Les investissements chinois dans la recherche et le développement (R&D) ont explosé depuis le début du siècle, ayant plus que décuplé en termes absolus depuis 2000 et atteignant un sommet de 2,4 % du PIB en 2020. États-Unis, la Chine est certainement une force avec laquelle il faut compter dans le paysage mondial de l’innovation. Sa nouvelle poussée vers une croissance tirée par l’innovation et son ambition déclarée de devenir une puissance d’innovation technologique d’ici 2050 ont suscité des questions : la Chine est-elle sur la bonne voie pour atteindre ses objectifs, et des investissements plus importants dans la R&D, comme promis par le Premier ministre Li Keqiang, y parviendront-ils ?
Dans une étude publiée dans l’édition de juillet 2022 de Économétriel’économiste de Yale Fabrizio Zilibotti et les coauteurs Michael König, Zheng Michael Song et Kjetil Storesletten abordent cette question à travers le prisme de la mauvaise allocation.
Résultats en un coup d’œil
Mauvaise allocation dans la R&D chinoise
« En Chine, les entreprises les plus étroitement liées à l’État ont plus accès aux ressources que les entreprises plus efficaces mais mal connectées », a expliqué Fabrizio Zilibotti, professeur Tuntex d’économie internationale et du développement, dans une interview à l’EGC. « Cela donne lieu à une mauvaise allocation des ressources, car les ressources (travail et capital) sont absorbées par des entreprises à productivité relativement faible, tandis que les forces concurrentielles sont bloquées. » Si les entreprises dont le potentiel de croissance par l’innovation est limité entreprennent malgré tout de la R&D, peut-être en raison d’incitations gouvernementales, il en résulte une mauvaise allocation de la R&D. Les entreprises plus productives et mieux adaptées à l’activité innovante sont privées de ressources pour la mener, ce qui entrave la croissance économique.
L’étude de Zilibotti et de ses coauteurs sur la mauvaise affectation de la R&D et ses implications est la première du genre, avançant à la fois un modèle théorique présentant un changement technique endogène et testant leurs prédictions grâce à son application à un nouvel ensemble de données au niveau de l’entreprise.
Une théorie du changement technique : imiter vs innover
Dans le modèle théorique de l’étude, les entreprises qui maximisent leurs profits et qui cherchent à améliorer leur technologie interagissent avec d’autres entreprises au hasard à chaque période. Ils sont regroupés en différentes industries et ont des niveaux de productivité variables. Les entreprises ont deux options : imiter ou innover. L’imitation nécessite moins de ressources et convient aux entreprises moins productives : il y a de fortes chances qu’elles rencontrent une entreprise plus productive et qu’elles en retirent les meilleures pratiques. En revanche, innover demande des investissements spécifiques et convient aux entreprises plus productives. Ces entreprises ont peu à apprendre de leurs pairs, elles peuvent donc améliorer leur productivité en concevant de nouveaux produits et en découvrant de nouveaux procédés. En fin de compte, les entreprises les plus efficaces repoussent la frontière de l’innovation tandis que les autres suivent leur exemple.
Les distorsions, qui se produisent lorsque l’ingérence dans le marché affecte les prix et compromettent l’efficacité, jouent un rôle clé dans le modèle. Les écarts sur les marchés du travail et des capitaux propres à chaque entreprise découragent les entreprises d’investir en réduisant les bénéfices qu’elles peuvent tirer d’une future amélioration de la productivité.
Quatre prédictions vérifiables émergent :
Un résultat clé du modèle est qu’à l’équilibre, la distribution de la productivité évolue dans le sens d’une augmentation de la productivité au fil du temps. Dans le jargon mathématique, on peut la décrire comme une « onde progressive ». L’intuition est claire : la courbe représentant la distribution de la productivité ondule de gauche à droite, représentant le changement technique. Toutes les entreprises en dessous d’un certain seuil de productivité imitent ; le reste innove.
Appliquer la théorie aux données : saisir la vague
Les auteurs utilisent une stratégie d’estimation connue sous le nom de méthode des moments simulés pour faire correspondre leur modèle théorique aux données sur les entreprises manufacturières chinoises de 2007 à 2012. Essentiellement, la distribution stationnaire de la productivité totale des facteurs (PGF) illustrée dans la partie A comporte plusieurs paramètres ; les auteurs sélectionnent des valeurs pour ces paramètres qui leur permettent d’obtenir la meilleure reproduction des données au niveau de l’entreprise chinoise. Leur modèle s’adapte encore mieux aux données après avoir été complété par des « coins d’innovation » (qui rendent la R&D moins chère pour certaines entreprises et plus coûteuse pour d’autres), et compte tenu de la déclaration erronée des dépenses de R&D par les entreprises.
L’erreur de mesure, qui survient lorsque les valeurs sont mesurées de manière imprécise, est depuis longtemps une bête noire de la littérature sur la mauvaise affectation. Les auteurs apportent un développement méthodologique passionnant dans le domaine en proposant un modèle explicite d’erreur de mesure. Sous certaines hypothèses, leur modèle leur permet d’évaluer la part des données attribuable à l’erreur de mesure.
L’analyse des auteurs indique que l’erreur de mesure crée la fausse impression d’une plus grande convergence des données qu’il n’en existe dans la réalité : elle surestime la mesure dans laquelle les entreprises hors R&D moins productives rattrapent les entreprises hors R&D plus productives, les premières ayant des taux de croissance de la productivité. Cela souligne l’importance de corriger l’erreur de mesure pour des raisons de précision.
Les prédictions du modèle sont confirmées par les données. Par exemple, la part des entreprises engagées dans la R&D double presque à mesure que l’on passe des entreprises les moins productives aux plus productives, et les grandes entreprises sont plus susceptibles d’effectuer de la R&D. Les résultats des auteurs inspirent confiance dans leur méthode d’estimation : non seulement les prédictions qualitatives de leur modèle tiennent le coup, mais aussi, de nombreux aspects de leur modèle s’adaptent parfaitement aux données, même sans ajustement délibéré.
L’analyse des auteurs suggère que les investissements en R&D ont été un déterminant important de la croissance de la productivité au cours de la période 2007-2012, malgré les vents contraires imposés par les distorsions généralisées des marchés du travail et des capitaux induites par les politiques (par exemple, les restrictions à la mobilité de la main-d’œuvre à travers le hukou et forte intervention dans l’allocation du capital par le biais de plans de crédit administratifs).
Chine contre Taïwan :
Les économies taïwanaise et chinoise présentent de fortes similitudes dans leur orientation vers l’exportation et l’importance du secteur manufacturier. « Une question qui nous intéresse est la suivante : que se passerait-il si la Chine avait accès à la même technologie que les entreprises taïwanaises ? » dit Zilibotti. Les auteurs corroborent la validité de leur modèle théorique en le testant sur un ensemble de données d’entreprises taïwanaises, puis comparent les résultats entre leurs échantillons chinois et taïwanais. Si les paramètres estimés de l’échantillon taïwanais des auteurs sont qualitativement similaires à ceux de leur échantillon chinois, les différences quantitatives s’avèrent frappantes : l’innovation et la diffusion des technologies sont plus rapides à Taïwan qu’en Chine.
Expériences politiques contrefactuelles et leurs implications
Pour étudier les implications d’une mauvaise allocation, les auteurs effectuent une analyse contrefactuelle, ce qui signifie qu’ils considèrent des « réalités » hypothétiques dans lesquelles certains aspects de l’économie sont modifiés. Dans un contrefactuel, ils étudient l’effet d’une réduction de la mauvaise allocation. La réduction de la mauvaise allocation génère des gains d’efficacité dynamiques, en déclenchant un ajustement vers un nouvel équilibre avec une croissance plus élevée. La croissance s’accélère et la répartition de la productivité des entreprises devient plus dispersée. Cela suggère que la réduction de la mauvaise allocation, par exemple en diminuant le soutien de l’État aux entreprises politiquement liées ou en assouplissant les contraintes de crédit, pourrait améliorer la productivité de l’innovation et stimuler considérablement la croissance.
Dans un autre contrefactuel, les auteurs constatent que les subventions à la R&D non ciblées – des subventions accessibles à toutes les entreprises plutôt que spécifiquement ciblées sur un sous-ensemble d’entreprises – accélèrent la croissance de la productivité à des niveaux modérés, mais peuvent se retourner contre elles si elles sont excessivement généreuses. En d’autres termes, les subventions à la R&D peuvent être une trop bonne chose : lorsque les subventions à la R&D sont distribuées sans discernement, les « mauvaises entreprises » innovent même si elles auraient mieux fait d’imiter, ce qui inhibe la croissance de la PTF.
« Une implication politique importante est qu’injecter de l’argent dans les entreprises pour qu’elles mènent des activités de R&D ne suffit pas à garantir la croissance de la productivité », a déclaré Zilibotti. « Avant tout, les ressources doivent inciter les « bonnes entreprises » à innover. Dans ce but, le développement financier axé sur le marché – capital-risque, entrepreneuriat de base, protection des investisseurs, etc. – s’est historiquement révélé un moyen très puissant de promouvoir l’innovation. Il est au mieux difficile de savoir si une approche descendante avec un rôle fort du gouvernement peut être un bon substitut à cela. »
Michael König et al, De l’imitation à l’innovation : où va toute cette R&D chinoise ?, Économétrie (2022). DOI : 10.3982/ECTA18586