéré, nous pouvons

raisonnablement supposer que la dimension temporelle intervient à la fois au niveau de
l’évolution des caractéristiques propres aux firmes mais aussi au niveau de celle de leur
environnement intrinsèque : évolution du marché, changement du contexte économique, etc.

La modélisation et le contrôle de l’influence particulière du temps le long de la période

étudiée se fait par l’introduction de variables dichotomiques relatives à chaque année, ces
variables absorbent l’effet temporel exercé de la même manière sur l’ensemble des
entreprises et ce pour chaque laps de temps.

Les données de panel permettent donc d’introduire des variables dichotomiques relatives à
chaque pas de temps pour en contrôler et absorber son influence particulière tout au long de
la période étudiée.

Des tests Khi-deux -Wald- pour ces variables attestent leur nécessité en rejetant l’hypothèse
de leur nullité conjointe :

𝐻0 : → 𝑡1 = 𝑡2 = ⋯ = 𝑡12 = 0

Il est donc important d’intégrer ces variables pour contrôler l’influence conjoncturelle du
temps dans les modèles qui suivent.

Les tableaux suivants donnent les effets marginaux des régressions sur indicatrice
d’innovation indifférenciée, d’innovation de produit, de procédé ainsi que pour l’indicatrice
de brevets, chaque tableau comprend l’usage d’un des indices C4, GINI et HHI pour ces
régressions :

Concurrence & Innovation Page 37

Table : Effets Marginaux des régressions Probit de panel sur indicatrices
d’Innovation -indifférenciée-, de Produit, de Procédé et de Brevet
(Variable de concentration utilisée : C4_naf2)

----------------------------------------------------------------------------
Variable dépendante
(1) (2) (3) (4)
Innovation Produit Procédé Brevet
----------------------------------------------------------------------------

Variables
Explicatives

lrd_ca 0.0285*** 0.0453*** 0.0521*** 0.0336***

(0.00174) (0.00248) (0.00259) (0.00198)

ll 0.0126*** 0.0313*** 0.0303*** 0.0393***

(0.00217) (0.00305) (0.00316) (0.00254)

lyk 0.0168*** 0.0197*** 0.0145*** -0.0166***

(0.00248) (0.00343) (0.00355) (0.00231)

Brevet 0.168*** 0.217*** 0.204***

(0.00614) (0.00786) (0.00801)

exp 0.0817*** 0.234*** 0.0487 0.180***

(0.0303) (0.0425) (0.0439) (0.0259)

exp2 -0.0952*** -0.210*** -0.0190 -0.0953***

(0.0355) (0.0498) (0.0514) (0.0287)

pdm_naf2 -0.0437 -0.0379 0.140 0.330***

(0.0631) (0.0892) (0.0922) (0.0570)

pdm2_naf2 0.0237 -0.0355 -0.191* -0.344***

(0.0715) (0.102) (0.105) (0.0648)

c4_naf2 0.0944* 0.230*** -0.139* -0.0261

(0.0497) (0.0696) (0.0719) (0.0458)

qc4_naf2 -0.112** -0.232*** 0.116 0.0449

(0.0563) (0.0791) (0.0816) (0.0516)

Variables de
Contrôle
Temporelles Oui Oui Oui Oui

----------------------------------------------------------------------------
N 43000 43000 43000 49238
----------------------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 38

Table : Effets Marginaux des régressions Probit de panel sur indicatrices
d’Innovation -indifférenciée-, de Produit, de Procédé et de Brevet
(Variable de concentration utilisée : GINI_naf2)

----------------------------------------------------------------------------
Variable dépendante
(1) (2) (3) (4)
Innovation Produit Procédé Brevet
----------------------------------------------------------------------------

Variables
Explicatives

lrd_ca 0.0303*** 0.0473*** 0.0537*** 0.0358***

(0.00179) (0.00254) (0.00265) (0.00205)

ll 0.0138*** 0.0324*** 0.0313*** 0.0404***

(0.00218) (0.00306) (0.00318) (0.00256)

lyk 0.0181*** 0.0192*** 0.0177*** -0.0149***

(0.00250) (0.00345) (0.00356) (0.00231)

brevet 0.168*** 0.216*** 0.204***

(0.00615) (0.00787) (0.00801)

exp 0.0800*** 0.239*** 0.0337 0.174***

(0.0302) (0.0424) (0.0438) (0.0257)

exp2 -0.0921*** -0.211*** -0.00584 -0.0878***

(0.0356) (0.0498) (0.0514) (0.0286)

pdm_naf2 -0.0741 -0.0434 0.0941 0.309***

(0.0631) (0.0891) (0.0919) (0.0567)

pdm2_naf2 0.0463 -0.0279 -0.151 -0.316***

(0.0717) (0.102) (0.105) (0.0644)

gini_naf2 0.495 1.935** 0.0688 1.708***

(0.548) (0.770) (0.810) (0.518)

gini2_naf2 -0.400 -1.229*** -0.179 -1.183***

(0.333) (0.467) (0.491) (0.315)

Variables de
Contrôle
Temporelles Oui Oui Oui Oui

----------------------------------------------------------------------------
N 43000 43000 43000 49238
----------------------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 39

Table : Effets Marginaux des régressions Probit de panel sur indicatrices
d’Innovation -indifférenciée-, de Produit, de Procédé et de Brevet
(Variable de concentration utilisée : HHI_naf2)

----------------------------------------------------------------------------
Variable dépendante
(1) (2) (3) (4)
Innovation Produit Procédé Brevet
----------------------------------------------------------------------------

Variables
Explicatives

lrd_ca 0.0286*** 0.0457*** 0.0517*** 0.0335***

(0.00174) (0.00248) (0.00258) (0.00198)

ll 0.0128*** 0.0319*** 0.0300*** 0.0392***

(0.00217) (0.00304) (0.00316) (0.00254)

lyk 0.0167*** 0.0192*** 0.0150*** -0.0166***

(0.00248) (0.00343) (0.00355) (0.00231)

brevet 0.168*** 0.217*** 0.205***

(0.00615) (0.00786) (0.00801)

exp 0.0842*** 0.241*** 0.0434 0.179***

(0.0302) (0.0424) (0.0438) (0.0258)

exp2 -0.0977*** -0.217*** -0.0152 -0.0946***

(0.0355) (0.0497) (0.0514) (0.0287)

pdm_naf2 -0.0552 -0.0568 0.142 0.334***

(0.0631) (0.0891) (0.0920) (0.0570)

pdm2_naf2 0.0369 -0.0160 -0.187* -0.349***

(0.0718) (0.102) (0.105) (0.0649)

hhi_naf2 0.0618 0.197** -0.106 0.0329

(0.0617) (0.0877) (0.0906) (0.0558)

hhi2_naf2 -0.200** -0.415*** 0.0896 0.00791

(0.102) (0.149) (0.154) (0.0910)

Variables de
Contrôle
Temporelles Oui Oui Oui Oui
----------------------------------------------------------------------------
N 43000 43000 43000 49238
----------------------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 40

 A. Robustesse des résultats aux indices :

La comparaison des résultats de régressions Probit de panel pour chacune des indicatrices
d’innovation donnent des résultats très proches quel que soit l’indice de marché choisi
hormis deux exceptions liées aux indices de marché eux-mêmes :

a. Tandis que l’indice C4 et sa forme quadratique sont significatifs dans l’équation

d’innovation générale, le HHI et le GINI ne le sont pas dans l’équation d’innovation
générale. Une explication de cette différence est à chercher dans la nature de l’indice
lui-même.
En effet, la distribution et la répartition de cet indice montrent qu’il est plus centré
(médiane = 0.25 et Skewness = 0.9915583) que le HHI (médian = 0.031 et Skewness
= 3.97503) et le GINI (médian = 0.88 et Skewness = -1.163064) qui présentent donc
des distributions, respectivement, étalées sur la droite et sur la gauche -voir
graphique de distribution en sous-section 2.2.2.1-

b. Par ailleurs, dans l’équation d’indicatrice de brevet, seul l’indice de GINI est
significatif, alors que les deux autres indices ne le sont pas. Une explication en est
donnée plus loin après analyse détaillée des résultats (cf. GINI et impact sur les
brevets).

La comparaison des régressions sur indicatrices en fonction des indices de mesure de

concurrence des marchés permet de valider la robustesse des résultats puisque seules ces
deux différences sont relevées.

B. Analyse d’impacts sur les variables dépendantes :

La confrontation des résultats pour les différentes indicatrices (innovation générale, produit,
procédé, brevet) et ce pour une même mesure de concurrence de marché révèle dans quelle
mesure les variables influencent différemment les comportements d’innovation.

En prenant le cas des régressions avec HHI comme mesure de compétitivité :

Les effets marginaux de l’intensité de R&D -logarithme de son investissement rapporté au

chiffre d’affaire- montrent un lien positif : en effet, plus l’intensité de R&D augmente, plus
la probabilité de breveter augmente (0.03) et ce lien est encore plus important pour la
probabilité d’innover qui se voit augmenter dans une plus grande mesure (0.04 pour les
procédé et 0.05 pour les produits).

Concurrence & Innovation Page 41

Le même constat s’observe pour l’emploi : plus une entreprise est grande, plus la probabilité
qu’elle innove est élevée (0.03) mais ce lien est encore plus fort pour sa propension à
breveter (0.039) et c’est quasiment 3 fois plus importante si l’on considère l’indicatrice
d’innovation générale dont l’effet marginal est de 0.01.

En un sens, l’intensité de la R&D et la taille favorisent l’innovation de la même manière,

indépendamment de son type, mais, surtout, augmentent dans une plus grande mesure les
probabilités de l’entreprise à breveter.

La productivité du capital entraine un effet inverse entre innovation et brevet : tandis qu’elle
augmente la probabilité d’innover (0.01), elle agit de manière négative en entrainant l’effet
inverse -baisse- sur la probabilité de breveter (-0.01). Autrement dit, plus la productivité du
capital augmente moins l’entreprise déposera de brevets.

Ce phénomène pourrait provenir du fait que les entreprises dont la productivité du capital
est grande seraient les entreprises de l’économie numérique comme par exemple le type
« startup » ayant des ressources limitées en capitaux, caractérisées par leurs petites tailles et
un rendement des capitaux supérieur à celui des entreprises classiques car celles-là
investissent des segments ou des niches de marché sans nécessité d’y apporter de grandes
innovations par la suite et surtout sans nécessité d’avoir une démarche de dépôt de brevets
pour survivre dans leurs créneaux. D’ailleurs, il est intéressant de faire le rapprochement
entre cette variable et la taille dont le lien a été précédemment vu :

Pour qu’une entreprise se rapproche du standard « startup », sa taille diminue, la

productivité de son capital devrait augmenter et elle aurait tendance à moins déposer de
brevets que les grandes entreprises ayant un souci de pérennité sur leur marché, ce qui est
corroboré par les résultats concernant ces deux variables dans ces régressions
économétriques.

Dans les régressions d’indicatrice d’innovation, les brevets semblent jouer l’un des rôles les
plus importants parmi toutes les variables puisqu’ils présentent l’effet marginal le plus
important. En revanche, le fait qu’une entreprise brevète semble impliquer davantage
d’innovation en produit que d’innovation en procédé. Ce résultat est similaire à ce qui est
trouvé dans les travaux de Duguet et al. (2004).

Outre ces variables microéconomiques caractérisant les entreprises et dont les

significativités et mesures sont proches mais nuancées, les variables liées aux marchés et
environnements d’entreprises (exportations, PDM, indices de concentration-concurrence)

Concurrence & Innovation Page 42

sont testées à la forme quadratique et introduisent une différenciation plus importante dans
les démarches d’innovation :

La littérature fait mention de l’exportation, les auteurs consultés, Aghion et al. (2018),
évoquent l’exportation et examinent ce qu’il en est de son incidence sur l’innovation. Dans
ce qui suit, nous allons nous consacrer à l’examen minutieux des effets des exportations sur
l’innovation de produit et/ou de procédé. Le lien avec le dépôt de brevets mérite également
une attention.

Ainsi, l’exportation, conformément à ce qui était attendu15, joue seulement sur les
innovations en produit et sur les brevets. Les entreprises exportatrices ont intérêt à innover
en produit pour s’établir durablement sur les marchés étrangers.

Que les exportations consistent en une présence sur un seul marché étranger ou une
présence dans de multiples marchés étrangers, les entreprises se mettent dans la perspective
d’introduire des produits innovants sur ces marchés.

- Courbe de l’innovation de Produit en fonction des exportations -

15
Aghion et al. (2018) trouvent que les exportations bien qu’elles augmentent le niveau de concurrence à laquelle doit
faire face l’entreprise en pénétrant un marché extérieur, augmentent l’incitation des entreprises à innover.

Concurrence & Innovation Page 43

Par ailleurs, il serait utile de savoir si les entreprises qui exportent le plus n’innoveraient pas
davantage en procédé pour produire plus efficacement : empiriquement, les exportations
semblent ne pas se répercuter sur la tendance à innover en procédé.

Une autre remarque vient du fait que les exportations semblent se répercuter de manière
plus importante sur la démarche de dépôt de brevet : une augmentation des exportations
entraine une augmentation des brevets encore plus importante que celle des innovations de
produit même si l’effet semble dans le deux cas décroitre à partir d’un certain seuil16.

- Courbe de l’indicatrice de brevets en fonction des exportations -

Les exportations entrainent donc une disposition plus grande à la protection des droits de
propriété intellectuelle que l’incitation à introduire de nouvelles innovations.

Ceci pourrait s’expliquer par la duplication de brevets dans des pays différents où opèrent
les entreprises exportatrices :

16
Cela se constate au coefficient du carré des exportations qui est négatif et significatif dans les régressions.

Concurrence & Innovation Page 44

Le tableau de corrélation entre les brevets selon la nationalité de l’office de dépôt qui leurs
sont associées montre une corrélation de 0.4009 entre brevets français et américains et une
corrélation de 0.5744 entre brevets français et brevets du reste du monde (européens et
américains exclus). Cela suggère une duplication de brevets dans ces différents espaces
économiques.

Tableau de Corrélation entre brevets français - brevets européens - brevets américains - autres brevets
(reste du monde non européen et non américain) - total des brevets (obs=47150)

Brevets Fr Brevets Euro Brevets US Brevets autres Total Brevets

Brevets Fr 1.0000
Brevets Euro 0.1122 1.0000
Brevets US 0.5628 0.1706 1.0000
Brevets autres 0.4009 0.1133 0.5744 1.0000
Total brevets 0.4658 0.8258 0.5661 0.6156 1.0000

La faible corrélation des brevets européens avec les brevets français, américains et autres
pays externes à ces zones géographiques s’explique par les accords passés par l’office
européen de brevets reconnaissant un brevet européen dans les offices intra-européens et
inter-partenaires avec l’Europe17.

Il convient de signaler que cette variable est exprimée en pourcentage de la production et

non en terme relatif par rapport aux concurrents -sur les marchés étrangers- contrairement
au PDM. C’est-à-dire qu’une augmentation ou une baisse des exportations ne renseignent en
rien quant au poids de la firme sur le marché étranger. De ce fait, les résultats pour cette
variable ne peuvent en aucune mesure être rapprochés ou comparés à ceux de la variable
PDM qui fait l’objet des prochains développements (voir infra la partie C. Compétitivité de
l’entreprise, innovation et dépôt de brevets).

D’ailleurs, le tableau suivant donne le coefficient de corrélation de ces deux variables sur
128308 observations et démontre leur indépendance :
Corrélation pdm_naf2 exp (obs=128308)

Corrélation pdm_naf2 exp

pdm_naf2 1.0000
exp 0.0561 1.0000

17 ème
Voir : la Convention sur le brevet européen, 16 édition, 2016.

Concurrence & Innovation Page 45

 C. Compétitivité de l’entreprise, innovation et dépôt de brevets:

Un résultat singulier est à noter à propos de l’influence du niveau de compétitivité de

l’entreprise et du poids d’une entreprise dans son marché sur son comportement
d’innovation et de dépôt de brevets :

En effet, le niveau concurrentiel de l’entreprise mesuré par sa part de marché dans le secteur
d’appartenance de l’entreprise en fonction de la nomenclature NAF2 semble n’avoir aucun
impact sur la disposition à innover de l’entreprise.

Ce résultat vient contredire les travaux de Kornelius (1989) par exemple, qui trouve un lien
significatif et un apport important de la PDM comme déterminant de l’innovation de
produit.

Une explication tient au fait que si l’entreprise dispose d’une bonne position concurrentielle,
reflet d’une part de marché et des ventes « confortables », c’est que, compte tenu des cycles
de vie des produits18, l’entreprise peut se trouver à une étape où elle a déjà innové dans une
période précédente, T-n, et se consacre à la période T à une phase de promotion-
accompagnement des ventes de produits.

Cette explication atteint ses limites en prenant en compte le caractère dynamique de

l’innovation. Une manière de traiter ce biais est de dissocier l’innovation des parts de
marché contemporaines en testant un modèle économétrique à retards échelonnés avec
plusieurs observations retardées des parts de marché mais nous avons fait le choix de faire
abstraction d’un tel traitement pour éviter de réduire « drastiquement » et de façon
significative la taille de notre échantillon. En revanche, la deuxième procédure d’estimation
-voir section 5.2.2- introduit la part de marché retardée d’une période.

Contrairement au résultat sur l’innovation qui ne montre aucun lien entre celle-là et les
PDM, la position concurrentielle de l’entreprise présente un lien significativement (+) avec
la probabilité de breveter.

Pic des brevets et lien avec les PDM :

Ce lien, caractérisé par une équation de forme quadratique, présente une figure en forme de
« U-inversé » avec une propension maximale à breveter quand la part de marché avoisine
les 47% et ce quelle que soit la conjonction avec l’indice de concentration -voir prochain
graphique-.

18
La littérature en sciences de gestion et notamment en marketing nous apprend que le pic des parts de marché d’un
produit est atteint en fin de cycle de vie d’un produit, Strategor (2005).

Concurrence & Innovation Page 46

A partir de ce seuil, les firmes étant en position quasi-dominante, montrent moins d’intérêt à
protéger leurs innovations en cours par rapport à des concurrents outsiders ou aux entrants
sur le marché.

95% des observations < 0.47

- Courbe de la tendance à breveter en fonction de part de marché au niveau NAF2 -

Cette variable permet de déduire en conséquence que la position concurrentielle joue un rôle
dans la protection des innovations : elle incite les firmes à protéger leurs innovations et non
pas à en créer davantage et ce, jusqu’à un point culminant de 47% de part de marché où la
firme devient quasiment dominante sur son marché.

Ainsi, les entreprises non-dominantes sur le marché ont tendance à protéger leur innovation
par les brevets, tandis que les firmes leaders ou du moins celles qui dépassent une part de
marché de 47% présentent un intérêt de moins en moins important à protéger leurs
innovations au fur et à mesure que cette part de marché s’accroit et que la position de leader
émerge ou s’intensifie19.

19
Il convient de noter que dans les enquêtes d’innovation ainsi que dans les fichiers fiscaux dont nous disposons pour
cette étude, il n’existe pas de données marketing à croiser avec la PDM pour pouvoir expliquer la pluralité des facteurs
étayant ce résultat.

Concurrence & Innovation Page 47

Par ailleurs, il convient de souligner que l’ancrage des firmes sur un marché donné passe
aussi par une culture de l’image et donc, les firmes se consacrent davantage à des actions
marketing pour continuer à cultiver cette position plutôt que de se protéger d’éventuelles
menaces concurrentielles.20

Lien par rapport à la distribution des PDM :

Les statistiques descriptives sur les PDM au niveau NAF2 -voir tableau ici-bas- permettent
de remarquer que 95% des observations de PDM sont inférieures à la 0.2969 (Soit environ
29% de PDM).

Nous pouvons en déduire que, symétriquement, le 5% d’observation restantes sont

supérieures à 29%.

Cela signifie aussi que les observations dépassant les 47% de PDM représentent encore
moins de 5% de l’échantillon et que, par conséquent, à ce point d’inflexion de la courbe où
à partir duquel l’augmentation des PDM fait baisser la tendance à breveter ne concerne que
très peu d’observations et donc très peu d’entreprises.

La relation est donc quasi-linéaire entre la PDM et la tendance à breveter, l’inversion de

cette tendance ne concernant que très peu d’entreprises lorsqu’elles deviennent « Leaders »
de leurs secteurs.

Percentiles Smallest
1% .0000212 0
5% .0000895 0
10% .0002153 0 Obs 49930
25% .0010755 0 Sum of Wgt. 49930

50% .006664 Mean .055428

Largest Std. Dev. .1457396
75% .0338309 1
90% .1321733 1 Variance .02124
95% .2968746 1 Skewness 4.40246
99% .9018772 1 Kurtosis 24.23879
- Tableau de quantile de distribution des parts de marché de l’échantillon de 13142
firmes selon nomenclature NAF2 des secteurs d’activités -

20
Strategor (2005).

Concurrence & Innovation Page 48

 D. Concentration et intensité concurrentielle des marchés :

Impact sur l’innovation :

L’intensité concurrentielle quel que soit l’indice considéré -HHI, GINI, C4- dévoile des
particularités similaires quant au lien avec le processus d’innovation. En effet, ces indices
apparaissent comme des facteurs influent dans l’innovation en produit mais pas en procédé
ni dans la protection de l’innovation par dépôt de brevet.

Les trois mesures donnant un même type de relation schématisée par une courbe de forme
concave avec un pic où la probabilité d’innover en produit atteint son maximum.

Une analyse plus fine montre, cependant, que ces pics symbolisant le maximum de la
prédisposition de l’entreprise à innover en produit avant le déclin sont bien au-dessus des
valeurs moyennes ou même médianes des indices de concentration. Cela veut dire que dans
le sens inverse de lecture de ces indices, celui de la concurrence : pour un niveau de
concurrence mesuré -relativement bas-, la tendance à innover atteint son pic avant
d’amorcer un décrochage représenté par l’inflexion de la courbe.

Autrement dit, ils ne concernent que « peu » de secteurs de la nomenclature naf-révision 2

et donc pour un grand nombre de secteurs, le lien est strictement croissant.

Un grand nombre d’entreprises des secteurs de la nomenclature NAF2 dont les indices
de concentration sont inférieurs à la valeur qui maximise l’innovation sont concernées par
une hausse de l’innovation liée à la concentration et donc, dans le sens contraire, cela se
traduit par un déclin de l’innovation quand la concurrence augmente.

D’un autre côté, pour un petit nombre de secteurs (25% des observations de notre
échantillon et 20% de secteurs NAF2), le lien est strictement croissant et l’augmentation de
la concurrence entraine une augmentation de l’innovation. Mais si un déclin de la tendance à
innover n’est pas observé, c’est parce que ces secteurs présentent un haut degré de
concentration et pas suffisamment de concurrence.

Toutefois, sur les secteurs concernés par ce repli et donc représentant réellement cette forme
de courbe en U-inversé, la rudesse de la concurrence semble rendre caduque l’avantage
substantiel induit par l’introduction d’une innovation à partir d’un certain seuil de
concurrence.

Concurrence & Innovation Page 49

 75% des observations
de l’indice C4

Intensification de la concurrence

- Courbe de l’innovation de Produit en fonction de l’indice C4 de

concentration/concurrence au niveau NAF2 -

Indice de GINI comme indicateur nuancé des disparités concurrentielles :

Un autre lien doit être évoqué : celui des écarts de positions concurrentielles entre
entreprises avec la tendance à innover en produit. L’idée que les disparités concurrentielles
ont un impact sur la prédisposition des entreprises à innover est vraisemblable. L’indice de
GINI comme indicateur « nuancé » (de ces disparités concurrentielles) permet de voir ce
qu’il en est. L’examen des résultats économétriques recueillis révèle en effet une courbe en
forme de « U-inversée » (voir la prochaine figure pour ce résultat).

En réalité, ce n’est pas tant l’écart concurrentiel entre les entreprises sur les secteurs qui
fait baisser la prédisposition des entreprises à innover en produit selon ce schéma de
courbe de probabilité de forme de « U-inversée » mais plutôt l’augmentation de la
concurrence sur les marchés.

Concurrence & Innovation Page 50

Les raisons en sont que l’inversion de la tendance à innover s’amorce à des valeurs de HHI
ou de C4 de respectivement 0,23 et 0,49. A partir de ces valeurs, 95% des observations sont
concernées pour le HHI puisqu’elles sont inférieures à une valeur 0,20 tandis que 75% des
observations pour le C4 sont concernées car inférieures à 0,44.

En outre, une observation attentive de l’indice de GINI montre que ce déclin s’enclenche à
partir d’une valeur calculée de 0,78 qui, elle, est dans le premier quartile des valeurs du
GINI. Autrement dit, moins de 25% des valeurs du GINI sont inférieures à ce pic.

Sachant que le GINI est un indicateur de mesure de l’inégalité ; sur nos données, il permet
également d’appréhender les « inégalités » dues au marché ou plus précisément les écarts de
répartition et de partage du marché entre les entreprises d’un même secteur de la
nomenclature NAF2 utilisée pour le calcul.

Par conséquent, puisque le GINI montre que plus de 75% des observations sont supérieures
à ce seuil élevé d’inégalité (0,78) c’est que l’inégalité entre entreprises sur un marché joue
un rôle dérisoire dans la baisse de la tendance à innover.

Les firmes sont donc plus sensibles à l’intensité de la concurrence entre elles et présentent
une certaine tolérance à l’inégalité sans se laisser dissuader par une position hégémonique
d’un leader qui ferait baisser la tendance générale à l’innovation.

D’ailleurs, la variable PDM qui représente la position concurrentielle d’une firme étaye ce
résultat. Le fait que la PDM ne soit pas significative dans l’innovation montre bien que les
firmes, quelle que soit leur assise sur le marché, se concurrencent de la même manière sur
un même marché relativement au niveau de concurrence générale du secteur dans sa
globalité. Indépendamment des disparités de PDM détenue par une firme, de son niveau de
compétitivité, la tendance à innover des firmes présente une sensibilité au niveau général de
concurrence du secteur mesuré par le HHI ou C4 par exemple.

Il n’y a pas de lien entre les disparités de position ou les disparités de poids et d’emprise des
firmes sur leur marché et le fait qu’elles chercheraient à prendre l’avantage en innovant.

Donc, dans la grande majorité des secteurs, la concurrence joue un rôle crucial pour
atteindre le pic d’innovation mais cette tendance à innover est suivie par une baisse à de
faibles valeurs (HHI et C4 respectivement à 0,23 et 0,49) alors que l’écart concurrentiel
appréhendé par le GINI enclenche un déclin à des valeurs élevées (0,78).

En conséquence, la concentration des marchés augmente la tendance à innover de moins en

moins vite mais de manière strictement croissante sur la plupart des marchés, nous l’avons

Concurrence & Innovation Page 51

vu plus haut (HHI et C4 inférieurs à 0,23 et 0,49) mais les firmes « tolèrent » un seuil
d’inégalité de répartition du marché, mesuré au point d’inflexion de la relation entre le GINI
et l’innovation (à une valeur de GINI = 0,78), au-delà de laquelle la tendance à innover
décroit (voir figure infra).

Ce résultat vient dans le sillage des résultats d’Aghion et al. (2005), dans le sens où si on
admet l’existence d’un marché où il n’y aurait pas d’écart « flagrant » entre concurrents
mais où la concurrence serait rude du fait de l’existence de beaucoup de concurrents à des
niveaux comparables21 (PDM proches), l’innovation en serait davantage augmentée.

Ainsi, l’indice de GINI nous permet d’arriver à un résultat proche de celui trouvé par
Aghion et al. (2005) mais avec une démarche « totalement » différente.

- Courbe de l’innovation de Produit en fonction des inégalités de détention des

marchés (indicateur GINI au niveau NAF2) -

21
« Neck-and-neck firms » dans l’article d’Aghion et al. (2005).

Concurrence & Innovation Page 52

GINI et impact sur les brevets :

Un autre résultat concerne les brevets et se justifie par le fait que les indices HHI et C4 ne
montrent pas de lien clair entre la concentration de marché et la tendance à breveter alors
que l’indice de GINI propose une lecture plus fine.

En l’occurrence, l’écart concurrentiel entre entreprises ou l’écart de détention de leur

marché reflété par l’indice GINI semble jouer un rôle sur la propension à breveter avec un
même type de relation que pour l’innovation, à savoir une courbe en forme de cloche.

Autrement dit, quel que soit le nombre de concurrents sur le marché, cela n’affecte en rien
la protection des innovations par les brevets (non significativité du HHI et C4 dans
l’équation de brevet) à condition que la répartition du marché soit proche entre concurrents
ou « équitable ».

En revanche, à mesure qu’un écart reflété par l’augmentation de l’indice du GINI se creuse
entre leaders22 et suiveurs, les entreprises tendent à breveter jusqu’à une certaine mesure de
l’écart ; elle est égale à une valeur de GINI de 0,72 où la relation s’inverse.

L’inversion de la tendance à breveter indique que les disparités entre entreprises en termes
de part de marché deviennent tellement grandes que la « bataille » concurrentielle ne passe
plus par un système de protection des innovations mais s’oriente sur d’autres vecteurs.

Ces résultats viennent corroborer les déductions précédemment faites sur les parts de
marché. Preuve en est : la variation des parts de marché, qui sont des données individuelles
et propres à chaque entreprise, entraine une variation de la tendance à breveter.

Mais jusqu’ici, seul l’écart concurrentiel entre entreprises était pris en compte. Celui-ci ne
donne aucune information quant aux entreprises qui s’inscrivent dans cette logique de
protection par brevets sauf à considérer et à croiser ces résultats avec ceux concernant les
parts de marché pour pouvoir distinguer : sont-ce les entreprises dominées sur le marché qui
protègent leurs innovations ou bien plutôt les entreprises qui détiennent les plus grosses
parts du marché ?

Puisque l’augmentation de la part de marché d’une firme se fait par « grignotage » des parts
de marché des concurrents et à leur détriment, creusant ainsi l’écart concurrentiel entre
firmes en faveur des plus grandes tout en augmentant la tendance à breveter. Il est
raisonnable de déduire que ce sont les entreprises qui se hissent vers le haut du classement
qui protègent leur système d’innovation tout en brevetant.

22
Nous parlons de plusieurs leaders car :
Il peut y avoir plusieurs entreprises en « pole position » avec des écarts + ou – grands entre eux.
Comme, Il peut s’agir aussi des comportements des leaders de chaque secteur pris de manière isolée.

Concurrence & Innovation Page 53

Il en est ainsi jusqu’à un certain point où, à la fois, les écarts (mesurés par le GINI) mais
aussi l’assise d’une entreprise sur le marché (PDM) lui permettent d’avoir une stature et un
ascendant concurrentiel permettant d’assurer sa pérennité via d’autres facteurs que la
protection des innovations par les brevets.

Pour tout ce qui précède, voir la courbe suivante :

- Courbe de la tendance à breveter en fonction des inégalités de détention des marchés

Indicateur GINI au niveau NAF2 –

E. Remarque sur les variables complémentaires :

En outre, nous avons cru utile d’introduire une indicatrice de subvention et une indicatrice
du type de R&D. De sorte que l’on puisse tester si l’innovation peut être aussi en fonction
du type de R&D entrepris par l’entreprise, qu’elle soit R&D fondamentale, R&D appliquée
ou R&D de développement. Finalement, ces variables sont retirées car ne donnant pas de
résultats probants.

Concurrence & Innovation Page 54

5.1.1.2. Procédure d’estimation d’un Probit de panel avec variables retardées :

En introduisant les variables explicatives à une période retardée, cette procédure permet
d’éviter d’éventuels biais d’endogénéité dus à une causalité inverse où la variable
dépendante aurait un impact sur les variables indépendantes explicatives.

L’hypothèse d’endogénéité, présumant que les innovations, qu’elles soient protégées par des
brevets ou pas, participeraient à l’augmentation des ventes des firmes et donc des parts de
marché, des exportations et de la sorte impacteraient le niveau de concurrence est jugulée
par l’introduction de ces variables au temps t-1 soit avec un retard d’un an.

De même, il est plausible que les firmes réagissent à ces variables de marché par les
innovations moyennant un délai de réactivité.

Par ailleurs, il est probable que l’une des variables, la productivité du capital, utilisée pour
caractériser et contrôler l’effet intrinsèque de la firme : pourrait être sensible aux
innovations de procédé voire aux brevets. A cet effet, elle y est aussi retardée.

Concurrence & Innovation Page 55

5.1.1.2.1. Résultats principaux :
Table : Effets Marginaux des régressions Probit de panel sur indicatrices de
Produit, de Procédé et de Brevet, procédure d’estimation avec retards
(Variable de concentration utilisée : C4_naf2)

------------------------------------------------------------
(1) (2) (3)
Produit Procédé Brevet
------------------------------------------------------------
lrd_ca 0.0503*** 0.0577*** 0.0325***
(0.00261) (0.00272) (0.00204)

ll 0.0387*** 0.0387*** 0.0398***

(0.00322) (0.00334) (0.00263)

L.lyk 0.0135*** 0.00566 -0.0164***

(0.00366) (0.00377) (0.00236)

L.exp 0.240*** 0.0316 0.194***

(0.0454) (0.0467) (0.0268)

L.exp2 -0.181*** 0.0307 -0.112***

(0.0533) (0.0549) (0.0297)

L.pdm_naf2 0.0233 0.220** 0.308***

(0.0952) (0.0981) (0.0587)

L.pdm2_naf2 -0.141 -0.292*** -0.332***

(0.109) (0.112) (0.0673)

L.c4_naf2 0.186** -0.205*** -0.00908

(0.0744) (0.0766) (0.0467)

L.qc4_naf2 -0.172** 0.173** 0.0234

(0.0846) (0.0869) (0.0526)

Variables de
Contrôle
Temporelles Oui Oui Oui

------------------------------------------------------------
N 39694 39694 44961
------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 56

Table : Effets Marginaux des régressions Probit de panel sur indicatrices de
Produit, de Procédé et de Brevet, procédure d’estimation avec retards
(Variable de concentration utilisée : GINI_naf2)
------------------------------------------------------------
(1) (2) (3)
Produit Procédé Brevet
------------------------------------------------------------
lrd_ca 0.0525*** 0.0597*** 0.0345***
(0.00267) (0.00278) (0.00211)

ll 0.0400*** 0.0398*** 0.0409***

(0.00324) (0.00335) (0.00265)

L.lyk 0.0131*** 0.00994*** -0.0149***

(0.00366) (0.00377) (0.00235)

L.exp 0.243*** 0.0104 0.189***

(0.0453) (0.0466) (0.0266)

L.exp2 -0.180*** 0.0494 -0.105***

(0.0533) (0.0548) (0.0296)

L.pdm_naf2 0.0179 0.156 0.283***

(0.0950) (0.0978) (0.0584)

L.pdm2_naf2 -0.129 -0.234** -0.304***

(0.109) (0.112) (0.0670)

L.gini_naf2 2.073** 0.328 1.263**

(0.838) (0.873) (0.522)

L.gini2_naf2 -1.329*** -0.378 -0.899***

(0.508) (0.529) (0.317)

Variables de
Contrôle
Temporelles Oui Oui Oui

------------------------------------------------------------
N 39694 39694 44961
------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 57

Table : Effets Marginaux des régressions Probit de panel sur indicatrices de
Produit, de Procédé et de Brevet, procédure d’estimation avec retards
(Variable de concentration utilisée : HHI_naf2)
------------------------------------------------------------
(1) (2) (3)
Produit Procédé Brevet
------------------------------------------------------------
lrd_ca 0.0507*** 0.0572*** 0.0325***
(0.00261) (0.00272) (0.00204)

ll 0.0393*** 0.0381*** 0.0397***

(0.00322) (0.00333) (0.00263)

L.lyk 0.0133*** 0.00624* -0.0163***

(0.00365) (0.00376) (0.00236)

L.exp 0.245*** 0.0248 0.194***

(0.0453) (0.0467) (0.0268)

L.exp2 -0.185*** 0.0358 -0.112***

(0.0533) (0.0548) (0.0297)

L.pdm_naf2 0.00761 0.227** 0.310***

(0.0950) (0.0979) (0.0586)

L.pdm2_naf2 -0.124 -0.296*** -0.335***

(0.109) (0.113) (0.0675)

L.hhi_naf2 0.223** -0.203** 0.0379

(0.0935) (0.0966) (0.0566)

L.hhi2_naf2 -0.406** 0.275* -0.0196

(0.159) (0.165) (0.0925)

Variables de
Contrôle
Temporelles Oui Oui Oui
------------------------------------------------------------
N 39694 39694 44961
------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Les résultats de cette procédure (voir la section 5.1.2) permettent de confirmer la robustesse
de la première procédure pour ce qui est de la régression sur l’indicatrice d’innovation de
produits et sur celle de brevets.

D’un autre côté, il en ressort qu’en ce qui concerne l’innovation en procédé, celle-ci semble
sensible à la part de marché de l’année qui précède l’introduction d’une innovation de
procédé. De fait, la PDM lorsqu’elle est combinée avec le HHI et le C4 y est significative.

Concurrence & Innovation Page 58

Les firmes dont la PDM augmenterait à la période ultérieure peuvent accélérer
l’introduction d’une innovation de procédé afin d’augmenter l’efficacité de leur production.

Par ailleurs, les indices de concentration-concurrence HHI et C4 montrent un lien

significatif avec l’innovation en procédé au détail près que la relation est négative, c’est-à-
dire que dans un premier temps l’augmentation de la concurrence fait baisser la tendance à
innover en procédé, sans doute parce que les firmes se concentrent alors sur celle-ci mais
lorsque la concurrence s’intensifie, les firmes introduisent davantage d’innovation de
procédé pour probablement produire mieux que le concurrent toutes choses étant égales par
ailleurs.

5.1.3. Qu’en est-t-il pour un niveau d’agrégation plus élevé NA129 ?

Les statistiques descriptives permettent de remarquer que les PDM au niveau NAF2
présentent une distribution moins asymétrique et plus aplatie que celles du niveau NA129.
C’est l’une des raisons du choix du niveau d’agrégation NAF2. L’autre raison est que : à ce
niveau d’agrégation plus détaillé, les firmes sont directement comparées et confrontées à
leurs concurrents directs. Les effets d’éventuels concurrents « factices » sont ainsi éloignés.

La nomenclature NA129 d’un niveau d’agrégation plus haut inclut des concurrents autres
que les concurrents directs et induit un plus grand nombre de concurrents.

Même si cette étude se limite au niveau le plus fin NAF2, elle explore à titre illustratif et
selon la même démarche que précédemment des données agrégées au niveau NA129. Les
résultats présentés en annexes et établis à ce niveau d’agrégation montrent qu’à cette
échelle23 les parts de marché prédomineraient en étant positivement significatifs dans les 3
régressions sur l’innovation de produit, procédé et brevets alors que les indices de
concentration-concurrence des secteurs NA129 ne joueraient aucun rôle dans l’innovation
de produit, procédé et brevets, probablement du fait que la concurrence-concentration à un
tel niveau est très diminuée par le nombre de concurrents auquel s’étend la nomenclature
NA129.

Les résultats pour ce niveau d’agrégation sont reportés à titre illustratif et sans calcul des
effets marginaux en annexe n°1.

23
Rappelons que le niveau d’agrégation NA129 est plus général que le niveau NAF2 et par conséquent regroupe
beaucoup plus d’entreprises par secteur.

Concurrence & Innovation Page 59

5.2. Modèle de régression sur variable continue d’intensité de R&D :

5.2.1. Justification du modèle :

Dans cette section, une exploration des résultats sur variable continue d’input de R&D est
faite. L’intensité des montants investis en R&D comme variable de mesure de « l’input » en
innovation est prise en considération en faisant abstraction de la connaissance des
aboutissants « output » engendrés par cet input.

L’investissement en R&D peut-être défini soit par les montants « bruts » investis en R&D,
soit par le rapport de ces montants au chiffre d’affaires de l’entreprise. Les deux mesures
donnent d’ailleurs un résultat très proche -cf. 5.2.4. Estimations empiriques- .

Les dépenses de R&D ainsi considérée, absorbent en fait les deux types de variables
d’output vues précédemment, puisqu’elles reflètent tous les investissements consentis par
l’entreprise pour à la fois générer des innovations mais aussi les dépenses qui leurs sont
liées et afférant à la protection par les brevets de ces innovations. Cette mesure est donc plus
générale. Elle est indifférenciée et non spécifique à la protection par brevets ou à un type
d’innovation précis. Le schéma suivant le fait ressortir clairement :

Innovation en Produit

Input en R&D Innovation en Procédé Output de l’innovation

Brevets

Ajoutons qu’à l’instar de la mesure précédente, cette mesure n’informe en rien sur le
nombre d’innovations qui découle de la R&D. L’inconvénient est de ne pas savoir si
l’investissement a été couronné de succès et a conduit à une, voire, à plusieurs innovations
ou même si la démarche se serait soldée par un échec. Et même dans le cas d’un succès
(aboutissement à une innovation), nous ne pouvons pas savoir non plus son type (de produit
ou de procédé) ni son attribut : innovation fondamentale, de rupture ou incrémentale. On
n’en sait pas davantage quant à son succès commercial.

Toutefois, la justification d’une telle mesure repose sur l’hypothèse (forte mais raisonnable
et plausible) de rationalité des agents économiques, en particulier, les firmes dans ce cas
précis : il est supposé que les entreprises ne consentent à investir dans la R&D qu’en
fonction des retours et gains futurs anticipés, ceux-là mêmes dépendant des probabilités de
succès et d’aboutissement à des innovations financièrement rentables. C’est le retour sur
investissement qui constitue l’incitation la plus puissante pour investir dans la R&D.

Concurrence & Innovation Page 60

Donc, plus l’intensité de la R&D est forte, plus la probabilité d’aboutir à des innovations
« rentables » augmente, soit par la diversification et la pluralité des innovations, soit par leur
caractère « radicalement » nouveau.

Une lacune à cette mesure est tout de même à signaler du fait de la diversité d’une économie
et de notre échantillon de firmes en particulier. Nous pouvons facilement admettre que tous
les secteurs ne sont pas sensibles à l’investissement en innovation de la même manière.

Ils requièrent, par conséquent, des capitaux et des capacités d’investissement différents les
uns des autres et adaptés au domaine d’activité de l’entreprise. En effet, il serait ridicule de
traiter de la même manière et de comparer les montants investis en R&D du secteur de
l’aviation à celui de l’habillement par exemple.

Même si la mesure en « intensité » (investissement rapporté au chiffre d’affaire) amoindrit

l’incidence de ces particularités sectorielles, puisque toutes les entreprises sont censées agir
avec rationalité et attendre un certain taux de « retour sur investissement », il n’en demeure
pas moins que ce taux de rentabilité doit être intimement lié au secteur d’activité.

Aussi, nous avons décidé de prendre en compte en plus des spécificités individuelles et
temporelles de notre panel, ces spécificités sectorielles pour pallier ce fait stylisé. La section
suivante porte sur le traitement économétrique de ces spécificités.

5.2.2. Traitement des disparités d’intensité de R&D en fonction du secteur :

Deux méthodes peuvent être envisagées afin de capter et de prendre en considération les
spécificités communes aux groupes d’observations.

Une manière simple et couramment utilisée est d’introduire dans les régressions autant de
variables dichotomiques que de groupes aux spécificités communes ; ici les secteurs
économiques.

Comme notre cadre d’analyse se situe au niveau le plus fin de la nomenclature des secteurs,
à savoir, le niveau NAF2 (nos variables explicatives sont calculées à ce niveau d’affinement
des secteurs), il convient donc d’introduire autant de variables dichotomiques que de
secteurs de cette nomenclature présents dans l’échantillon, ce qui ferait 502 variables
dichotomiques.

Une autre façon moins documentée dans la littérature économique mais qui reste néanmoins
répandue est de traiter ces groupes comme des « clusters » dans les régressions24. Cette

24
Pour plus de détails, se reporter à : Sarzosa M. (2012) et Baum C. F. (2006) en page 138.

Concurrence & Innovation Page 61

méthode spécifie que « la grandeur / taille » des montants investis peut-être corrélée au sein
d’un même cluster. Ce qui se répercute sur les résidus des régressions par une corrélation de
ceux-là au sein des groupes d’observations. La matrice de variance-covariance devient :

D’un point de vue économétrique, spécifier les groupes et les identifier comme des clusters
revient à dire que la corrélation des résidus dans ces groupes d’observations ne peut pas être
considérée comme une violation de l’hypothèse « H4 » de non-autocorrélation :

mais plutôt comme une particularité-même de cet échantillonnage.

Enfin, l’arbitrage concernant la méthode utilisée se fait en faveur de la deuxième méthode

qui prend en compte la corrélation des observations au sein-même des groupes.

Ce choix s’explique d’abord par le fait que le nombre des secteurs NAF2 à prendre en
considération dans le cas de l’introduction de variables dichotomiques sectorielles est très
élevé (502), ce qui fait que tout calcul économétrique devient à une telle échelle25 quasi-
impossible à effectuer.

Le deuxième critère éliminatoire pour la méthode des variables dichotomiques est qu’il
ressort du test d’Hausman concernant les spécificités individuelles qu’elles sont
modélisables par des effets fixes. Ceci rend impossible la prise en compte de ces groupes
puisqu’ils doivent être captés par des variables inchangées « fixes » dans le temps.

5.2.3. Caractérisation des effets -fixes ou aléatoires- du modèle de régression :

S’agissant d’un modèle linéaire de panel. Il s’agit ici de déterminer si l’hétérogénéité

individuelle est de type fixe ou aléatoire. Un test d’Hausman permet cependant de trancher
en faveur de la présence d’effets fixes dans ce panel.

Puis, un test de khi-deux permet de déterminer l’importance de la prise en compte de la

dimension temporelle par des variables dichotomiques temporelles introduites dans la
régression.

25
Les variables du modèle plus les 502 variables dichotomiques sectorielles.

Concurrence & Innovation Page 62

Comme précisé en section 5.2.2, une possible corrélation des résidus au sein de ces groupes
d’observations est attendue, donc une clusterisation des écart-types est établie afin de
pouvoir obtenir des écarts-types robustes.

5.2.4. Estimations du modèle à effets fixes :

Les estimations ont été faites sur les variables de montant de R&D investi par l’entreprise et
d’intensité de R&D. Les résultats sur les deux variables se confirment à un détail près :

Certaines variables explicatives prennent un signe négatif dans la régression sur l’intensité
tandis qu’elles sont positives dans l’équation de montant de R&D. Il convient de se reporter
aux distributions de ces deux variables en Annexe 5 pour comprendre cette différence.

En effet, bien que la distribution de ces deux variables semble dans les deux cas proche de
la distribution de la loi normale -courbe verte-, nous remarquons que l’étalement de
l’intensité de R&D se fait majoritairement sur une portion d’intervalle négatif : cette
distribution est due à la transformation logarithmique de la variable.

L’étalement des montants de R&D est, quant à lui, clairement établi sur un intervalle
strictement positif.

Toutefois, dans ce qui suit et par souci de cohérence, ce sont les résultats sur la variable
d’intensité qui sont présentés et ce pour trois raisons :

1. D’abord, c’est la variable qui est utilisée dans les régressions des autres modèles
(Probit de la section précédente et modèle de dénombrement de la section qui suivra).
2. L’autre raison est que, comme mentionné plus haut dans la sous-section 5.2.1 sur la
justification du modèle, cette variable absorbe une partie des divergences inter-
secteur et intra-secteur entre les firmes d’un même secteur.
3. La troisième raison est que compte tenu de sa distribution, cette variable semble
suivre une loi normale et donc permet d’avoir un meilleur ajustement du modèle.

Ainsi pour éviter une interprétation erronée des signes de la régression, nous préférons
prendre en compte ceux de la régression sur montant de R&D car les distributions de ces
deux variables sont proches, sauf que l’étalement est décalé sur l’axe des abscisses, les
résultats restant ainsi inchangés, mais les signes deviennent plus cohérents.

Concurrence & Innovation Page 63

Régression sur variable continue d'intensité de R&D : lrd_ca
avec variable de concurrence concentration au niveau NAF2
------------------------------------------------------------
(1) (2) (3)
lrd_ca lrd_ca lrd_ca
------------------------------------------------------------
ll -0.139*** -0.140*** -0.139***
(0.0218) (0.0218) (0.0218)

L.lyk -0.0224* -0.0218* -0.0223*

(0.0130) (0.0130) (0.0130)

L.exp -0.179 -0.180 -0.178

(0.113) (0.113) (0.113)

L.exp2 0.240* 0.242** 0.241**

(0.123) (0.122) (0.123)

L.pdm_naf2 -1.200*** -1.224*** -1.237***

(0.389) (0.388) (0.387)

L.pdm2_naf2 0.896** 0.915** 0.930**

(0.404) (0.402) (0.399)

L.hhi_naf2 -0.138
(0.313)

L.hhi2_naf2 0.454
(0.392)

L.c4_naf2 -0.157
(0.215)

L.qc4_naf2 0.0311
(0.266)

L.gini_naf2 7.000***
(2.221)

L.gini_naf2 -4.582***
(1.383)

Variables de
Contrôle
Temporelles Oui Oui Oui

_cons -2.052*** -2.007*** -4.665***

(0.0883) (0.0981) (0.897)
------------------------------------------------------------
N 45548 45548 45548
------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 64

Régression sur variable continue d’investissement total en R&D : lrdtot
avec variable de concurrence concentration au niveau NAF2
------------------------------------------------------------
(1) (2) (3)
lrdtot lrdtot lrdtot
------------------------------------------------------------
ll 0.576*** 0.576*** 0.576***
(0.0209) (0.0210) (0.0210)

L.lyk 0.0351*** 0.0355*** 0.0352***

(0.0121) (0.0121) (0.0121)

L.exp -0.0393 -0.0410 -0.0391

(0.112) (0.111) (0.112)

L.exp2 0.144 0.147 0.145

(0.117) (0.117) (0.117)

L.pdm_naf2 0.840** 0.822** 0.818**

(0.325) (0.324) (0.324)

L.pdm2_naf2 -0.847** -0.832** -0.823**

(0.347) (0.346) (0.344)

L.hhi_naf2 0.0117
(0.289)

L.hhi2_naf2 0.218
(0.359)

L.c4_naf2 -0.195
(0.203)

L.qc4_naf2 0.157
(0.236)

L.gini_naf2 4.726**
(2.143)

L.gini2_naf2 -2.959**
(1.289)

Variables de
Contrôle
Temporelles Oui Oui Oui

_cons 3.903*** 3.948*** 2.044**

(0.0893) (0.0977) (0.900)
------------------------------------------------------------
N 45556 45556 45556
------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 65

Contrairement au modèle Probit où les effets marginaux étaient interprétés en termes de
probabilité d’aboutissement à une innovation ou à un dépôt de brevet, dans le cas présent,
compte tenu de la transformation logarithmique de notre variable d’intérêt à expliquer :
l’intensité de la R&D, il s’agira donc de quantifier en termes d’élasticité -pourcentage de
variation- l’influence des variables explicatives sur l’implication de l’entreprise dans le
processus d’innovation, en l’occurrence l’intensité de l’investissement en R&D.

Le processus d’innovation est donc tributaire de ces variables en tant que facteurs
influençant l’intensité de l’implication de l’entreprise dans ce processus. Ces variables
peuvent donc être considérées et interprétées comme des variables environnantes ou internes
à l’entreprise mais qui favoriseraient -ou pas- l’opportunité pour une entreprise à investir
dans l’innovation.

De ce fait, nous remarquons clairement à partir des signes des coefficients que lorsque la
taille de l’entreprise, la productivité de son capital, sa PDM augmentent, c’est que
l’entreprise voit son contexte s’améliorer. Dans ce cas, plus le contexte devient favorable,
plus son implication dans le processus d’innovation augmente, d’où les coefficients positifs
de ces variables.

5.2.4.1. Significativité du GINI

En revanche, la concentration-concurrence mesurée par l’indice de GINI, seul indice

significatif, se reflète comme une menace de l’environnement de l’entreprise qui pèse sur
elle. De ce fait, le GINI fait augmenter de manière intrinsèque l’implication de l’entreprise
dans le processus d’innovation avec la même tendance que précédemment c’est-à-dire
donnant une courbe en forme de U inversé.

Autre remarque, le tableau suivant présente les coefficients de corrélation de l’intensité de la

R&D sur ses observations retardées sur 3 pas de temps et montre une forte persistance de
celle-là compte tenu de ces coefficients de corrélation proches de 1.

lrd_ca L1. L2. L3.

--. 1.0000
L1. 0.9434 1.0000
L2. 0.9080 0.9420 1.0000
L3. 0.8760 0.8997 0.9401 1.0000
-Table de persistance de l’intensité de la R&D dans le temps-

Concurrence & Innovation Page 66

Ainsi, comme la R&D est un processus persistant dans le temps et lent avant d’aboutir à une
innovation, nous pouvons penser que les variables propres à l’entreprise : taille, productivité
du capital, exportation et PDM entraineraient une variation de la R&D à des dates
ultérieures.

Supposons que la PDM ait été élevée en T, cela pourrait avoir un effet sur la R&D de
l’entreprise en entrainant une augmentation de son intensité en T+1 et ce pour plusieurs
raisons : on peut imaginer que cela placerait l’entreprise en situation financière confortable
pour investir, ou susciter en elle l’ambition de garder une position concurrentielle via
l’innovation, ou anticiper le remplacement ou la diversification de ses produits/services par
l’innovation… etc.

Bien que toutes ces variables pourraient être introduites avec des retards dans un modèle à
retards échelonnés, nous choisissons d’introduire parcimonieusement et comme pour le
modèle Probit qu’un seul retard sur nos variables d’intérêt. Cela permet d’éviter de diluer
leur effet à un tas de variables retardées que pourrait intégrer un modèle complexe.

Le niveau de concurrence dans le secteur, plus stable dans le temps, est une variable externe
et subie par l’entreprise à laquelle celle-ci est sensible et réactive. Elle stimule davantage
l’input d’innovation, soit l’intensité d’investissement de l’entrant en R&D -coefficient
positif- que toutes autres variables.

5.2.4.2. Qu’en est-t-il du HHI et du C4 ?

Les deux autres indices de concentration de marché, le HHI et le C4, n’ont pas donné de
liens significatifs avec la variable d’intensité de R&D.

Si nous mettons ce résultat en perspective avec les résultats du modèle Probit, nous pouvons
remarquer que le GINI est le seul indice à la fois significatif sur l’indicatrice d’innovation -
de produit- et l’indicatrice de brevet. L’intensité de la R&D étant une mesure indifférenciée
et associée aux deux volets : conception d’innovation et protection de la propriété
intellectuelle par les brevets, elle est donc plus apte à capter l’effet et à être en lien avec les
variations de celle de l’indice de GINI qui, rappelons-le, est significatif dans le modèle
Probit avec, à la fois, l’innovation de produit mais aussi les dépôts de brevets.

En conséquence, ces résultats s’additionnent donc aux résultats précédents et donnent une
vision corroborée via ces deux types de modèles pourtant différents dans leurs
fonctionnement et spécifications économétriques.

Concurrence & Innovation Page 67

5.2.4.3 Remarque pour le niveau d’agrégation NA129 :

Les résultats des régressions sur l’intensité de la R&D à ce niveau d’agrégation montrent
une significativité des PDM en conformité avec ce qui est trouvé pour une PDM calculée au
niveau NAF2. En revanche, aucun indice de concentration-concurrence C4, GINI et HHI au
niveau NA129 n’est significatif dans ces régressions. Bien que ce résultat soit différent de
celui trouvé pour le niveau NAF2 -significativité du GINI-, il demeure cohérent avec les
résultats trouvés par le modèle Probit dans la section précédente 5.1 pour ce niveau
d’agrégation NA129.

Il est donc confirmé que l’innovation des firmes n’est sensible qu’à la concurrence de leur
secteur d’activité, à un niveau très fin. Autrement dit, seule l’augmentation de la
concurrence dans un microcosme proche de l’entreprise fait augmenter l’intensification des
activités d’innovation de l’entreprise.

La concordance de ces résultats d’un modèle à un autre permet aussi de confirmer leur
robustesse pour chaque niveau d’agrégation NA129 et NAF2.

Concurrence & Innovation Page 68

Régression sur variable continue d'intensité de R&D : lrd_ca
avec variable de concurrence concentration au niveau NA129

------------------------------------------------------------
(1) (2) (3)
lrd_ca lrd_ca lrd_ca
------------------------------------------------------------
ll -0.142*** -0.142*** -0.142***
(0.0213) (0.0213) (0.0215)

L.lyk -0.0225* -0.0225** -0.0223*

(0.0114) (0.0114) (0.0114)

L.exp -0.177 -0.177 -0.180

(0.112) (0.113) (0.112)

L.exp2 0.239* 0.239* 0.241*

(0.123) (0.124) (0.123)

L.pdm_na129 -2.343*** -2.348*** -2.370***

(0.709) (0.703) (0.704)

L.pdm2_na129 2.588*** 2.580*** 2.555***

(0.716) (0.713) (0.721)

L.hhi_na129 -0.00938
(0.333)

L.hhi2_na129 0.0689
(0.453)

L.c4_na129 -0.0146
(0.291)

L.qc4_na129 0.0873
(0.342)

L.gini_na129 -4.389
(7.146)

L.gini2_na129 2.078
(4.141)

Variables de
Contrôle
Temporelles Oui Oui Oui

_cons -2.066*** -2.069*** 0.187

(0.0958) (0.106) (3.091)
------------------------------------------------------------
N 45587 45587 45587
------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 69

Régression sur variable continue d’investissement total en R&D : lrdtot
avec variable de concurrence concentration au niveau NA129
------------------------------------------------------------
(1) (2) (3)
lrdtot lrdtot lrdtot
------------------------------------------------------------
ll 0.576*** 0.576*** 0.576***
(0.0235) (0.0236) (0.0236)

L.lyk 0.0359*** 0.0358*** 0.0360***

(0.0130) (0.0130) (0.0130)

L.exp -0.0403 -0.0420 -0.0416

(0.118) (0.118) (0.118)

L.exp2 0.147 0.149 0.147

(0.126) (0.126) (0.126)

L.pdm_na129 1.448** 1.443** 1.408**

(0.695) (0.692) (0.697)

L.pdm2_na129 -0.874 -0.923 -0.918

(0.743) (0.760) (0.768)

L.hhi_na129 -0.280
(0.245)

L.hhi2_na129 0.495
(0.323)

L.c4_na129 -0.311*
(0.173)

L.qc4_na129 0.384*
(0.201)

L.gini_na129 -3.506
(4.821)

L.gini2_na129 1.689
(2.775)

Variables de
Contrôle
Temporelles Oui Oui Oui

_cons 3.922*** 3.955*** 5.691***

(0.108) (0.115) (2.099)
------------------------------------------------------------
N 45595 45595 45595
------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 70

5.3. Régression sur variable de comptage de brevet :

5.3.1. Pourquoi une telle démarche ?

Justification du modèle

Les études faites sur les déterminants des brevets cherchent à comprendre en fonction de
quoi le nombre de brevets augmente ?

Au-delà de la question de la protection des propriétés intellectuelles et industrielles, ce

genre de questionnement tente d’aborder le problème des déterminants de l’innovation et
leurs influences sur elle.

Or tenter d’étudier les variables liées à l’innovation en prenant le nombre de brevets comme
mesure de l’innovation présente le biais de reposer sur l’hypothèse forte que les brevets
représentent en tant que tels une mesure de l’innovation à part entière. Comme nous l’avons
précédemment énoncé dans la section précédente (cf. sous-section 2.2.1. Mesure de
l’innovation), la mesure de l’innovation reste très débattue et controversée dans la
littérature économique. Le fait est que toute variable prétendument mesurer l’innovation
présente des avantages mais aussi des inconvénients. C’est le cas de cette dernière -nombre
de brevets-, d’autant plus qu’elle fait appel à des modèles économétriques spécifiques : les
modèles de comptage ou de dénombrement.

Bien que nous ayons opté initialement pour une comparaison entre la tendance à breveter et
la tendance à innover en produit et/ou en procédé via les modèles Probit sur indicatrice
d’innovation ou de brevet, une analyse complémentaire peut-être conduite sur le nombre
de brevets. Pris en tant que nombre et non plus en tant que variable binaire indicatrice de
brevets, le nombre de brevets procure davantage d’informations qui pourraient être extraites
et explorées en utilisant le modèle de comptage approprié.

Le point de départ de l’analyse sur les données de comptage est souvent la régression de
poisson. Ce modèle spécifie la probabilité d’occurrence d’un comptage par :

En revanche, ce modèle présente la particularité que :

𝐸(𝑦𝑖𝑡 ) = 𝑉(𝑦𝑖𝑡 )

Concurrence & Innovation Page 71

Si cette condition n’est pas respectée, le modèle de poisson devient inapproprié compte tenu
de la sur-dispersion des observations : 𝐸(𝑦𝑖𝑡 ) ≠ 𝑉(𝑦𝑖𝑡 )

Ce qui serait le cas si la distribution n’est pas correctement spécifiée et ne suit pas une loi de
poisson.

Un modèle négatif binomial doit alors être utilisé du fait de sa robustesse au non-respect de
l’hypothèse précédente.

Le modèle négatif binomial est une généralisation du modèle de poisson avec une
probabilité donnée par :

5.3.2. Choix du modèle approprié (adapté à l’échantillon de données) :

Le test de Vuong permet de savoir s’il y a sur-dispersion ou non. Sur nos données, ce test
montre clairement une tendance à la sur-dispersion avec :

𝐸(𝑦𝑖𝑡 ) ≫ 𝑉(𝑦𝑖𝑡 )

La régression de poisson n’est donc pas adaptée à nos données de brevets.

Il convient donc d’analyser le nombre de brevets à l’aide d’un modèle négatif binomial.
Toutefois, les statistiques descriptives relatives au nombre de brevets montrent clairement
un excès d’observations égales à 0 sur la variable de nombre de brevets avec près de
75,09% d’observations nulles.

Variable Obs Mean Std. Dev. Min Max Fréquence

nb_brevet 49336 5.37275 85.84318 0 9743 100%
total
nb_brevet = 0 37049 0 0 0 0 75.09%
nb_brevet > 0 12287 21.57321 171.0007 1 9743 24.90%
- Tableau de statistiques descriptives sur le nombre de brevets déposés par
l’échantillon de firmes -

L’histogramme suivant montre dans quelle mesure la distribution du nombre de brevets est
très asymétrique et excessivement ramassée autour de zéro :

Concurrence & Innovation Page 72

 - Histogramme de la distribution du nombre de brevets en pourcentage -

Dans ce cas précis, les modèles négatifs binomiaux intègrent une modification due à cette
caractéristique de distribution excessivement asymétrique vers la gauche tel que les zéros et
autres comptages positifs ne proviennent pas du même processus donnant une densité de la
fonction de comptage26 telle que le modèle devient :

Avec : 𝑓1 (. ) une fonction de modèle Logit ou Probit (Probit dans notre cas).

𝑓2 (. ) une fonction de Poisson ou de modèle Négatif Binomial (Négatif binomial

dans notre cas).

La démarche de modélisation est donc scindé et combine deux processus alors : un

processus générateur d’observations binaires qui amène soit à des observations nulles soit à
des observations d’entiers positifs, ce qui revient à un modèle Probit -ou Logit-; un autre
processus correspond aux comptages positifs et est généré -et modélisé- par un modèle
négatif binomial.

26
Source : Cameron – Trividi (2005), p 681.

Concurrence & Innovation Page 73

5.3.3. Procédure d’estimation :

5.3.3.1. Estimation de coupe instantanée contemporaine pour nombre de brevets :

Pour exploiter pleinement le potentiel informatif que procure la variable de comptage du

nombre de brevets pour chaque entreprise, un choix a été fait pour une régression par année
et en coupe instantanée des mêmes variables explicatives utilisées que dans les modèles
précédents mais ici nous le faisons sur la variable de comptage du nombre de brevets.

Dans un tel modèle, nous perdons la caractérisation de l’hétérogénéité individuelle non-

observée que capterait une spécification en panel mais au bénéfice d’une spécification des
écarts-types par cluster de secteurs NAF2 dont la prise en compte serait plus pertinente du
fait que la protection des propriétés industrielles est davantage caractérisée par le secteur
d’appartenance que par les caractéristiques intrinsèques de l’entreprise, ce qui induirait par
conséquent une corrélation résiduelle intra-sectorielle.

Par ailleurs, suivant Jaffe & De Rassenfosse (2017), il est supposé que le nombre de brevets
n’influence pas les variables explicatives à la période contemporaine ce qui écarte le risque
d’un biais d’endogénéité. Ainsi, les régressions sont donc estimées sans prise en compte de
retard contrairement aux modèles précédents.

a. Commentaire des résultats généraux :

Les régressions d’un modèle négatif binomial à excès de zéro donnent deux tableaux de
résultats, l’un pour le processus de comptage du nombre de brevets, l’autre pour l’équation
d’inflation de zéro.

Une lecture de tels résultats semble peu probante d’autant plus que le modèle n’est pas
linéaire, d’où l’intérêt porté aux calculs et à la présentation des effets marginaux totaux pour
l’ensemble du modèle, combinant à la fois le processus de comptage strictement positif mais
aussi le processus donnant lieu aux observations nulles.

La comparaison des effets marginaux résultant des régressions pour chacune des 12 années
de notre panel et pour chaque indice de concentration de marché HHI, C4 et GINI donne un
éclaircissement sur la tendance et l’effet de nos variables d’intérêts sur la propension à
breveter :

Quel que soit l’indice utilisé, les résultats semblent proches et convergents. Le tableau
suivant présente les effets marginaux pour l’indice de GINI, les résultats concernant les
deux autres indices le HHI et le C4 sont présentés en annexe 2 :

Concurrence & Innovation Page 74

Effets marginaux du modèle Zero inflated négatif binomial pour Nombre de
Brevet en coupe instantanée pour chaque année / Indice de mesure de la
concurrence-concentration : GINI
----------------------------------------------------------------------------
(1) (2) (3) (4)
MEM_1999 MEM_2000 MEM_2001 MEM_2002
----------------------------------------------------------------------------
lrd_ca 1.073*** 1.821*** 0.699*** 0.567***
(0.167) (0.250) (0.0710) (0.0563)

ll 1.450*** 2.216*** 0.877*** 0.800***

(0.219) (0.319) (0.0807) (0.0638)

lyk 0.103 0.186 -0.0805 -0.0302

(0.205) (0.213) (0.0909) (0.0804)

exp 0.913 -1.491 0.961 2.501***

(1.674) (2.210) (0.817) (0.930)

exp2 0.999 0 0 0
(1.998) (2.401) (0.898) (0.935)

pdm_naf2 2.994 3.886 0.311 0.113

(2.475) (3.103) (1.456) (1.544)

pdm2_naf2 -4.441 0 0 0
(2.852) (3.390) (1.689) (1.383)

gini_naf2 -29.98 -13.09 14.37 -46.11*

(40.07) (55.58) (14.50) (23.77)

gini2_naf2 18.91 6.668 -6.858 28.49**

(24.67) (33.86) (8.960) (14.03)
----------------------------------------------------------------------------
N 2184 2723 3892 4507
----------------------------------------------------------------------------

Concurrence & Innovation Page 75

Suite
----------------------------------------------------------------------------
(5) (6) (7) (8)
MEM_2003 MEM_2004 MEM_2005 MEM_2006
----------------------------------------------------------------------------
lrd_ca 0.621*** 0.746*** 0.570*** 0.812***
(0.125) (0.162) (0.0893) (0.130)

ll 1.158*** 1.158*** 0.846*** 1.217***

(0.249) (0.252) (0.115) (0.202)

lyk -0.777*** -0.763*** 0.0803 0.0956

(0.243) (0.248) (0.128) (0.136)

exp -0.324 -4.340* -0.515 -1.149

(2.047) (2.613) (1.313) (2.032)

exp2 0 0 0 0
(2.120) (2.083) (1.323) (1.862)

pdm_naf2 1.253 8.884** 18.69** 13.74**

(2.327) (4.040) (7.801) (5.847)

pdm2_naf2 0 0 0 0
(2.625) (4.168) (6.559) (5.041)

gini_naf2 -25.41 -23.80 2.655 5.487

(16.46) (17.43) (5.581) (5.572)

gini2_naf2 111.1 127.8 -8.265 -14.24

(70.23) (82.88) (18.64) (16.00)
----------------------------------------------------------------------------
N 4694 4705 4562 4329
----------------------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 76

Suite
----------------------------------------------------------------------------
(9) (10) (11) (12)
MEM_2007 MEM_2008 MEM_2009 MEM_2010
----------------------------------------------------------------------------
lrd_ca 0.652*** 0.712*** 0.714*** 0.769***
(0.117) (0.0925) (0.116) (0.117)

ll 1.161*** 0.831*** 0.983*** 0.952***

(0.194) (0.0930) (0.135) (0.120)

lyk 0.0709 -0.0463 -0.0583 -0.165

(0.202) (0.0949) (0.0931) (0.101)

exp 4.924** 3.077*** 0.871 0.767

(2.240) (1.188) (1.201) (1.084)

exp2 0 0 0 0
(2.040) (1.298) (1.286) (1.204)

pdm_naf2 7.527* 7.050*** 4.047** 4.704***

(4.206) (2.429) (1.619) (1.730)

pdm2_naf2 0 0 0 0
(8.245) (2.675) (1.773) (2.089)

gini_naf2 22.69 52.88*** 50.62 53.10*

(33.36) (17.91) (46.80) (29.78)

gini2_naf2 -12.94 -31.88*** -31.11 -33.11*

(19.76) (10.78) (27.14) (17.81)
----------------------------------------------------------------------------
N 4378 4315 4405 4544
----------------------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Sans s’adonner à une analyse exhaustive de l’effet de toutes les variables utilisées, nous
percevons clairement que pour ce qui est de l’intensité de la R&D, la taille, la productivité
du capital et les exportations, les tendances précédemment remarquées dans les modèles
Probit sur panel pour les brevets sont retrouvées ici :

L’intensité de la R&D ainsi que la taille sont sur tous les résultats significatifs et positifs. La
productivité du capital qui faisait baisser la tendance à breveter devient souvent non
significative ici et sans lien avec le nombre de brevets alors que les exportations, quand elles
sont significatives, semblent influencer positivement et linéairement le nombre de brevets.

Mais en se recentrant sur le lien du nombre de brevets avec nos variables d’intérêt de
compétitivité des firmes et de concurrence des marchés, une lecture plus fine des résultats
peut être faite.

Concurrence & Innovation Page 77

 b. Non-impact de la compétition-concentration et effet de la PDM :

D’abord, la concurrence-concentration des marchés n’est pas toujours significative et quand

elle l’est, seuls les indices C4 et HHI ont en commun les années 2003, 2006, 2007 et 2008
où un lien négatif avec le nombre de brevets est présent.

Par ailleurs, le C4 est seul significatif pour l’année 2004. Tandis que le HHI l’est pour 1999
et 2005. Le GINI quant à lui est significatif pour les années 2002 et 2010.

Mais les résultats de ces années susmentionnées étant isolés pour chaque indice, aucune
conclusion robuste ne peut être tirée concernant l’impact de ces mesures de concentration-
concurrence de marché sur le nombre de brevets déposés par les firmes.

Au contraire, la part de marché combinée aux trois indices GINI, HHI et C4 présente une
tendance claire à augmenter le nombre de brevets et ce pour la période allant de 2005 à
2010.

Mais ce qui est encore plus intéressant, c’est que la forme quadratique de cette variable n’est
jamais significative sur cette période, ce qui signifie que la compétitivité de la firme fait
augmenter le nombre de brevets de façon linéaire sans qu’il y ait un point de revirement où
l’augmentation de la PDM ferait baisser le nombre de brevets. Ce résultat est finalement
similaire à celui du modèle de Probit puisque la tendance de breveter ne s’inverse qu’à
partir du moment où l’entreprise devient clairement dans une position de leader sur le
marché. Sauf qu’ici ce résultat concerne non pas une tendance à breveter mais un nombre de
brevets concrets et vient à l’appui pour confirmer les résultats précédents du modèle Probit.

Le modèle négatif binomial avec excès de zéro sur nombre de brevets permet de confirmer
que dans l’échantillon d’entreprises considéré ; la compétitivité ou la position
concurrentielle joue un rôle plus important que la concurrence des marchés sur la protection
des propriétés intellectuelles et industrielles et montre un impact strictement croissant sur
celle-là.

5.3.3.2. Estimation de coupe instantanée contemporaine pour nombre de brevets sur

échantillon restreint :

En créant une variable qui donne le nombre maximal de brevets déposés par chaque
entreprise sur toutes ses années d’observations, nous pouvons remarquer que 9110 firmes
font de R&D sans jamais avoir recours au dépôt de brevets sur la période et sur l’échantillon
d’entreprises considéré (13142 entreprises) :

Concurrence & Innovation Page 78

 Firmes avec observations 13142
sur la R&D

n’ayant déposé aucun 9110

Brevet sur la période

Avec au moins un dépôt de 2727

brevet sur la période

Avec dépôt de brevet 1305

annuel et persistant sur
toute la période
- Tableau du nombre de firmes en fonction du dépôt de brevets sur la période 1999-
2010 -

Par ailleurs, une requête sur le détail des innovations lorsque l’entreprise n’a jamais déposé
de brevets (sur la période 1999-2010) montre que 7353 firmes ayant fait au moins une
innovation sur la période (quel qu’en soit son type : produit ou procédé) n’ont aucun dépôt
de brevets à leur actif.

Il apparait donc qu’en dépit de l’implication de ces firmes dans la R&D et l’innovation,
elles ne présentent aucune prédisposition pour s’inscrire dans une démarche de dépôt de
brevets.

Il serait donc approprié de considérer les observations de ces entreprises comme des valeurs
aberrantes donnant lieu à une distorsion de la distribution des observations et par
conséquent à des résultats de régression modifiés.

Ce raisonnement mène à une reconsidération de l’échantillon initial pour le nombre de

brevets et à une restriction de l’échantillon aux seules entreprises qui auraient déposé un ou
plusieurs brevets mais au moins une fois sur la période d’observation considérée.

Les régressions sont donc ré-estimées selon la même démarche que précédemment, soit en
coupe instantanée contemporaine sur cet échantillon restreint.

Les résultats peuvent alors être comparés à ceux précédemment établis.

Tel qu’évoqué précédemment, pour des raisons de non-linéarité du modèle, le tableau

suivant présente les effets marginaux des estimations sur cet échantillon en utilisant l’indice
de GINI27 :

27
Les résultats des indices C4 et HHI sont présentés en annexe 3.

Concurrence & Innovation Page 79

Effets marginaux sur échantillon restreint du modèle Zero inflated négatif
binomial pour Nombre de Brevet en coupe instantanée pour chaque année /
Indice de mesure de la concurrence-concentration : GINI_NAF2
----------------------------------------------------------------------------
(1) (2) (3) (4)
Mem_1999 Mem_2000 Mem_2001 Mem_2002
----------------------------------------------------------------------------
lrd_ca 1.824*** 3.217*** 1.553*** 1.281***
(0.384) (0.579) (0.209) (0.148)

ll 2.768*** 3.969*** 1.866*** 1.664***

(0.528) (0.765) (0.230) (0.210)

lyk 0.111 0.295 -0.319 -0.293

(0.424) (0.400) (0.265) (0.248)

exp 1.584 -4.657 2.702 4.003

(2.942) (4.134) (2.600) (2.438)

exp2 1.998 5.773 -1.554 -1.332

(3.487) (4.502) (2.877) (2.546)

pdm_naf2 4.964 4.148 2.776 3.531

(5.381) (7.570) (4.110) (3.512)

pdm2_naf2 0 0 0 0
(5.951) (7.881) (4.972) (4.038)

gini_naf2 -190.5 -88.94 21.06 -141.3*

(119.5) (149.5) (61.78) (78.76)

gini2_naf2 117.9 54.74 -7.636 87.67*

(73.32) (91.32) (37.96) (47.36)
----------------------------------------------------------------------------
N 1200 1439 1825 2047
----------------------------------------------------------------------------

Concurrence & Innovation Page 80

Suite
----------------------------------------------------------------------------
(1) (2) (3) (4)
Mem_2003 Mem_2004 Mem_2005 Mem_2006
----------------------------------------------------------------------------
lrd_ca 1.811*** 2.296*** 1.376*** 1.876***
(0.373) (0.562) (0.243) (0.323)

ll 2.882*** 3.040*** 1.965*** 2.843***

(0.695) (0.674) (0.311) (0.514)

lyk -1.381* -1.581* 0.699 0.483

(0.752) (0.871) (0.428) (0.376)

exp -11.74 -24.50* -7.656 -6.390

(9.568) (13.43) (4.865) (6.028)

exp2 0 0 0 0
(7.241) (8.693) (3.976) (5.266)

pdm_naf2 2.927 17.61** 52.78** 41.30**

(6.379) (8.390) (21.59) (18.06)

pdm2_naf2 0 0 0 0
(6.929) (9.557) (17.68) (15.78)

gini_naf2 -364.0* -429.9 82.57 73.75

(219.8) (277.3) (56.63) (59.39)

gini2_naf2 203.2 232.6 -46.15 -42.54

(124.4) (156.1) (34.16) (36.14)
----------------------------------------------------------------------------
N 2146 2112 2103 2030
----------------------------------------------------------------------------

Concurrence & Innovation Page 81

Suite
----------------------------------------------------------------------------
(1) (2) (3) (4)
Mem_2007 Mem_2008 Mem_2009 Mem_2010
----------------------------------------------------------------------------
lrd_ca 1.507*** 1.808*** 1.913*** 2.143***
(0.311) (0.251) (0.344) (0.384)

ll 2.900*** 2.169*** 2.654*** 2.702***

(0.614) (0.270) (0.337) (0.364)

lyk 0.159 0.178 0.309 0.00551

(0.296) (0.293) (0.299) (0.413)

exp 11.04** 5.420* -4.886 -5.014

(5.510) (3.083) (4.206) (4.744)

exp2 0 0 0 0
(5.276) (3.168) (4.147) (4.862)

pdm_naf2 7.772 18.43*** 8.229 14.02**

(8.126) (5.544) (5.177) (6.481)

pdm2_naf2 0 0 0 0
(8.459) (6.173) (5.680) (6.729)

gini_naf2 94.42 128.7*** 130.2** 85.05

(102.4) (47.81) (63.64) (67.19)

gini2_naf2 -53.03 -74.13** -74.77* -49.69

(60.68) (29.20) (39.10) (40.82)
----------------------------------------------------------------------------
N 1956 1888 1765 1789
----------------------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

La confrontation des résultats pour les différents indices -voir l’annexe 3 pour les mêmes
régressions avec l’indice C4 et l’indice HHI- montre une divergence de significativité de
ceux-là tenant compte des années considérées. Sauf pour l’année 2004 où les 3 indices sont
significatifs conjointement avec un impact négatif sur le nombre de brevets. Pour l’année
2008 aussi, les trois indices sont significatifs mais avec un impact négatif du HHI et C4 sur
le nombre de brevets tandis que le GINI donne un impact positif.

Une telle disparité des résultats de ces indices nous fait douter quant à leur robustesse et ne
nous permet pas d’en tirer une conclusion pour ce qui est de l’impact de la concurrence-
concentration sur le nombre de brevets déposés par les firmes.

D’un autre côté, la PDM et quel que soit l’indice de concurrence-concentration auquel elle
est combinée, montre une consistance et une persistance de sa significativité puisque sur la

Concurrence & Innovation Page 82

période allant de 2004 à 2010 sauf pour l’année 2009, la PDM donne un impact strictement
positif sur le nombre de brevets.

Une autre remarque vient du fait que cette constatation est relativement proche de ce qui a
été obtenu précédemment sans exclusion des firmes qui ne déposent jamais de brevets
puisque ici la période de significativité se rallonge pour commencer dès 2004 avec tout de
même une perte de significativité pour l’année 2009.

En résumé, même avec un échantillon purgé des observations « extrêmes », la concurrence-

concentration ne donne pas un impact clair sur le nombre de brevets des firmes. En
revanche, la PDM semble confirmer les résultats précédemment trouvés en vertu desquels la
tendance à déposer des brevets par les firmes est linéairement et positivement dépendante de
la PDM et donc de la position concurrentielle de chaque firme dans son secteur.

5.3.3.3. Estimation de panel pour nombre de brevets sur échantillon restreint :

En considérant les entreprises qui ne font jamais de brevets comme des observations
« extrêmes » donnant lieu à des valeurs « aberrantes » qui distordent les résultats des
estimations de nos équations économétriques et en les écartant, nous remarquons que la
distribution du nombre de brevets présente une proportion de 0 beaucoup moins
importante :

Désignation Firmes de l’échantillon Firmes ayant fait au

Caractéristiques total faisant de la R&D moins un dépôt de
de la firme brevets sur la période
Variable Obs Fréquence Obs Fréquence
nb_brevet total 49336 100% 22341 100%
nb_brevet = 0 37049 75.09% 10054 45.01%
nb_brevet > 0 12287 24.90% 12287 54.99%
- Tableau des fréquences d’observations du nombre de brevets selon la désignation des
firmes -

Concurrence & Innovation Page 83

 - Histogramme de la distribution du nombre de brevets en pourcentage sur
l’échantillon d’entreprise ayant déposé au moins un brevet-

Cela permet une estimation d’un modèle négatif binomial sans excès de 0 en panel. Les
résultats peuvent ensuite être comparés à ceux obtenus en coupe instantanée.

D’abord, une estimation de l’impact contemporain des variables explicatives sur le nombre
de brevets est faite puis pour tester la robustesse de cette estimation et vérifier la non-
endogénéité, comme précédemment évoqué, de la variable à expliquer (nombre de brevets),
une estimation avec variables retardées est établie comme pour les modèles Probit.

Les tableaux suivants donnent les résultats de ces estimations avec les indices HHI, C4 et
GINI :

Concurrence & Innovation Page 84

Effets marginaux d’un modèle négatif binomial de panel pour nombre de
brevets sur échantillon restreint et période contemporaine

------------------------------------------------------------
(1) (2) (3)
Nombre de brevets sans excès de zéro
------------------------------------------------------------
lrd_ca 0.0464*** 0.0472*** 0.0575***
(0.00656) (0.00657) (0.00689)

ll -0.0417*** -0.0401*** -0.0306***

(0.00833) (0.00836) (0.00848)

lyk 0.0134 0.0137 0.0285***

(0.0105) (0.0105) (0.0106)

exp 0.161 0.154 0.0807

(0.102) (0.102) (0.103)

exp2 -0.181* -0.175 -0.105

(0.109) (0.109) (0.109)

pdm_naf2 0.901*** 0.949*** 0.596***

(0.183) (0.184) (0.180)

pdm2_naf2 -0.696*** -0.745*** -0.470**

(0.210) (0.210) (0.210)

hhi_naf2 -0.965***
(0.192)

hhi2_naf2 0.912***
(0.265)

c4_naf2 -0.177
(0.180)

qc4_naf2 -0.138
(0.189)

gini_naf2 3.562
(2.396)

gini2_naf2 -2.799*
(1.433)

Variables de
Contrôle
Temporelles Oui Oui Oui
------------------------------------------------------------
N 21612 21612 21612
------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 85

Effets marginaux d’un modèle négatif binomial de panel pour nombre de
brevets sur échantillon restreint avec variables explicatives retardées
------------------------------------------------------------
(1) (2) (3)
Nombre de brevets sans excès de zéro
------------------------------------------------------------
lrd_ca 0.0469*** 0.0471*** 0.0564***
(0.00734) (0.00736) (0.00769)

ll -0.0360*** -0.0358*** -0.0255***

(0.00932) (0.00937) (0.00950)

L.lyk 0.0266** 0.0274** 0.0415***

(0.0118) (0.0118) (0.0120)

L.exp 0.108 0.0953 0.0373

(0.115) (0.115) (0.115)

L.exp2 -0.126 -0.116 -0.0592

(0.121) (0.121) (0.122)

L.pdm_naf2 1.104*** 1.165*** 0.757***

(0.207) (0.209) (0.204)

L.pdm2_naf2 -0.905*** -0.971*** -0.662***

(0.237) (0.237) (0.237)

L.hhi_naf2 -0.993***
(0.212)

L.hhi2_n~2 0.842***
(0.293)

L.c4_naf2 0.0153
(0.201)

L.qc4_naf2 -0.346
(0.211)

L.gini_naf2 2.025
(2.816)

L.gini2_naf2 -1.840
(1.681)

Variables de
Contrôle
Temporelles Oui Oui Oui

------------------------------------------------------------
N 19128 19128 19128
------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 86

Les résultats avec et sans retards étant convergents, cela confirme la non-endogénéité du
nombre de brevets aux variables explicatives.

Par ailleurs, seul l’indice HHI est significatif selon cette spécification et dévoile un impact
de forme convexe sur le nombre de brevets. La PDM quant à elle apparaît significative quel
que soit l’indice avec lequel elle est combinée et montre, en revanche, une tendance en
forme de U inversé avec des points de retournement à des valeurs de PDM autour de 41%.
Ce résultat est finalement très proche de celui trouvé avec le modèle Probit. Notons qu’en
plus, le nombre de brevets fournit ici une information encore plus « riche » que la simple
tendance à breveter que prend en charge et modélise le modèle Probit.

La spécification en panel permet par ailleurs une vision d’ensemble. Ainsi, elle révèle et
expose davantage les non-linéarités non constatées par une spécification en coupe
instantanée par année.

5.3.4. Résumé des résultats généraux concernant les modèles sur nombre de brevets :

Cette section a été consacrée au modèle de dénombrement. Le modèle de poisson a été

écarté à la suite du test de Vuong qui n’a pas écarté l’hypothèse de sur-dispersion des
observations.

L’excès d’observations égales à zéro a induit un usage de modèle prenant en compte l’excès
de 0. La complexité des calculs des modèles négatifs binomiaux en spécification de panel a
conduit à un usage de tels modèles en coupe instantanée : les résultats premiers ont montré
une divergence et une incohérence de significativité par année selon l’indice de
concurrence-concentration considéré, ce qui exclut une robustesse de résultat et ne permet
pas par conséquent d’en tirer une conclusion de lien évident entre la concurrence-
concentration et le nombre de brevets. La PDM, en revanche, montre un lien strictement
croissant avec le nombre de brevets.

Un « affinage » et une réduction de l’échantillon aux seules entreprises qui auraient déposé
au moins une fois un brevet permet d’exclure des observations fallacieusement égales à zéro
et qui pourraient distordre les résultats des estimations. Celles-là sont donc recalculées sur
cet échantillon et montrent des résultats très proches du cas précédent. Sauf que, cet
échantillon restreint, nettoyé de l’excès de zéros, permet une estimation d’un modèle négatif
binomial « simple » mais en spécification de panel.

L’estimation en panel avec et sans retards montre la non-endogénéité au modèle de la

variable du nombre de brevets et ce conformément aux prédictions. Ensuite, seul l’indice
HHI semble avoir un rapport en forme de courbe convexe avec le nombre de brevets. Par

Concurrence & Innovation Page 87

ailleurs, la PDM donne un lien en forme de courbe concave avec un maximum de brevets
pour une PDM avoisinant28 les 41%.

Rappelons que plus de 95% des observations de la PDM au niveau d’agrégation utilisé ici
(NAF2) est en dessous de cette valeur. Ce qui signifie que le lien est strictement positif pour
quasiment 95% et que seuls moins de 5% des observations sont donc concernées par cette
inflexion concave de la courbe. Cela explique qu’en coupe instantanée, les données étant
scindées et traitées par année, l’observation d’une non-linéarité associée à une tendance
baissière n’est pas observée.

28
Avec + ou – 1% selon l’indice de concurrence de la régression

Concurrence & Innovation Page 88

Conclusion :

Le point de départ de cette étude est le lien controversé entre le niveau de concurrence des
secteurs d’une économie et son implication dans l’innovation d’entreprise.

Nous sommes partis du constat simple que bien des études traitent du niveau de concurrence
global à l’échelle d’un secteur de l’économie mais négligent, ou font sciemment l’impasse,
sur les caractéristiques individuelles de chacune des firmes au sein même de leur secteur.

Outre leurs caractéristiques intrinsèques qui peuvent être identifiées dont la taille,
l’implication en R&D, l’hétérogénéité individuelle non-observable, etc., les firmes peuvent
se distinguer et être différenciées sur leurs marchés par leur « compétitivité » ou leur
position concurrentielle.

Le niveau de concurrence mesuré à un niveau agrégé d’un secteur est différent de la position
concurrentielle ou de la compétitivité propre à chaque entreprise.

A partir de ce constat, nous avons voulu sonder l’effet combiné de ces deux variables de
concurrence (concurrence agrégée et compétitivité propre à l’entreprise) tout en prenant en
compte les caractéristiques individuelles des dites entreprises et en les agençant avec
diverses variables liées à l’innovation.

Les résultats obtenus ont été stupéfiants par rapport à l’hypothèse de départ mais probants
car robustes à la vérification via plusieurs types de modèles et à l’aide de différentes
variables d’innovation et de concurrence :

Nous avons ainsi utilisé 3 types de variables liées à l’innovation associées à 3 types de
modèles différents : un modèle Probit pour les indicatrices de brevets et d’innovations,
celles-ci se déclinent en indicatrice de produit, procédé et innovation indifférenciée ou
générale ; un modèle de panel à effets fixes pour l’intensité de la R&D et un modèle négatif
binomial avec excès de zéros en coupe instantanée sur le comptage du nombre de brevets.

Nous nous attendions qu’en plus du niveau de concurrence des secteurs qui joue un rôle sur
l’innovation que son niveau de compétitivité, reflet de sa position concurrentielle, jouerait
un rôle stimulant sur sa propension à innover. Finalement, cet effet ne fut pas observé mais
nous a permis de nuancer l’apport de la concurrence-concentration. En effet, en ce qui
concerne l’innovation de produit et en tenant compte du HHI et du C4, nous remarquons
que pour 75% des secteurs de la nomenclature d’agrégation NAF2 (totalisant 80%
d’observations), la concurrence induit dans un premier temps un effet croissant sur
l’innovation mais qui est marginalement décroissant : plus la concurrence augmente, plus il
y a d’innovations mais dans une proportion de moins en moins importante, la tendance est à
la « saturation », puis s’amorce un retournement à partir d’un certain point. Pour les 25%

Concurrence & Innovation Page 89

restants des secteurs : le niveau de concurrence est relativement bas car la concentration y
est forte et ne crée pas un décrochage de l’innovation.

Par ailleurs, la prise en compte du GINI et de la PDM met en exergue deux résultats
supplémentaires : d’abord, le GINI montre que les firmes continuent à innover jusqu’à un
écart important entre elles -symbolisé par un GINI à 0.78 et ce pour 90% des observations-,
à ce moment-là, une baisse de l’innovation de produit s’amorce et concerne l’ensemble des
firmes d’un secteur donné, indépendamment de leur poids sur le marché, d’où la non
significativité du lien entre la PDM et l’innovation.

Le fait que la tendance à innover en produit s’inverse à une valeur de GINI proche de 1
prouve bien que les entreprises sont peu sensibles aux écarts de détentions du marché sauf
quand ceux-là deviennent trop grands. La non-significativité de la PDM confirme ce résultat
et prouve que les firmes ajustent leur tendance à innover indépendamment de leur position
compétitive.

In fine, le premier résultat a été que la tendance à innover des firmes en produit est très peu
sensible aux variations de l’écart concurrentiel sur le marché, celui-ci doit être assez élevé -
mesuré à une valeur de GINI de 0.78- pour que cela provoque un impact négatif sur
l’innovation.

Le deuxième résultat qui permet d’étayer et d’approfondir le premier est que la tendance à
innover en produit est, par ailleurs, complètement indépendante des positions
concurrentielles sur le marché : les entreprises semblent agir de la même manière, qu’elles
soient leaders, moyennement importantes ou suiveuses sur le marché.

Le troisième résultat réside dans le fait que cette tendance à innover en produit en fonction
de la concentration-concurrence suit une forme fonctionnelle non linéaire exhibant une
courbe de forme concave où à un certain niveau de concentration-concurrence mesuré à un
HHI = 0.23 & C4 = 0.49 la tendance à innover atteint son maximum.

Le quatrième résultat est que l’innovation de procédé ne semble pas du tout répondre aux
mêmes impératifs que l’innovation en produit.

D’autre part, nous avons pu remarquer la dimension réductrice du fait de mesurer

l’innovation par les brevets car en confrontant les indicatrices d’innovations et de brevets,
nous remarquons que des différences notoires sont révélées.

Cela nous autorise à affirmer que les brevets sont et demeurent une mesure pour la
protection de l’innovation et non pas une mesure de l’innovation à proprement parler.

Concurrence & Innovation Page 90

A ce titre, nous pouvons faire remarquer que la protection de l’innovation par les brevets
passe par d’autres mécanismes ou répond à une autre logique.

En fait, contrairement à ce qu’on a précédemment vu pour ce qui est de la tendance à

l’innovation, la position concurrentielle et l’écart entre concurrents (mesuré par le GINI)
jouent clairement un rôle prépondérant dans la protection de l’innovation par les brevets
tandis que la concurrence sur les marchés n’en a aucun effet. Ces résultats sont étayés par
les modèles Probit sur brevet où le GINI est significatif ainsi que la PDM mais pas le HHI
ni le C4.

Par ailleurs, la PDM testée en forme quadratique semble jouer de manière positive et
strictement linéaire sur la protection par brevet. En effet, l’inversion de la tendance à
breveter dans les modèles Probit se produit à une valeur de PDM = 0.47 où 95% des
observations en sont inférieurs. D’ailleurs, un rapprochement avec les résultats des modèles
négatifs binomiaux à excès de zéros, plus riches en informations sur les nombres de brevets,
permet de confirmer la robustesse de ce résultat car la forme quadratique n’y est tout
simplement pas significative.

Au final, la distinction entre le processus d’innovation en produit, en procédé et la faculté de

breveter combinés à leurs facteurs déterminants constitue un apport non négligeable et
intéressant de cette étude. Qui, par ailleurs, en utilisant différentes variables et en
multipliant les modèles sur un échantillon de 12 années et sur les firmes les plus impliquées
dans la R&D en France permet d’aboutir à des résultats robustes et concluants.

Concurrence & Innovation Page 91

Bibliographie :

Aghion P. & Howitt P. (1992). A model of growth through creative destruction.

Econometrica, LX, p. 323–351.

Aghion P., Bergeaud A., Lequien M., Melitz M. (2018). The impact of exports on
innovation: theory and evidence. NBER Working Papers 24600, National Bureau of
Economic Research, Inc.

Aghion P., Bloom N., Blundell R., Griffith R., Howitt P. (2005) Competition and
innovation: an inverted-u relationship. The Quarterly Journal of Economics, p. 701-728.

Arrow K. (1962). Economic Welfare and the Allocation of Resources for Invention. R.
Nelson ed., The Rate and Direction of Inventive Activity, University Press, Princeton, p.
609-625.

Askenazy P., Cahn C., Irac D. (2013). Competition, R&D, and the cost of innovation:
evidence for France. Oxford Economic Papers, Volume 65, Issue 2, p. 293–311.

Baum C. F. (2006). An introduction to modern econometrics using stata, Stata Press, Texas.

Blundell R., Griffith R., Van Reenen J. (1999). Market share, market value and innovation
in a panel of british manufacturing firms. Review of Economic Studies, LXVI, p. 529–554.

BROUWER E. & KLEINKNECHT A. (1996). Determinants of innovation. A micro-

econometric analysis of three alternative innovation output indicators. The message from
new indicators. Macmillan, Londres, p. 99-124.

Convention sur le brevet européen, 16ème édition, 2016 : https://www.epo.org/law-

practice/legal-texts/epc_fr.html

COOMBS R., NARANDREN P., RICHARDS A. (1996). A literature-based innovation

output indicator. Research Policy, Vol. 25, p. 403-413.

Debonneuil M. & Encaoua D. (2014). Innovations contemporaines: contreperformances ou

étape transitoire? Revue Française d’Economie, 29 (2), p.1-31.

Detrie J.-P. (2005). Strategor, 4ème édition, Dunod.

Dixit A. K. & Stiglitz J. (1977). Monopolistic Competition and Optimum Product

Diversity,” American Economic Review, LXVII, Vol. 67, n° 3, p. 297–308.

Concurrence & Innovation Page 92

Duguet E., Lelarge C. (2004). Les brevets incitent-ils les entreprises industrielles à
innover ? Economie et statistiques, n° 380, p. 35-61.

Elzinga K. G. & Mills D. E. (2011). The Lerner index of monopoly power: origins and uses.
American Economic Review, p. 558-564.

Geroski P. (1995). Market structure, corporate performance and innovative activity, Oxford
University Press, Oxford.

Grossman G. & Helpman E. (1991). Innovation and Growth in the Global Economy. MIT
Press, Cambridge, MA.

Hall B. H., Griliches Z., Hausman. J. A. (1986). Patents and R&D: Is There A Lag?
International Economic Review, Vol. 27, n° 2, p. 265-284.

Hashmi A. R. (2013). Competition and innovation: the inverted-u relationship revisited.

Review of Economics and Statistics, Vol. 95 Issue 5, p.1653-1668.

Jaffe A. B. & De Rassenfosse G. (2017). Patent citation data in social science research:
Overview and best practices. Journal of the Association for Information Science and
Technology, vol 68(6), p. 1360-1374.

KAMIEN M. I. & SCHWARTZ N. L. (1982). Market structure and innovation. Cambridge

University Press, Cambridge.

KLEINKECHT A. & BAIN D. New concepts in innovation output measurement.

Macmillan, Londres et St. Martin’s Press, New York.

KLEINKECHT A. & REIJNEN J.O.N. (1993). Towards literature-based innovation output

indicators. Structural Change and Economic Dynamics, Vol. 4, p. 199-207.

Kraft K. Market structure, firm characteristics and innovative activity. The Journal Of
Industrial Economics, Vol. 37 , n° 3, p. 329-336.

Lee S. F. (2011). Être ou ne pas être hétérodoxe : réponse argumentée aux détracteurs de
l'hétérodoxie. Revue Française de Socio-Économie, n° 8, p. 123-144.

Nickell S. (1996). Competition and Corporate Performance. Journal of Political Economy,

CIV, p. 724–746.

OCDE/Eurostat. (2005). Manuel d'Oslo : Principes directeurs pour le recueil et

l’interprétation des données sur l’innovation, La mesure des activités scientifiques et
technologiques, Éditions OCDE, 3ème édition, Paris.

Concurrence & Innovation Page 93

Romer P. (1990). Endogenous technological change. Journal of Political Economy, XCVIII,
p. 71–102.

Salop S. (1977). The noisy monopolist: imperfect information, price dispersion, and price
discrimination. Review of Economic Studies, XLIV, p. 393–406.

SANTARELLI E. & PIERGIOVANNI R. (1996). Analysing literature-based innovation

output indicators: The Italian experience. Research Policy, Vol. 25, p. 689-712.

Sarzosa M. (2012). Empirical Microeconomics, Econ626.

Schumpeter J. (1943). Capitalism, Socialism and Democracy. Allen Unwin, Londre.

Weiss P. (2003). Adoption of product and process innovations in differentiated markets:

The Impact of Competition. review of industrial organization, Vol. 23, Issue 3-4, p. 301-
314.

Concurrence & Innovation Page 94

Annexe 1 : Probit de panel pour nomenclature d’agrégation NA129 (Sous-section
5.1.2.2)
Probit panel c4_na129
------------------------------------------------------------
(1) (2) (3)
Produit Procédé Brevets
------------------------------------------------------------
main
lrd_ca 0.176*** 0.169*** 0.248***
(0.00841) (0.00833) (0.0130)

ll 0.104*** 0.0984*** 0.232***

(0.00945) (0.00930) (0.0156)

L.lyk 0.0209* -0.00234 -0.00758

(0.0119) (0.0117) (0.0182)

L.exp 0.509*** 0.0763 0.816***

(0.131) (0.128) (0.188)

L.exp2 -0.352** 0.109 -0.592***

(0.152) (0.149) (0.213)

L.pdm_na129 1.156* 1.032* 5.160***

(0.597) (0.588) (0.911)

L.pdm2_na129 -2.033** -1.206 -5.540***

(0.807) (0.800) (1.303)

L.c4_na129 0.799 -0.193 0.0121

(0.548) (0.531) (0.691)

L.qc4_na129 -0.543 -0.0164 -0.179

(0.743) (0.715) (0.883)

Contrôle
du temps Oui Oui Oui

Contrôle
des secteurs Oui Oui Oui
d’activité

_cons 1.523 1.083 -11.45

(1.121) (1.030) (4311.9)
------------------------------------------------------------
lnsig2u
_cons -0.286*** -0.310*** 0.726***
(0.0380) (0.0372) (0.0395)
------------------------------------------------------------
N 39724 39724 45221
------------------------------------------------------------

Concurrence & Innovation Page 95

Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01
Probit panel gini_na129
------------------------------------------------------------
(1) (2) (3)
Produit Procédé Brevets
------------------------------------------------------------
main
lrd_ca 0.175*** 0.169*** 0.248***
(0.00841) (0.00833) (0.0130)

ll 0.104*** 0.0981*** 0.232***

(0.00945) (0.00930) (0.0156)

L.lyk 0.0216* -0.00214 -0.00759

(0.0119) (0.0117) (0.0182)

L.exp 0.506*** 0.0808 0.819***

(0.131) (0.128) (0.188)

L.exp2 -0.349** 0.106 -0.596***

(0.152) (0.149) (0.213)

L.pdm_na129 1.162* 1.044* 5.184***

(0.597) (0.588) (0.911)

L.pdm2_na129 -2.011** -1.192 -5.588***

(0.810) (0.802) (1.305)

L.gini_na129 -11.48 23.76 -17.26

(14.04) (14.48) (19.78)

L.gini2_~129 9.289 -12.92 10.81

(7.943) (8.185) (11.20)

Contrôle
du temps Oui Oui Oui

Contrôle
des secteurs Oui Oui Oui
d’activité

_cons 5.087 -9.098 -4.698

(5.979) (6.151) (4338.6)
------------------------------------------------------------
lnsig2u
_cons -0.287*** -0.310*** 0.725***
(0.0380) (0.0373) (0.0395)
------------------------------------------------------------
N 39724 39724 45221
------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 96

Probit panel hhi_na129 controle
------------------------------------------------------------
(1) (2) (3)
Produit Procédé Brevets
------------------------------------------------------------
main
lrd_ca 0.176*** 0.169*** 0.292***
(0.00842) (0.00833) (0.0131)

ll 0.104*** 0.0982*** 0.263***

(0.00945) (0.00930) (0.0158)

L.lyk 0.0205* -0.00242 -0.0332*

(0.0119) (0.0117) (0.0183)

L.exp 0.507*** 0.0768 0.871***

(0.131) (0.128) (0.187)

L.exp2 -0.349** 0.109 -0.336

(0.152) (0.149) (0.211)

L.pdm_na129 1.183** 1.067* 6.394***

(0.597) (0.589) (0.939)

L.pdm2_na129 -2.082*** -1.252 -6.876***

(0.807) (0.803) (1.343)

L.hhi_na129 1.026 -0.172 -0.0262

(0.760) (0.751) (0.907)

L.hhi2_na129 -0.984 0.967 0.695

(1.307) (1.336) (1.359)

Contrôle
du temps Oui Oui Oui

Contrôle
des secteurs Oui Oui Oui
d’activité

_cons 1.609 1.063 -10.99

(1.122) (1.029) (849.0)
------------------------------------------------------------
lnsig2u
_cons -0.285*** -0.310*** 0.863***
(0.0380) (0.0373) (0.0377)
------------------------------------------------------------
N 39724 39724 45000
------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 97

Annexe 2 : Négative binomial avec excès de zéro en coupe instantanée pour Nombre de
Brevets (Sous-section 5.3.3.1)
Effets marginaux pour Zero inflated négatif binomial pour Nombre de Brevet
en coupe instantanée par année / Variable de concurrence C4
----------------------------------------------------------------------------
(1) (2) (3) (4)
MEM_1999 MEM_2000 MEM_2001 MEM_2002
----------------------------------------------------------------------------
lrd_ca 1.211** 1.820*** 0.721*** 0.578***
(0.545) (0.262) (0.0746) (0.0580)

ll 1.541*** 2.202*** 0.917*** 0.806***

(0.451) (0.348) (0.0872) (0.0740)

lyk 0.156 0.113 -0.0274 -0.0311

(0.314) (0.204) (0.0966) (0.0728)

exp 1.736 -1.326 1.722** 2.355**

(3.068) (2.611) (0.874) (0.933)

exp2 -0.333 0 0 0
(3.762) (2.940) (0.939) (0.957)

pdm_naf2 4.728* 6.037** -1.232 -0.646

(2.524) (3.062) (1.506) (1.254)

pdm2_naf2 -3.331 0 0 0
(2.789) (4.297) (1.851) (1.485)

c4_naf2 0.180 -2.317 0.139 -1.235

(2.514) (3.351) (1.317) (1.183)

qc4_naf2 -2.032 0.985 -0.495 0.879

(2.854) (3.627) (1.397) (1.330)
----------------------------------------------------------------------------
N 2184 2723 3892 4507
----------------------------------------------------------------------------
Suite
----------------------------------------------------------------------------
(5) (6) (7) (8)
MEM_2003 MEM_2004 MEM_2005 MEM_2006
----------------------------------------------------------------------------
lrd_ca 0.621*** 1.031*** 0.595*** 0.832***
(0.119) (0.267) (0.0933) (0.122)

ll 1.155*** 1.661*** 0.889*** 1.185***

(0.255) (0.450) (0.119) (0.183)

lyk -1.071*** -0.750 0.128 0.0465

(0.407) (0.463) (0.128) (0.120)

exp 0.971 -9.169 -0.185 -0.0295

Concurrence & Innovation Page 98

 (2.375) (6.229) (1.191) (1.732)

exp2 0 0 0 0
(2.542) (4.477) (1.218) (1.640)

pdm_naf2 0.592 3.479 17.62** 13.32**

(2.534) (3.733) (7.386) (5.275)

pdm2_naf2 0 0 0 0
(2.710) (4.333) (6.019) (4.354)

c4_naf2 -10.60* -18.84** -1.767 -7.327***

(6.005) (9.399) (1.485) (2.189)

qc4_naf2 8.679 15.94* 1.092 6.314***

(5.522) (8.250) (1.648) (2.094)
----------------------------------------------------------------------------
N 4694 4705 4562 4329
----------------------------------------------------------------------------
Suite
----------------------------------------------------------------------------
(9) (10) (11) (12)
MEM_2007 MEM_2008 MEM_2009 MEM_2010
----------------------------------------------------------------------------
lrd_ca 0.720*** 0.819*** 0.706*** 0.728***
(0.120) (0.113) (0.115) (0.109)

ll 1.118*** 0.976*** 0.988*** 0.939***

(0.171) (0.110) (0.134) (0.115)

lyk 0.0498 0.0834 -0.0264 -0.166*

(0.151) (0.101) (0.100) (0.0965)

exp 5.019*** 3.046** 0.753 0.916

(1.841) (1.378) (1.229) (1.100)

exp2 0 0 0 0
(1.672) (1.337) (1.339) (1.266)

pdm_naf2 7.738** 5.351** 4.888** 4.619***

(3.452) (2.328) (2.430) (1.789)

pdm2_naf2 0 0 0 0
(7.445) (2.085) (3.038) (2.087)

c4_naf2 -6.413** -3.005* 0.601 0.201

(2.722) (1.676) (1.747) (1.671)

qc4_naf2 5.181* 1.908 -0.154 0.0991

(2.647) (1.666) (1.850) (1.775)
----------------------------------------------------------------------------
N 4378 4315 4405 4544
----------------------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 99

Effets marginaux pour Zero inflated négatif binomial pour Nombre de Brevet
en coupe instantanée pour chaque année / Variable de concurrence HHI
----------------------------------------------------------------------------
(1) (2) (3) (4)
MEM_1999 MEM_2000 MEM_2001 MEM_2002
----------------------------------------------------------------------------
lrd_ca 0.877*** 1.816*** 0.724*** 0.575***
(0.132) (0.274) (0.0753) (0.0570)

ll 1.313*** 2.211*** 0.924*** 0.814***

(0.183) (0.392) (0.0887) (0.0722)

lyk -0.167 0.129 -0.0213 -0.0278

(0.163) (0.206) (0.0991) (0.0740)

exp 2.955** -1.469 1.710* 2.365**

(1.464) (2.970) (0.874) (0.933)

exp2 -0.888 0 0 0
(1.721) (3.516) (0.948) (0.953)

pdm_naf2 3.320 5.163 -1.743 -1.086

(2.384) (3.342) (1.674) (1.295)

pdm2_naf2 -2.220 0 0 0
(2.827) (4.376) (1.900) (1.477)

hhi_naf2 -5.922** -4.776 0.657 -0.618

(2.488) (3.161) (1.493) (1.268)

hhi2_naf2 7.105* 4.996 -1.299 -0.144

(3.937) (4.006) (1.987) (1.736)
----------------------------------------------------------------------------
N 2184 2723 3892 4507
----------------------------------------------------------------------------
Suite

----------------------------------------------------------------------------
(5) (6) (7) (8)
MEM_2003 MEM_2004 MEM_2005 MEM_2006
----------------------------------------------------------------------------
lrd_ca 0.602*** 0.978*** 0.604*** 0.809***
(0.116) (0.354) (0.0924) (0.120)

ll 1.209*** 1.653** 0.903*** 1.197***

(0.308) (0.751) (0.120) (0.191)

lyk -1.242** -1.146* 0.153 0.0397

(0.513) (0.646) (0.124) (0.122)

exp -0.213 -11.65 -0.417 -0.504

(3.157) (14.72) (1.253) (1.840)

exp2 0 0 0 0

Concurrence & Innovation Page 100

 (3.173) (10.35) (1.234) (1.665)

pdm_naf2 0.834 5.469 17.90** 14.19**

(2.800) (4.830) (7.618) (5.713)

pdm2_naf2 0 0 0 0
(3.202) (4.489) (6.165) (4.718)

hhi_naf2 -13.47** -13.88 -4.183** -8.639**

(6.611) (8.764) (2.104) (3.539)

hhi2_naf2 21.76* 17.76 8.771* 16.66**

(12.51) (13.15) (4.975) (7.303)
----------------------------------------------------------------------------
N 4694 4705 4562 4329
----------------------------------------------------------------------------
Suite

----------------------------------------------------------------------------
(9) (10) (11) (12)
MEM_2007 MEM_2008 MEM_2009 MEM_2010
----------------------------------------------------------------------------
lrd_ca 0.692*** 0.847*** 0.714*** 0.736***
(0.120) (0.115) (0.118) (0.111)

ll 1.141*** 0.984*** 1.000*** 0.944***

(0.181) (0.113) (0.139) (0.114)

lyk 0.0655 0.123 -0.0130 -0.173*

(0.154) (0.113) (0.101) (0.101)

exp 4.858** 3.268** 0.750 0.933

(1.949) (1.374) (1.235) (1.101)

exp2 0 0 0 0
(1.799) (1.362) (1.352) (1.296)

pdm_naf2 8.038* 8.360** 4.878* 4.443**

(4.140) (4.051) (2.510) (1.855)

pdm2_naf2 0 0 0 0
(7.107) (2.817) (3.066) (2.077)

hhi_naf2 -7.023** -3.646 1.792 1.437

(3.348) (2.235) (2.190) (2.422)

hhi2_naf2 8.293** 4.952* -1.532 -2.665

(3.755) (2.927) (3.093) (4.544)
----------------------------------------------------------------------------
N 4378 4315 4405 4544
----------------------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 101

Annexe 3 : Négative binomial avec excès de zéro en coupe instantanée pour Nombre de
Brevets (Sous-section 5.3.3.2)
Effets marginaux sur échantillon restreint du modèle Zero inflated négatif
binomial pour Nombre de Brevet en coupe instantanée pour chaque année /
Indice de mesure de la concurrence-concentration : C4_NAF2
----------------------------------------------------------------------------
(1) (2) (3) (4)
mem_1999 mem_2000 mem_2001 mem_2002
----------------------------------------------------------------------------
lrd_ca 2.165*** 3.358*** 1.678*** 1.415***
(0.474) (0.652) (0.216) (0.166)

ll 2.913*** 4.048*** 1.968*** 1.789***

(0.576) (0.827) (0.249) (0.263)

lyk 0.0666 0.189 -0.300 -0.309

(0.430) (0.380) (0.259) (0.234)

exp 2.737 -4.332 3.360 3.895

(3.074) (4.571) (2.681) (2.419)

exp2 0.178 5.773 -1.998 -1.998

(3.618) (5.060) (2.881) (2.540)

pdm_naf2 11.07* 6.808 2.576 3.915

(5.786) (7.378) (4.252) (3.731)

pdm2_naf2 -17.76*** 0 0 0
(6.360) (7.936) (5.205) (4.225)

c4_naf2 -2.842 -0.391 -1.526 -4.651

(5.912) (9.203) (4.168) (3.787)

qc4_naf2 -1.834 -2.846 -0.248 2.820

(6.013) (9.568) (4.315) (3.838)
----------------------------------------------------------------------------
N 1200 1439 1825 2047
----------------------------------------------------------------------------
Suite
----------------------------------------------------------------------------
(1) (2) (3) (4)
mem_2003 mem_2004 mem_2005 mem_2006
----------------------------------------------------------------------------
lrd_ca 1.827*** 2.248*** 1.483*** 2.025***
(0.418) (0.642) (0.256) (0.289)

ll 2.817*** 2.951*** 2.126*** 2.794***

(0.665) (0.704) (0.338) (0.418)

lyk -1.934* -2.265* 0.805* 0.340

(1.028) (1.217) (0.443) (0.337)

Concurrence & Innovation Page 102

exp -6.160 -16.59 -6.839 -3.491
(8.413) (12.16) (4.637) (5.052)

exp2 0 0 0 0
(7.501) (9.727) (3.915) (4.466)

pdm_naf2 5.715 17.49** 50.45** 40.43**

(6.153) (8.355) (20.14) (15.72)

pdm2_naf2 0 0 0 0
(7.031) (10.32) (16.73) (13.73)

c4_naf2 -32.52 -45.11* -4.377 -19.19***

(20.46) (24.88) (5.461) (5.687)

qc4_naf2 26.66 38.23* 1.331 14.43***

(18.55) (22.31) (5.316) (5.279)
----------------------------------------------------------------------------
N 2146 2112 2103 2030
----------------------------------------------------------------------------
Suite
----------------------------------------------------------------------------
(1) (2) (3) (4)
mem_2007 mem_2008 mem_2009 mem_2010
----------------------------------------------------------------------------
lrd_ca 1.723*** 1.865*** 1.961*** 2.125***
(0.278) (0.241) (0.330) (0.361)

ll 2.793*** 2.257*** 2.703*** 2.709***

(0.464) (0.261) (0.326) (0.366)

lyk 0.112 0.152 0.381 0.0415

(0.296) (0.278) (0.300) (0.378)

exp 10.84** 5.975* -5.085 -4.996

(4.633) (3.119) (4.170) (4.973)

exp2 0 0 0 0
(4.356) (3.110) (4.100) (4.942)

pdm_naf2 12.21* 18.30*** 8.038 14.06**

(6.705) (5.395) (5.537) (6.644)

pdm2_naf2 0 0 0 0
(7.219) (5.955) (6.191) (6.805)

c4_naf2 -16.97** -6.566* 4.844 -1.864

(6.762) (3.811) (5.429) (7.153)

qc4_naf2 11.17* 3.251 -6.651 2.036

(5.856) (3.749) (5.271) (7.897)
----------------------------------------------------------------------------
N 1956 1888 1765 1789
----------------------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 103

Effets marginaux sur échantillon restreint du modèle Zero inflated négatif
binomial pour Nombre de Brevet en coupe instantanée pour chaque année /
Indice de mesure de la concurrence-concentration : HHI_NAF2

----------------------------------------------------------------------------
(1) (2) (3) (4)
MEM_1999 MEM_2000 MEM_2001 MEM_2002
----------------------------------------------------------------------------
lrd_ca 2.166*** 3.366*** 1.677*** 1.406***
(0.478) (0.663) (0.233) (0.171)

ll 2.922*** 4.054*** 1.989*** 1.801***

(0.584) (0.868) (0.266) (0.275)

lyk 0.0670 0.209 -0.258 -0.286

(0.431) (0.381) (0.262) (0.246)

exp 2.724 -4.097 3.191 3.845

(3.116) (4.161) (2.772) (2.499)

exp2 0.400 5.773 -1.998 -1.998

(3.662) (4.592) (3.011) (2.632)

pdm_naf2 9.817* 5.773 1.266 3.271

(5.944) (7.965) (4.424) (3.731)

pdm2_naf2 -17.76*** 0 0 0
(6.745) (8.468) (5.490) (4.337)

hhi_naf2 -14.97** -8.630 -0.559 -5.095

(7.308) (7.609) (4.634) (4.338)

hhi2_naf2 16.43 8.931 -0.955 4.308

(10.80) (8.615) (6.160) (6.278)
----------------------------------------------------------------------------
N 1200 1439 1825 2047
----------------------------------------------------------------------------
Suite
----------------------------------------------------------------------------
(1) (2) (3) (4)
MEM_2003 MEM_2004 MEM_2005 MEM_2006
----------------------------------------------------------------------------
lrd_ca 1.746*** 2.179*** 1.456*** 1.946***
(0.360) (0.661) (0.246) (0.292)

ll 2.808*** 2.979*** 2.108*** 2.818***

(0.707) (0.744) (0.332) (0.452)

lyk -2.251* -3.004* 0.813* 0.365

(1.212) (1.627) (0.443) (0.345)

exp -10.62 -26.59 -7.350 -4.645

(11.53) (18.04) (4.783) (5.375)

Concurrence & Innovation Page 104

exp2 0 0 0 0
(9.214) (12.28) (3.975) (4.776)

pdm_naf2 6.959 19.35** 51.03** 42.22**

(6.549) (9.011) (20.73) (16.61)

pdm2_naf2 0 0 0 0
(7.795) (11.30) (17.12) (14.52)

hhi_naf2 -31.58** -32.05** -7.626 -22.13**

(15.94) (16.23) (6.047) (10.33)

hhi2_naf2 38.50 38.68 5.640 29.09

(24.00) (24.74) (8.288) (18.64)
----------------------------------------------------------------------------
N 2146 2112 2103 2030
----------------------------------------------------------------------------
Suite
----------------------------------------------------------------------------
(1) (2) (3) (4)
MEM_2007 MEM_2008 MEM_2009 MEM_2010
----------------------------------------------------------------------------
lrd_ca 1.635*** 1.861*** 1.983*** 2.145***
(0.290) (0.245) (0.346) (0.380)

ll 2.830*** 2.230*** 2.741*** 2.704***

(0.519) (0.258) (0.350) (0.367)

lyk 0.0753 0.184 0.407 -0.000755

(0.289) (0.281) (0.309) (0.396)

exp 10.34** 5.993* -4.952 -4.969

(4.876) (3.136) (4.192) (4.830)

exp2 0 0 0 0
(4.632) (3.144) (4.121) (4.872)

pdm_naf2 12.52* 18.03*** 7.745 12.91*

(7.380) (5.350) (5.643) (6.976)

pdm2_naf2 0 0 0 0
(7.915) (5.973) (6.196) (7.406)

hhi_naf2 -23.28*** -11.62** -2.551 1.222

(8.471) (5.577) (7.120) (9.441)

hhi2_naf2 23.58** 13.06* 0.266 -7.505

(10.85) (7.073) (9.465) (16.70)
----------------------------------------------------------------------------
N 1956 1888 1765 1789
----------------------------------------------------------------------------
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01

Concurrence & Innovation Page 105

Annexe 4 : Statistiques descriptives

Variable Obs Mean Std. Dev. Min Max

exp 128308 .2157636 .2677929 0 1

exp2 128308 .1182664 .2160789 0 1
pdm_naf2 128356 .0457088 .1393444 0 1
pdm2_naf2 128356 .021506 .1170479 0 1
c4_naf2 128246 .3010608 .1953527 .0015075 1
qc4_naf2 128246 .1288 .1683484 2.27e-06 1
hhi_naf2 128246 .0555192 .086352 .0000588 1
hhi2_naf2 128246 .010539 .0470589 3.46e-09 1
gini_naf2 128246 .8587689 .0717109 .2210105 .9982546
gini2_naf2 128246 .7426264 .1177264 .0488456 .9965123

Percentiles Smallest
1% 1 1
5% 2 1
10% 4 1 Obs 49930
25% 12 1 Sum of Wgt. 49930

50% 35 Mean 88.34813

Largest Std. Dev. 137.1588
75% 89 833
90% 260 834 Variance 18812.54
95% 416 835 Skewness 2.614598
99% 658 836 Kurtosis 9.947995
Table de statistiques descriptives sur la variable ordinale de classement des positions concurrentielles au
niveau NAF2

Concurrence & Innovation Page 106

Annexe 5 : Graphique de distribution de la R&D

- Graphique de la distribution de l’intensité de la R&D : soit le logarithme du rapport

de la R&D au chiffre d’affaire pour les entreprises de l’échantillon avec simulation
d’une répartition normale -

- Graphique de la distribution du logarithme de l’investissement total en R&D pour

les entreprises de l’échantillon avec simulation d’une répartition normale -

Concurrence & Innovation Page 107