ARTICLE ORIGINAL / ORIGINAL ARTICLE

Proximité aux infrastructures et croissance de l’emploi en Île-de-France(1993–2008) : le rôle des transports à l’échelle intramétropolitaine*

Proximity to infrastructures and employment growth in Île-de-France region (1993–2008):the role of transport at the intrametropolitan scale

M. Padeiro

Reçu le 20 juin 2011 ; accepté le 21 février 2012© IFSTTAR et Springer-Verlag France 2012

Résumé Cet article a pour objectif d’analyser le rôle de laproximité aux infrastructures de transport dans les variationsde l’emploi dans 291 communes franciliennes entre 1993 et2008. À partir des données d’emplois issues de la base Unis-tatis, un modèle économétrique de régression multiple estestimé, d’abord sans les variables de proximité aux infra-structures, ensuite en les intégrant dans le but de mesurer legain en pouvoir explicatif. Les résultats suggèrent que le rôledes infrastructures dans l’évolution des emplois est à la foislimité et variable selon les secteurs économiques et les typesde réseaux.

Mots clés Économie urbaine · Infrastructure de transport ·Localisation des activités · Suburbanisation · Croissance del’emploi

Abstract This article aims to analyze the role of proximity totransport infrastructures in employment growth within 291municipalities located in the Île-de-France region between1993 and 2008. Based on the employment data from Unista-tis, a multiple regression econometric model is estimated,

first without variables describing proximity to infrastructure,and then integrating them in order to measure the gain inexplanatory power. The results suggest that the role of infra-structure in employment growth rate is limited and variesaccording to economic sectors and network types.

Keywords Urban economics · Transportation infrastructure ·Industrial location · Suburbanization · Employment growth

Introduction

Les débats sur le rôle des infrastructures de transport urbaindans le développement économique des métropoles n’ontcessé de s’amplifier depuis 50 ans. Malgré les résultats denombreux travaux menés depuis les années 1970, l’idéedemeure, dans le débat public, que la construction d’uneinfrastructure de transport induit une croissance économiquedans les territoires desservis, et cet argument sert égalementà justifier les investissements [1,2]. Cette hypothèse est engrande partie fondée sur les modèles de localisation des acti-vités et sur la relation entre distance physique (temps et coûtde déplacement) et interactions : la perspective néoclassique,tout comme la Nouvelle économie géographique (NEG),soutient qu’une localisation à proximité des nœuds desréseaux de transports influence la décision d’implantationdes firmes, mais également leur productivité et leurcroissance [3,4].

La relation n’est pas si simple, comme l’énoncent la plu-part des travaux sur ce thème. Pourtant, le récent projet deligne de métro circulaire autour de Paris, dans ses variantesdésignées Grand-Huit par l’État et Arc-Express par la régionÎle-de-France, a fait l’objet d’amples débats autour de la pro-duction des territoires métropolitains, tant dans leurs fonc-tions résidentielles qu’économiques, l’hypothèse la plus envogue étant que la future ligne contribuera à l’émergencede pôles d’emplois périphériques et au développement

M. Padeiro (*)LVMT, École des Ponts ParisTech, IFSTTAR,Université Paris-Est, 6–8, avenue Blaise-Pascal, cité Descartes,Champs sur Marne, F-77455 Marne-la-Vallée cedex 2, Francee-mail : jmpadeiro@campus.ul.pt

En détachement au LASER(Laboratoire d’analyse spatiale et d’économie régionale),INRS, Centre urbanisation culture et société,Montréal, QC, Canada

Désormais au Centro de estudos geográficos,Instituto de geografia e de ordenamento do território,Universidade de Lisboa, Portugal

* Cette recherche a été financée par la région Île-de-France dans lecadre du programme R2DS.

Rech. Transp. Secur. (2012) 28:69-88DOI 10.1007/s13547-012-0030-z

des pôles existants. Pour nombre de municipalités, attirerl’emploi sur le territoire équivaut à garantir des recettes sup-plémentaires issues de la taxe professionnelle et de la taxefoncière. Pour autant, ont-elles raison de se saisir des débatsen invoquant le développement économique ? La formulemagique que représenterait la proximité d’un réseau mériteun examen plus précis qui tienne compte de la diversité desréseaux et de celle des secteurs économiques. Le lien sup-posé par les autorités publiques entre les projets de transportset l’emploi local (avec des projets de connexion directe etextrêmement rapide entre les aéroports et les principauxpôles d’emplois de La Défense, de Saclay, de Marne-la-Vallée, ainsi qu’entre les pôles eux-mêmes) mérite doncd’être analysé, ce d’autant que si le rôle des autoroutes estrelativement bien documenté (avec des résultats variablesd’une étude à l’autre, et d’une ville à l’autre), celui desréseaux de transports collectifs urbains l’est moins.

Notre objectif est de déterminer si l’existence et la proxi-mité d’une infrastructure de transports sont susceptibles decontribuer de manière significative à la croissance locale del’emploi au sein de l’agglomération parisienne, et d’exami-ner si certains modes de transports ont une influence plusimportante que d’autres sur les différents secteurs économi-ques. Pour cela, nous estimons un modèle économétrique derégression multiple dont la variable dépendante est le tauxmoyen de croissance annuel de l’emploi entre 1993 et 2008dans chaque commune francilienne retenue dans l’aired’étude (cf. infra).

Cet article s’organise de la manière suivante. Nous dres-sons d’abord un panorama des travaux qui ont analysé le rôledes infrastructures de transports dans le développementéconomique, en focalisant l’attention sur l’emploi intra-métropolitain. Nous présentons ensuite la méthodologieadoptée (données, aire d’étude, variables et spécificationsdu modèle). Nous exposons ensuite les résultats du modèleet l’analyse de la localisation des emplois en 1993, ainsi quede leur variation entre 1993 et 2008. Enfin, nous synthéti-sons les principaux résultats et proposons quelques pistes deréflexion.

Proximité au réseauet développement économique

Tous les modèles théoriques de localisation sont fondés surle coût des transports [5,6]. Être à proximité d’une infrastruc-ture de transport permet à l’entreprise qui produit des bienspour le marché régional et national de diminuer ses coûts deproduction. À condition que les externalités négatives restentfaibles et sans préjuger de l’intervention publique (zonesd’activités), une position avantageuse attire des entreprisesmême lorsque ces dernières n’ont pas d’intérêt particulier àse localiser au même endroit [7,8]. La concentration ainsi

induite peut même contribuer, en retour, à augmenter ladiversité sectorielle d’une aire d’activités, ou au contrairesa spécialisation.

Fondée sur cette idée, une abondante littérature empiriques’est développée autour de l’évaluation socio-économique desinfrastructures de transport depuis une quarantaine d’années.Il s’est agi, d’une part, d’interroger le rôle du capital publicdans la productivité du secteur privé [9,10], les infrastructurespouvant être considérées comme un bien intermédiaire entreproduction et consommation finale. D’autre part, au momentoù les pouvoirs publics soutenaient le discours faisant del’infrastructure un vecteur du développement économique[1,11,12], de nombreux doutes ont émergé. En France, lespremières observations réalisées autour des autoroutes ontconduit à relativiser l’effet d’entraînement de ces infrastructu-res, celui-ci dépendant avant tout de l’accompagnement desprojets par des politiques publiques adéquates [13]. À la foisoutil d’aménagement du territoire, de valorisation écono-mique, d’action sociale et de promotion environnementale[14], le transport devenait simultanément fragmenté et équi-voque, incapable à lui seul de répondre à de telles injonctionspotentiellement contradictoires. À partir des années 1980, lestravaux sur l’évaluation des lignes de TGV [11,15,16] rejoi-gnaient les conclusions formulées par les observatoires auto-routiers [17–20] : relativisation des effets des infrastructures,évolutions socio-économiques difficiles à quantifier dans unentrelacs de relations endogènes et de causalités réciproques,indissociabilité structurelle entre la technique et la société quil’a engendrée, avantages économiques plutôt issus des politi-ques publiques d’accompagnement des projets et par la cons-truction plus ou moins conflictuelle de ces derniers [21].

À l’échelle intramétropolitaine, l’analyse du rôle desinfrastructures est plus récente. Elle apparaît même plusardue, en premier lieu du fait de la lenteur des mutationsdu tissu urbain et de sa quasi-saturation [22]. Ensuite, aucontraire des espaces ruraux traversés par une autoroute ouune ligne de TGV, l’endogénéité des investissements eninfrastructures dans les villes est très élevée [23], ce qui pré-sente le risque de biaiser l’interprétation causale. En outre,les transports en milieu urbain ne se limitent pas aux trans-ports lourds (chemin de fer, y compris le métro, aéroports,autoroutes) : la mobilité quotidienne, et par conséquent laproximité à la main-d’œuvre et aux entreprises clientes,passe aussi par les réseaux d’autobus (particulièrement dansles grandes métropoles européennes), dont la quasi-ubiquitéet les très fortes variations de performances (temporelles etspatiales) sont les caractères principaux. Plusieurs auteursont contourné cette difficulté à travers l’utilisation de varia-bles d’accessibilité à la main-d’œuvre ou à la population,calculées à partir d’une modélisation du réseau de transportsen commun [24]. Enfin, les seuils géographiques à partirdesquels l’influence d’une gare ou d’une station cesse des’exercer varient d’un type d’infrastructure à l’autre, et

70 Rech. Transp. Secur. (2012) 28:69-88

d’un secteur économique à un autre. Les choix de localisa-tion peuvent d’ailleurs tenir compte de plusieurs typesd’infrastructures simultanés, et dépendent en premier lieudu secteur d’activités. Ainsi, les services supérieurs appa-raissent très corrélés à la centralité urbaine [25]. Ils tendentà s’orienter, lorsqu’ils se transfèrent à faible distance [26,27],vers des quartiers péricentraux particulièrement accessibles :la construction de bureaux autour des prolongements delignes de métro en proche banlieue parisienne est unexemple récemment soulevé de ces évolutions [28].

Les autoroutes conservent un poids indéniable parmi lestravaux existants dans le champ urbain, en particulier parceque de nombreux auteurs leur ont attribué un rôle majeur enmatière de suburbanisation et d’étalement urbain [29–31] etde développement de pôles d’emplois secondaires [24]. Il estvrai que l’analyse des préférences des entreprises tend à faireressortir les accès rapides comme des positions favorablespour les activités productives. Dans une étude menée enrégion Nord-Pas-de-Calais à partir d’une liste de sites propo-sée aux chefs d’entreprises, Bénard et al. [32] montrent ainsique 55 % des sites les mieux classés se trouvent à moins decinq minutes d’une autoroute. Les entreprises sont égale-ment sensibles aux gares de chemin de fer, beaucoup moinsaux autres types de desserte (aéroports, routes nationales,ports). La segmentation des préférences par secteurs d’acti-vités fait apparaître une différence de sensibilité entre lessecteurs de services, qui recherchent une localisation cen-trale et accessible, et les secteurs industriels, plus périphé-riques et dans le même temps peu intéressés par la proximitéau réseau. Des résultats relativement similaires ont été obte-nus dans l’agglomération lyonnaise [33,34] : les services auxentreprises valorisent fortement la proximité à un axe decommunication rapide (80 % des répondants à l’enquêteayant qualifié ce facteur entre « assez important » et « trèsimportant »), et de manière moindre l’accès à une gare TGV(63 %). Les transports en commun, la centralité urbaine et laproximité d’un aéroport figurent parmi les moins cités. Pourautant, dans certains cas, les possibilités d’accès au réseau neconstituent pas des facteurs favorables au développementéconomique : une croissance très locale peut se produire auprix d’une reconfiguration spatiale qui s’opère au détrimentde territoires adjacents formant un arrière-pays non directe-ment desservi [13,23]. Par ailleurs, les externalités négativesliées à la congestion et aux prix fonciers et immobiliers peu-vent excéder les avantages issus de la concentration. C’estd’autant plus le cas dans l’aire centrale des agglomérations :la congestion des réseaux joue un rôle répulsif, pouvantconsidérablement limiter la croissance dans des airesaccessibles et/ou centrales [35,36].

Au-delà des autoroutes en milieu urbain, les effetsd’autres infrastructures prêtent encore à discussion [24], saufdans le cas des activités de transport et de logistique, tradi-tionnellement bien connectées aux aéroports [37]. Quant aux

transports collectifs urbains, l’ouverture de lignes de tram-way et de métro, le plus souvent analysée en termes de capi-talisation foncière et immobilière, présente des conclusionscontrastées. En Île-de-France, le tramway T2 Val-de-Seinesemble avoir eu des effets positifs sur la création d’établisse-ments entre 1993 et 2004 dans les territoires desservis [38].L’effet du gain d’accessibilité en transports collectifs y appa-raît significatif, en particulier à travers l’accessibilité auxentreprises (concentration en amont de la production) et àla population (main-d’œuvre). Toutefois, un tel résultat n’estpas généralisable à l’ensemble des activités : une partied’entre elles, comme les grands centres commerciaux maisaussi les entreprises à forte proportion de main-d’œuvre nonqualifiée, se soumettent au contexte de motorisation généra-lisée au détriment de ceux qui, précisément, ne disposent pasde véhicule [39]. Enfin, une simulation réalisée autour de laTangentielle Nord en région parisienne montre un faibleimpact de l’infrastructure de transport à l’horizon 2026 del’infrastructure de transport, à savoir une augmentation dunombre d’emplois peu différente du scénario de référence[40]. Le métro et le tramway font d’une manière généralel’objet de peu de travaux complets, la majorité des analysesen matière d’activité économique se limitant à l’évolution dutissu commercial environnant [41,42].

Cet article propose donc de contribuer à l’analyse durôle des infrastructures dans la distribution et la croissancede l’emploi dans l’espace urbain sur la période récente(1993–2008). Nous souhaitons introduire ici plusieurs modesde transports, comparer les modes entre eux ainsi que plu-sieurs seuils de distances pour chaque mode et chaque secteuréconomique : l’emploi augmente-t-il significativement autourdes infrastructures, et jusqu’à quelle distance ?

Méthodologie

Données et aire d’étude

Les données Unistatis1 utilisées ici sont basées sur les décla-rations des entreprises du secteur privé à chaque début d’an-née. Elles ne concernent donc pas l’emploi public, ce quiretire environ 1,5 million d’emplois au total. Notre analyseporte dès lors uniquement sur les secteurs dits productifs, quireprésentaient 74 % de l’emploi régional en 2008 (donnéesInsee), ce qui en soi n’est pas problématique dans la mesureoù la proximité aux infrastructures n’est pas supposée attirerdes activités publiques dont la distribution géographiquerelève plutôt de logiques redistributives, optimales ou équi-tables [43]. Le choix de la base de données au détrimentd’autres bases comme SIRENE (données plus fines, à

1 Les données sont téléchargeables gratuitement sur le site de PôleEmploi : http://unistatis.orsid.com/index.php.

Rech. Transp. Secur. (2012) 28:69-88 71

l’adresse), réside d’une part dans le niveau de précision deseffectifs, au salarié près, alors que SIRENE ne propose quedes tranches peu précises, et d’autre part, dans le faitqu’Unistatis fournit (à l’échelle communale) le nombre desalariés pour chaque secteur d’activité, pour chaque annéedepuis 1993.

À partir de regroupements effectués sur la base de la clas-sification européenne NAF 2 en 38 secteurs, nous distin-guons ici 11 secteurs d’activités : industrie manufacturièreet activités extractives (S1) ; construction (S2) ; commercede détail et réparation (S3) ; commerce de gros (S4) ; trans-ports et entreposage (S5) ; télécommunications, informa-tique et informations (S6) ; hébergement et restauration(S7) ; finance et assurance (S8) ; activité immobilière(S9) ; services spécialisés (S10), qui incluent « activités juri-diques, comptabilité, gestion, architecture et ingénierie »,« recherche-développement scientifique » ainsi qu’« autresactivités spécialisées, scientifiques et techniques » ; autresactivités spécialisées (S11), incluant « activités de servicesadministratifs et soutien » ; administration publique (S12),qui regroupe des services (non publics) d’administration,d’enseignement, de santé et d’action sociale ; et finalement,autres services (S13), qui regroupent surtout des servicesdomestiques et des activités extraterritoriales. Cette classifi-cation est proche de celle utilisée dans des travaux récentsportant également sur la localisation des activités en milieuurbain [44,45].

Pour calculer certaines variables, nous utilisons égale-ment les données du recensement de la population(RGP-1990, Insee) ainsi que celles du mode d’occupationdu sol (MOS-1990, IAURIF). Les premières servent à sélec-tionner les communes ayant plus de 1 500 emplois et à lescatégoriser en fonction du nombre d’emplois et des navettesquotidiennes (nous revenons ci-dessous sur la constructionde l’aire d’étude). Les données Unistatis de 1993 ne permet-tent pas le calcul des navettes, et nous obligent à utiliser lesdonnées de 1990, ce qui, convenons-en, n’introduit qu’unfaible biais. La base de données d’occupation du sol fournitquant à elle un indicateur de disponibilité foncière pourl’année 1990, sur lequel nous reviendrons (cf. infra).

L’aire d’étude est composée de 291 communes, sur les1 300 que représente la région Île-de-France (arrondissementsparisiens compris). Elles sont extraites de l’ensemble descommunes qui contenaient au moins 1 500 emplois en1990 ; ce seuil, certes discutable2, a par ailleurs été utilisé

par d’autres travaux [27,46]. Ces communes sont diviséesen plusieurs catégories : ville-centre (Paris) ; aire péricentrale,qui forme un bloc adjacent de la ville-centre, et dont lescommunes ont plus de 5 000 emplois (E > 5 000) et un ratioemplois/population active, hors navettes vers Paris, supérieurà 1 en 1990 (EPR > 1) ; pôles d’emplois secondaires, définisavec les mêmes E et EPR, mais non adjacents de la ville-centre ; zones d’emplois principales, avec E > 5 000 etEPR < 1 ; zones d’emplois secondaires (E est compris entre1 500 et 5 000 emplois). Notons que les termes de « pôle » etde « zone » revêtent une acception différente : dans le présentarticle, nous parlons de pôle lorsque l’indicateur EPR estsupérieur à 1 (EPR > 1 : la commune présente un haut poten-tiel d’attraction des actifs) et de zone lorsque EPR est inférieurà 1. Les communes en deçà de 1 500 emplois ne sont pasconsidérées dans l’étude, dans la mesure où leurs faibles chif-fres induiraient des biais dans le modèle (cf. infra).

Pour chacune des communes préalablement sélectionnées(comprenant donc toutes au moins 1 500 emplois au recen-sement de 1990), nous calculons l’ensemble des indicesconsidérés comme des déterminants potentiels de la crois-sance, et que nous exposons plus loin. Certaines communesn’avaient aucun emploi en 1993 dans un ou plusieurs sec-teurs économiques : elles ont été éliminées de l’aire d’étudedans la mesure où, lors du calcul d’un indice de concurrence(cf. infra), la division par zéro est impossible, et le contour-nement du problème par une addition +1 à toutes les donnéesne suffit pas. Notons enfin que la définition des secteursd’activité économique influence considérablement le nom-bre de communes prises en compte : dans une précédenteétape de ce travail, nous n’avions pas isolé le commerce degros et avions retenu un seul secteur « services spécialisés »et un secteur « services culturels » incluant les secteurs del’édition ainsi que les arts et spectacles. Le total des obser-vations était alors de 308 communes.

L’aire d’étude compte donc en 2008 environ 3,8 millionsd’emplois, ce qui représente 92 % de l’emploi régional dansles secteurs productifs, 85 % de la croissance de l’emploifrancilien (1993–2008), pour 23 % des communes(Tableau 1, Fig. 1). Paris est le seul territoire, ici, à perdrede l’emploi sur la période. Les taux moyens de croissanceannuelle les plus élevés concernent les groupes de commu-nes périphériques, notamment les communes rurales (horsétude) et les zones d’emplois (EPR < 1). L’aire péricentrale(communes adjacentes de Paris formant un bloc de conti-nuité spatiale) enregistre la plus forte croissance en chiffresabsolus et compte pour un tiers de la croissance régionaledes emplois sur la période, mais avec un faible taux moyende croissance, le plus faible après Paris, s’expliquant par unniveau d’emploi déjà très élevé en 1993. Les zonesd’emplois principales sont celles qui connaissent le tauxmoyen le plus élevé de l’aire d’étude, proche de 2 % paran, talonnées par les zones d’emplois secondaires (1,8 %) :

2 Il est tout à fait possible d’envisager une analyse fondée sur d’autresseuils, situés à 500 ou 1 000 emplois par exemple, éventuellement enajoutant une condition de contiguïté entre communes respectant leditseuil. En deçà du seuil de 500 emplois, certains indices perdent toutleur sens, voire ne sont pas applicables du fait de l’absence decertains secteurs d’activités dans les plus petites communes (cf. infra).Ce travail reste possible, mais avec des restrictions en matière decomparabilité entre secteurs.

72 Rech. Transp. Secur. (2012) 28:69-88

ces deux zones représentent près de 185 000 emplois gagnésau cours de la période.

Modèle de régression multiple

La croissance de l’emploi dans les 291 municipalités étu-diées est estimée par la méthode des moindres carrés ordi-naires (MCO) basée sur un modèle économétrique de régres-sion multiple (équation 1). Ce modèle intègre dans unpremier temps des variables décrivant l’environnementéconomique, géographique et institutionnel, puis ajoute desvariables de proximité aux infrastructures. Cette stratégied’analyse utilisée par Apparicio et al. [47] à l’échelle conti-nentale permet de calculer un effet additionnel induit par lesinfrastructures dans le bilan de la croissance de l’emploi surla période analysée. La perspective adoptée concerne ledéveloppement économique, entendu ici au sens de crois-sance de l’emploi sur une période donnée, en fonction dela dotation des territoires urbains en équipements de trans-ports. Le modèle est exprimé sous la forme suivante :

Gamc,s = α + β EE + γ EGI + δ INF + ε (1)

où Gamc,s est le taux moyen de croissance annuel del’emploi entre 1993 et 2008 ; EE, EGI et INF les vecteursdes variables descriptives de l’environnement économique(EE), de l’environnement géographique et institutionnel(EGI) et des infrastructures de transports (INF). Nous préci-sons ci-après le contenu des vecteurs EE, EGI et INF. Cesvariables regroupent les principaux facteurs supposés delocalisation des activités.

Variables d’environnement économique (EE)

Les variables décrivant l’environnement économique descommunes de l’aire d’étude permettent de tester les différen-tes externalités d’agglomération formulées par la NouvelleÉconomie Géographique : spécialisation économique,

concurrence et diversité. Les variables utilisées sont les sui-vantes : S93 (emploi en début de période), CI (indice deconcurrence), SI (indice de spécialisation) et RDI (indicede diversité relative). Nous les détaillons ci-après.

La première variable, S93, représente le log du nombred’emplois en 1993 (début de période).

La variable CI est l’indice de concurrence (équation 2).De hauts niveaux de concurrence locale peuvent être consi-dérés comme une illustration et un catalyseur du développe-ment économique, grâce aux importants investissements enR&D qu’ils induisent [48]. Ils peuvent toutefois être consi-dérés comme un frein à la croissance : de multiples investis-sements en R&D à un rythme trop élevé peuvent diminuerles retours sur investissements, ce qui rend l’impact globalnégatif [49]. Selon Glaeser et al. [50], la mesure du nombred’établissements par salarié est une bonne approximation dela concurrence sur un territoire donné. Soulignons toutefoisque nous évoquons la notion de concurrence tout en effec-tuant les calculs sur la base des établissements, ce qui équi-vaut à confondre établissements et entreprises : ce choix sejustifie toutefois dans la mesure où il n’existe pas d’autremoyen, à partir des données disponibles, de calculer unindice de concurrence fondé sur les entreprises. Les résultatsseront, quoi qu’il en soit, à manier avec prudence, car laproportion d’entreprises multi-établissements est relative-ment mal connue, pouvant aller de 5 % dans certainesrégions [51] à près de 30 % dans les régions urbaines fran-çaises [52]. Nous comparons le nombre d’établissements parsalarié avec le même nombre à l’échelle de la métropole.Autrement dit :

CI ¼ ðEtc;s=Ec;sÞðEtR;s=ER;sÞ ð2Þ

où Etc,s est le nombre d’établissements du secteur s dansla commune c ; Ec,s le nombre d’emplois du secteur s sur lacommune c ; ÉtR,s le nombre d’établissements du secteur ssur la région métropolitaine R ; ER,s le nombre d’emplois du

Tableau 1 Données d’emploi (1993–2008) dans les différents types de communes retenues

Groupes de communes Nombre

de communes

Emploi 1993 Emploi 2008 Taux moyen

de croissance annuelle (%)

Paris 20 1 261 847 1 254 214 –0,04

Aire péricentrale 46 867 719 1 068 127 +1,39

Pôles d’emplois secondaires 54 547 158 689 396 +1,55

Zones d’emplois principales 26 75 627 100 353 +1,90

Zones d’emplois secondaires 145 528 226 688 295 +1,78

Communes hors étude 1 009 255 999 348 951 +2,09

Total de l’aire d´étude 291 3 280 577 3 800 385 +0,99

Total Île-de-France 1 300 3 536 576 4 149 336 +1,07

Source : base Unistatis.

Rech. Transp. Secur. (2012) 28:69-88 73

secteur s sur la région métropolitaine R (ici, R est la totalitéde l’Île-de-France). Lorsque CI est supérieur à 1, on compteplus d’établissements (du secteur s) par salarié dans lacommune que dans la région métropolitaine, ce qui indiqueune concurrence accrue dans la commune. Lorsque, aucontraire, CI se rapproche de 0, la concurrence devient trèsfaible dans la commune par rapport à l’ensemble régional.

Cette définition pose problème : l’indice CI peut parfoisatteindre une valeur très élevée, par exemple dans le casd’une commune où un secteur donné serait représenté parun seul emploi et donc un seul établissement, alors que larégion est caractérisée par une multiplicité d’établissementsde peu de salariés. Une solution réside dans le plafonnementde l’indice à un seuil prédéterminé. Plusieurs seuils ont ainsi

Fig. 1 Aire d’étude divisée en cinq groupes (291 communes)

Source : INSEE/RGP 1990.

74 Rech. Transp. Secur. (2012) 28:69-88

été testés : CI4 (si CI > 4, on considère que CI = 4), CI5, CI6,CI7 et CI8. Ils n’ont guère modifié les résultats, notammenten raison du faible nombre de communes à CI élevé (aumaximum 11, dans le secteur du commerce de gros, présen-tant un indice supérieur à 4). Nous conserverons donc lavaleur initiale de CI.

L’indice de spéialisation SI est utilisé pour tester le rôlede la spécialisation sectorielle des communes (équation 3).Une forte spécialisation peut selon de nombreux auteursaccroître le développement économique, principalementgrâce à la mutualisation du marché du travail, de la diffu-sion des connaissances et des liens input-outputs [53].Parmi les nombreux indices de spécialisation possibles[54,55], nous retiendrons celui utilisé par de Vor et deGroot [56]. Il s’agit en fait d’un quotient de localisationcorrespondant au ratio entre la part de l’emploi d’un secteurd’activité donné (s) dans une commune (c) et la part del’emploi de ce secteur d’activité dans l’ensemble del’espace de référence (la région métropolitaine). Il est cal-culé de la manière suivante :

SI ¼ ðEc;s=EcÞðER;s=ERÞ ð3Þ

où Ec,s est le nombre d’emplois du secteur s dans lacommune c ; Ec l’emploi total de la commune c ; ER,s l’emploidu secteur s dans la région métropolitaine R ; ER l’emploitotal de la région métropolitaine R. Comme pour l’indice deconcurrence CI, le plafonnement de la variable SI a été testé :au-delà d’un certain seuil (testé avec SI égal à 2, 3 et 4), lavaleur du seuil était appliquée. Là encore, pour la mêmeraison que précédemment, nous conserverons la valeurinitiale SI.

L’indice de diversité relative RDI (équation 4) est utilisépour tester l’hypothèse de Jacobs [57] selon laquelle lesprincipaux transferts de connaissance proviennent del’extérieur : la variété et la diversité des activités voisinesfavoriseraient par conséquent l’innovation et la croissance,beaucoup plus que la spécialisation géographique [58].Cette hypothèse a été testée par un indice de diversité légè-rement différent dans les modèles établis par Glaeser et al.[50] et, plus récemment, par de Vor et de Groot [56] : lespremiers s’intéressent aux six principaux secteurs de plu-sieurs villes nord-américaines et calculent donc la part dusecteur concerné par rapport aux cinq autres secteurs, lesseconds s’intéressent à l’ensemble des secteurs (parfoisinférieurs à six) représentés dans des sites industriels detaille plus réduite. Le fait de choisir un nombre réduit desecteurs peut introduire un biais dans le calcul, nous parti-rons donc du même calcul de diversité relative choisi par deVor et de Groot [56], qui n’est autre que l’inverse del’indice de spécialisation de Krugman [5]. Il s’agit decomparer la part (en production, en emplois) d’un secteursur un territoire (ici, la commune) à celle du même secteur

dans l’ensemble du territoire de référence (ici, la régionmétropolitaine) [54,56]. Le calcul de la variable RDI estdonc le suivant :

RDI ¼ 1∑jðEc;s=EcÞ−ðER;s=ERÞj ð4Þ

où Ec,s est l’emploi du secteur s dans la commune c ; Ec

l’emploi total de la commune c ; ER,s l’emploi du secteur sdans la région métropolitaine R ; ER l’emploi total de larégion métropolitaine R.

Malgré leur ressemblance, les indices de spécialisation etde diversité relative ne mesurent pas tout à fait la mêmechose. Le premier (SI) est calculé dans chaque communepour chacun des secteurs analysés et exprime la sur- ou lasous-représentation de chacun d’entre eux, alors que lesecond (RDI) représente un indice global caractérisantchaque commune à partir de l’ensemble des secteursd’activités.

Variables d’environnement géographique et institutionnel

Ces variables décrivent la position relative de la communedans la région métropolitaine et l’environnement urbain danslequel les activités se localisent. La variable LA décrit ladisponibilité foncière en 1990 : elle est calculée à partir dela base de données de l’occupation du sol. LA représente lapart de sol classé en 1990 (année la plus proche de 1993,début de période analysée) comme « espace vacant », surle total de la surface municipale. L’hypothèse, ici, est queplus l’espace disponible est grand, plus la probabilité estgrande que l’activité économique puisse se développer.Nous ne pouvons malheureusement pas contrôler la tailledes terrains eux-mêmes : une même surface disponible peutêtre composée d’un seul lot de grande taille, ou d’une multi-tude de petits lots, ce qui influence grandement le typed’activités que les surfaces libres peuvent accueillir. Dansle cas présent, toutefois, LA représente une approximationintéressante. La variable PAM représente le taux moyen decroissance annuel de la population de la commune entre1990 et 2006 (données Insee/RGP) : elle permet de savoirsi la croissance de l’emploi d’un secteur donné est corrélée àla croissance de la population. Des secteurs tels que lecommerce de détail, les agences d’assurance, les agencesbancaires, sont supposés suivre plutôt les aires de croissancedémographique que les zones desservies par les infrastructu-res. Enfin, plusieurs variables dichotomiques sont créées :elles représentent la localisation de la commune. Ce sontles suivantes, C1 à C4 : catégorie de communes, commenous les avons définies plus haut, calculées à partir des don-nées du recensement (navettes et emplois en 1990). C1 = 1 sila commune est un arrondissement parisien, 0 sinon. C2 = 1si la commune fait partie du bloc adjacent (E > 5 000 etEPR > 1), 0 sinon. C3 = 1 si la commune est un pôle

Rech. Transp. Secur. (2012) 28:69-88 75

d’emplois secondaire, 0 sinon. C4 = 1 si la commune est unezone d’emplois principale, 0 sinon. La variable de référence(égale à 0 pour toutes les catégories) regroupe les communesde moins de 5 000 emplois. DEF : si la commune appartientau centre d’affaires de La Défense, DEF = 1, sinon DEF = 0.Seules quatre communes sont concernées : Nanterre, LaGarenne-Colombes, Puteaux et Courbevoie. Nous avionsaussi testé des variables de proximité à La Défense, maiselles ne montrent pas d’effet significatif. VN : si la communeappartient à une ville nouvelle, VN = 1, sinon VN = 0. Lesvilles nouvelles ont été créées dans les années 1960 etavaient pour objectif de diriger l’extension urbaine et orien-ter les emplois vers des centres prédéfinis par les autoritéspubliques. Ce sont : Marne-la-Vallée, Sénart, Cergy-Pontoise, Saint-Quentin-en-Yvelines et Évry. Ici, la variableVN est égale à 1 pour 30 communes. ND1 à ND4 : les com-munes étudiées sont regroupées par classes de distance d(à vol d’oiseau) au centre de l’agglomération (Notre-Damede Paris). ND1 = 1 si la commune est à moins de 10 km deNotre-Dame, 0 sinon. ND2 = 1 si 10 < d < 15, 0 sinon.ND3 = 1 si 15 < d < 20, 0 sinon. ND4 = 1 si d > 20, 0 sinon.

D’autres variables avaient été testées dans un premiertemps mais n’ont pas montré de résultat significatif : PER(ratio population/emploi de la commune en 1993) testait ledegré de résidentialisation de la commune (plus une com-mune est résidentielle, plus PER est élevé) ; ALPHA repré-sentait un angle : à chaque commune était appliqué un anglequi correspondait à la position géographique de la communeautour du point de référence de Notre-Dame. L’angle 0°s’applique aux communes qui seraient situées exactement àla latitude de Notre-Dame, vers l’ouest. Ces deux variablesn’ont pas donné de résultat satisfaisant. Nous aurions égale-ment souhaité intégrer une variable représentant les taxeslocales mais, d’une part, les données n’étaient pas disponi-bles pour l’ensemble de la période considérée (alors que lavariabilité des taxes, d’une année à l’autre, est importante),et d’autre part plusieurs travaux montrent que le niveau destaxes locales ne produit pas d’effets significatifs sur la crois-sance de l’emploi [59,60]. Le rôle des macroagents, commel’aménagement des zones industrielles et d’activités, pépi-nières d’entreprises, parcs technologiques et autres clustersaurait également pu figurer parmi les variables dichotomi-ques, dans la mesure où leur influence est considérable enmatière de localisation des activités [61]. Fritsch [62], parexemple, utilise la présence de zones d’aménagementconcerté (ZAC) ou de secteurs politique de la ville (DSQ-GPV) dans son analyse sur la construction de logements réa-lisée au niveau IRIS (Îlots Regroupés pour l’InformationStatistique). L’idée gagnerait ici à être exploitée. Néanmoins,l’échelle communale apparaît moins adaptée que celle,infracommunale, des IRIS, l’existence d’une zone d’activitépouvant tout à la fois ne représenter qu’une très faible pro-portion de l’aire communale ou chevaucher plusieurs

communes à la fois. À cette première difficulté s’ajoutel’extrême variabilité des zones d’activités en termes de sec-teurs économiques ou même de dates de création et de taille— l’absence de bases de données suffisamment complètessur le sujet a empêché ici l’introduction d’une telle variable.Rappelons toutefois que les politiques locales (taxes, zones)pourraient elles-mêmes poser un problème d’endogénéité[63], un exemple étant donné par la zone d’activité Paris-Nord 2, dont la présence et l’extension s’expliquent engrande partie elles-mêmes par la proximité de l’aéroport deRoissy Charles-de-Gaulle.

Variables d’infrastructures

La région parisienne compte un grand nombre d’infrastruc-tures de transports : aéroports (deux aéroports internatio-naux, à savoir Orly et Roissy), gares de grandes lignes (septgares à Paris centre, trois gares en banlieue)3, stations detransport urbain (métro, réseau express régional [RER],Transilien), échangeurs autoroutiers et ports fluviaux. Laproximité à ces types d’infrastructures est mesurée à partird’une matrice de distances euclidiennes entre les centroïdesdes 291 communes retenues (Tableau 2), ce qui à cetteéchelle d’analyse ne pose pas de problème particulier, lesdifférences entre vol d’oiseau et distance topologique n’étantpas significativement grandes et autorisant une méthodo-logie fondée sur les distances euclidiennes [64].

Les variables sont les suivantes. APT décrit la proximité àl’un des deux aéroports internationaux de Paris. TC représentela proximité d’une station de transports collectifs urbains :réseau métropolitain, RER, trains de banlieue (Transilien).TGV représente la proximité aux gares TGV ; nous créonsaussi deux variantes, où TGVB sont les gares uniquementen banlieue et TGVP les gares parisiennes. ECH décrit laproximité à un échangeur autoroutier. PRT et PPRT représen-tent respectivement les ports et les principaux ports, la diffé-rence entre les deux étant que les principaux ports (PPRT), aunombre de quatre (Limay, Bonneuil-sur-Marne, Évry et Gen-nevilliers) sont les principales plates-formes multimodales entermes de trafic annuel. Pour chacune de ces variables (APT,TC, TGVB, TGVP, ECH, PRT, MNPRT), nous créons plu-sieurs variantes allant de 1 à 10 (par exemple : ECH1, ECH2,et ainsi de suite jusqu’à ECH10), le chiffre indiquant la pré-sence de l’infrastructure à moins de 1 à 10 km du centroïde dela commune. Ces variantes permettent de mesurer l’effet desinfrastructures à différents seuils, et de comparer les seuils à lafois entre les différents types d’infrastructures et au sein dechaque type. Dans la présentation des résultats, nous ne

3 À Paris, ce sont les gares : du Nord, de l’Est, de Lyon, de Bercy(marchandises), Austerlitz, Montparnasse et Saint-Lazare. Enbanlieue, ce sont les gares TGV de Roissy Aéroport, Chessy Marne-la-Vallée et Massy-Palaiseau.

76 Rech. Transp. Secur. (2012) 28:69-88

montrerons que les seuils finalement retenus, à savoir ceuxqui donnaient les meilleurs résultats explicatifs.

Il convient de préciser que toutes les infrastructures repé-rées dans l’aire d’étude existaient déjà (ou presque) en 1993.Peu de stations de métro ont vu le jour, et elles desservent descommunes déjà dotées en 1993 (Paris, Saint-Denis), ce qui nemodifie pas les indicateurs choisis. Les nouveaux échangeursconstruits depuis concernent la zone hors étude, les travaux enproche couronne ayant surtout concerné une voirie préexis-tante [65]. Les gares TGV existaient déjà, une seule s’apprê-tait à ouvrir (Marne-la-Vallée/Chessy en 1994). La ligne E duRER (de Saint-Lazare vers Tournan-en-Brie et Chelles-Gournay, en banlieue est de Paris) a été ouverte progressive-ment entre 1999 et 2003 et utilise des gares préexistantes : auvu des variables utilisées, cette évolution ne modifie pas lesdonnées. Si la construction des variables d’accessibilité pré-sente des limites en termes d’exactitude (performances desréseaux notamment), l’avantage est qu’à cette échelle d’agré-gation (la commune) les nouveaux nœuds de réseau ne pro-voquent pas de changement dans le niveau d’accessibilité descommunes. Les choses seraient différentes si nous raison-nions à partir de matrices d’accessibilité fondées sur la théoriedes graphes, où l’apparition d’un nœud entraîne immédiate-ment une modification de l’ensemble.

Résultats du modèle

Nous procédons d’abord à une brève analyse descriptive desdonnées (Tableau 3). Dans un deuxième temps, nous établis-

sons les liens entre proximité aux infrastructures et localisa-tion des activités en début de période : la variable SI93 (quo-tient de localisation d’un secteur économique donné en1993) est considérée ici comme variable dépendante dumodèle. Cette variable est plus satisfaisante que le simplenombre d’emplois par commune, ce dernier étant marquépar une grande variabilité et l’existence de valeurs extrêmes.Par ailleurs, nous cherchons ici, dans un premier temps, àcaractériser les sur- et les sous-représentations pour chaquesecteur d’activité dans les différentes communes. Enfin,nous estimons le modèle à partir des variations d’emploissur la période 1993–2008, d’abord sans le vecteur INF(variables de proximité aux infrastructures), puis en l’inté-grant afin de comparer la variance expliquée du modèle.

Analyse descriptive

L’emploi du secteur marchand a fortement augmenté aucours de la période dans les 291 communes : entre 1993 et2008, celles-ci ont gagné près de 520 000 emplois, soit untaux de croissance annuel moyen de 0,99 %. Cette crois-sance représente 85 % de la croissance totale du secteur mar-chand en Île-de-France, qui totalise +620 000 emplois. LeTableau 4 montre que les secteurs ayant connu la plus forteprogression sur la période sont les télécommunications et lesservices d’information (S6, +5,80 % par an), le transport etl’entreposage (S5, +3,77 % par an) et les services spécialisés(S10, +3,14 % par an). Peu de secteurs ont connu une baissesignificative sur la période : l’industrie manufacturière etextractive a perdu plus de 210 000 emplois (–2,85 % paran), et les diminutions enregistrées dans les secteurs ducommerce de gros, de la finance et assurance ainsi que del’activité immobilière s’expliquent probablement par le rôlecroissant de la sous-traitance dans un contexte de fortespécialisation des activités et des compétences visant à laréduction des coûts et à l’augmentation de la flexibilité des

Tableau 3 Moyennes, médianes et écart-types des variables

d’environnement économiques (n = 291)

Variable Moyenne Médiane Écart-

type

Taux moyen de croissance

annuel (GamSn)

1,14 0,87 2,22

Emploi 1993 (Sn93) 11 273 4 468 19 842

Indice de spécialisation

(SI_Sn)

0,16 0,15 0,06

Indice de diversité relative

(RDI)

1,79 1,71 0,55

Indice de concurrence

(CI_Sn)

1,14 1,08 0,47

Source : base Unistatis

Tableau 2 Distance des 291 communes de l’aire d’étude à

l’infrastructure la plus proche

Infrastructures Distance à l’infrastructure

la plus proche (km)

Moyenne Médiane Écart-

type

Aéroport (APT) 18,35 15,70 11,69

Station de transports

collectifs urbains (TC)

0,58 0 10,94

Échangeur autoroutier

(ECH)

3,04 2,57 35,29

Gare TGV située

en banlieue (TGVB)

17,32 15,61 99,73

Gare TGV située

à Paris (TGVP)

15,38 12,56 12,65

Port (PRT) 6,20 4,65 5,96

Port principal (PPRT) 13,57 11,44 10,28

Tous les chiffres sont donnés ici en kilomètres, et convertis

en mètres dans le modèle lui-même. Calculs de l’auteur.

Rech. Transp. Secur. (2012) 28:69-88 77

entreprises. Ces observations générales masquent toutefoisune forte dispersion des évolutions locales, ainsi que le mon-trent les valeurs des écarts-types : par exemple, le secteur destélécommunications et des services d’informations (S6),avec un écart-type important (égal à 18,03) a connu unediminution des emplois dans 82 communes sur les 291 del’aire d’étude (28,1 % des communes).

Dans la section suivante, nous estimons le modèle derégression multiple sur les données d’emploi en début depériode.

Infrastructures et localisationdes activités en 1993 et 2008

Avant d’estimer le modèle, nous calculons les corrélationsentre la localisation des activités (emplois et établissements)et les infrastructures (équation 5). Pour cela, nous utilisons lacorrélation bisérielle de point (point biserial correlation) quiconstitue la mesure la plus adaptée à la relation entre unevariable continue (ici, l’indice de spécialisation — ou quo-tient de localisation— établi à partir du nombre d’emplois etdu nombre d’établissements en 1993 et 2008 pour chaquesecteur) et une variable dichotomique (valeur 1 si une infra-structure est présente sur le territoire municipal, 0 dans le cascontraire). La corrélation de rang de Spearman, courammentemployée, n’est pas utilisable dans ce cas précis, même avecla variable de distance à l’infrastructure la plus proche(variable continue). Elle se base en effet sur l’ordre des com-munes établi à partir des distances aux infrastructures. Or, denombreuses valeurs de distance sont ici égales à 0 (cas des

communes ayant une infrastructure sur leur propre terri-toire), ce qui rend l’ordre aléatoire et biaise la relationsupposée.

La mesure de la corrélation bisérielle de point est donnéepar la formule suivante [66,67] :

rpb ¼ Mp−Mq

St

ffiffiffiffiffi

pqp ð5Þ

où Mp est la moyenne des valeurs de la variable continue(emploi ou établissements, 1993 et 2008) pour toutes lesobservations codées 1 dans la variable dichotomique (pré-sence d’infrastructure), Mq la moyenne pour les observationscodées 0, St est l’écart-type pour toutes les valeurs continues,p et q sont les proportions des valeurs 0 et 1 de la variabledichotomique (part des observations codées 0, part desobservations codées 1).

Nous appliquons ensuite un test de signification unilaté-rale (one-tailed t-test, équation 6) afin de déterminer si larelation estimée est significative. La formule du test estexprimée ainsi :

t ¼ rpbffiffiffiffiffiffiffiffi

n−2pffiffiffiffiffiffiffiffiffiffiffi

1−rpbp ð6Þ

où n est le nombre d’observations (ici, n = 291), n–2 lenombre de degrés de liberté, rpb le coefficient de corrélationbisérielle de point. Le test unilatéral se justifie ici, plutôtqu’un test bilatéral, dans la mesure où nous cherchons l’exis-tence d’une relation unidirectionnelle entre les variables :nous essayons de savoir si le nombre d’emplois et d’établis-sements est positivement corrélé à la présence d’une

Tableau 4 Évolution de l’emploi (1993–2008) dans les 291 communes de l’aire d’étude

Emplois

1993

Emplois

2008

Taux

moyen

annuel

Moyenne

des taux dans

les communes

Médiane

des taux dans

les communes

Écart-type

des taux dans

les communes

S1 — ind. manuf. et extract. 607 394 393 355 –2,85 –3,06 –2,95 4,92

S2 — construction 256 634 236 093 –0,55 –0,04 –0,11 4,07

S3 — détail et rép. 320 363 358 096 +0,75 +0,79 +0,67 3,08

S4 — Commerce de gros 275 079 268 451 –0,16 –0,61 –0,69 7,64

S5 — transp., entreposage 102 613 178 807 +3,77 +1,54 +1,81 12,68

S6 — télécomm., inform. 143 753 334 838 +5,80 +2,27 +3,91 18,03

S7 — héberg., restauration 179 538 244 111 +2,07 +2,66 +2,59 3,29

S8 — finance et assurance 299 088 291 024 –0,18 +1,46 +1,26 8,47

S9 — activité immobilière 69 872 65 347 –0,45 +0,47 +0,54 10,20

S10 — services spécialisés 285 304 453 900 +3,14 +2,95 +2,22 5,49

S11 — autres services spéc. 329 543 488 372 +2,66 +2,86 +2,37 10,70

S12 — sces administratifs 253 222 315 350 +1,47 +2,52 +1,74 3,88

S13 — autres services 158 174 172 641 +0,59 +0,80 +0,84 3,49

SN — tous secteurs 3 280 577 3 800 385 +0,99 +1,14 +0,87 2,22

Source : base Unistatis.

78 Rech. Transp. Secur. (2012) 28:69-88

infrastructure sur le territoire municipal. Nous calculons lacorrélation entre le total de l’emploi (et des établissements)et la proximité d’une infrastructure pour les 13 secteursd’activités. Les infrastructures retenues ici sont : aéroports,échangeurs autoroutiers, gares nationales situées en ban-lieue, gares nationales situées à Paris, RER (réseau de trainsrégionaux) incluant au moins une connexion entre deuxlignes, stations de métro, ports (plates-formes multimoda-les). D’autres infrastructures ont également été testées : lesquatre principaux ports (variable PPRT), les stations demétro situées hors de Paris, l’ensemble des stations du réseaude chemin de fer régional (sans hiérarchisation puis avecplusieurs modes de hiérarchisation tenant compte du nombrede correspondances possibles). Les résultats ne sont jamaissignificatifs pour ces infrastructures (sauf pour l’emploi en2008 dans la construction, près des principaux ports, avecrpb = 0,129, significatif au seuil de 1 %), c’est pourquoi nousne les présentons pas ici.

Le Tableau 5 présente les résultats des corrélations.Deux informations générales peuvent en être tirées dansun premier temps. La première est que quatre secteurs nesont jamais (ou presque) corrélés avec l’accessibilité : ils’agit de la construction (S2), du commerce de détail(S3), des services administratifs (S12) et des autres services(S13). C’est un résultat attendu : le commerce tend plutôt,habituellement, à suivre les dynamiques de la population,les services administratifs respectent une organisation ter-ritoriale spécifique et institutionnelle, les autres servicesregroupent, rappelons-le, des services banals à destinationdes ménages, allant d’activités récréatives à la réparationd’ordinateurs, et se détachent par conséquent des servicesaux entreprises habituellement attirés par une bonne acces-sibilité [68]. On pourrait toutefois s’interroger dans le casde la construction dans la mesure où l’évolution desemplois du secteur est par ailleurs fortement corrélée auxaccessibilités à l’échelle nationale ou continentale [47].Mais les logiques de localisation de la construction àl’échelle intramétropolitaine sont plutôt portées pard’autres facteurs, à savoir le poids démographique descommunes et la proximité de la clientèle, évidemment plushomogènes à l’échelle urbaine qu’à l’échelle continentale,et ces facteurs jouent en particulier dans le cas d’un secteurparticulièrement occupé par des artisans et entreprises demoins de dix salariés (moyenne, parmi les plus faibles des13 secteurs retenus, de 8,4 salariés par établissement en Île-de-France en 2008, données Unistatis). Le second ensei-gnement général à tirer du tableau est la prédominance durôle des stations de métro et des gares parisiennes qui, aufond, représentent plutôt la centralité parisienne en tant quetelle que l’accessibilité : on n’est guère étonné par les cor-rélations dans les secteurs d’activités tertiaires, qui obligenten fin de compte à relativiser l’importance de ces infra-structures dans les variables à retenir par la suite.

Il est plus intéressant, ici, de regarder les paires secteurs/infrastructures et les évolutions 1993–2008. Les secteurs lesplus consommateurs d’espace, comme l’industrie (S1), lecommerce de gros (S4) et le transport et entreposage (S5)sont relativement bien corrélés aux infrastructures lourdes :ports et autoroutes pour les deux premiers secteurs (avec descorrélations plus élevées dans le cas du commerce de gros etdes autoroutes, entre 0,20 et 0,25 ; plus faibles dans lesautres cas) ; aéroports surtout pour le transport et entrepo-sage (corrélations toujours supérieures à 0,56), mais égale-ment gares de chemin de fer hors Paris. En évolution, cescorrélations sont assez stables, sauf dans le cas du transportet entreposage : on peut noter, en particulier, une augmen-tation dans le cas de l’emploi par rapport aux gares de che-min de fer, parallèlement à une diminution pour les établis-sements. Cette évolution suggère une tendance à laconcentration des emplois dans un nombre plus réduit d’éta-blissements aux abords des gares.

Au vu de ce tableau, les autres secteurs sont peu sensiblesà l’accessibilité, en dehors de la centralité parisienne :l’hébergement et la restauration (S7) étaient plutôt corrélésen 1993 aux aéroports et aux gares, mais cette corrélationdisparaît en 2008. L’activité immobilière semble avoir suiviles zones de croissance urbaine présumée si l’on en juge parl’apparition d’une (faible) corrélation en 2008 avec lesstations de RER les plus importantes (possédant uneinterconnexion), uniquement pour les établissements

Modèle sur les variations d’emploi 1993–2008

Afin de valider empiriquement la relation entre la croissancede l’emploi (et non plus la seule localisation en début depériode) et les déterminants potentiels décrits dans la sectionprécédente, nous estimons le modèle par la méthode desMCO qui consiste à minimiser la somme des carrés desécarts entre les observations et le modèle estimé [71].

Le Tableau 6 présente les données comparatives (Île-de-France, France métropolitaine) de l’évolution de l’emploisur la période 1993–2008. L’Île-de-France représente 19,5 %de la croissance de l’emploi des secteurs productifs enFrance métropolitaine. Dans les secteurs du transport etentreposage (S5), des télécommunications et informatiques(S6), la région présente un taux supérieur à la moyennenationale ; une diminution moindre dans les secteurs financeet assurance (S8) et activité immobilière (S9). Dans le restedes secteurs d’activités, la moyenne francilienne se situe endeçà de la moyenne nationale (diminution plus accentuée oucroissance moindre).

Nous analysons les résultats pour l’ensemble desemplois, tous secteurs confondus (Tableau 7). Le tableaufait apparaître les résultats du modèle sans les variablesd’infrastructures, puis en ajoutant, dans chacune des colon-nes suivantes, les différentes infrastructures retenues :

Rech. Transp. Secur. (2012) 28:69-88 79

Tableau 5 Analyse de corrélations entre les secteurs économiques (emplois et établissements) et la présence d’infrastructures

(1993–2008)

Secteurs d’activité Var. APT ECH TGVB TGVP RER

avec corr.

Métro PPRT PRT

S1 (activité industrielle

et extractive)

E93 0,102* 0,105*

E08 0,101*

ÉT93 0,121** 0,101*

ÉT08 0,112** 0,138**

S2 (construction) E93

E08

ÉT93

ÉT08

S3 (commerce

de détail et rép.)

E93

E08

ÉT93

ÉT08

S4 (commerce de gros) E93 0,214***

E08 0,225*** 0,094*

ÉT93 0,233***

ÉT08 0,232*** 0,115**

S5 (transports

et entreposage)

E93 0,585*** 0,195***

E08 0,564*** 0,347***

ÉT93 0,764*** 0,101* 0,473*** 0,121**

ÉT08 0,591*** 0,146*** 0,347*** 0,111**

S6 (télécom. & inf.) E93 0,214*** 0,437*** 0,102*

E08 0,142*** 0,39*** 0,102*

ÉT93 0,194*** 0,377***

ÉT08 0,159*** 0,421*** 0,114**

S7 (héberg.

et restauration)

E93 0,264*** 0,259*** 0,206*** 0,259***

E08 0,209*** 0,33***

ÉT93 0,145*** 0,336***

ÉT08 0,162*** 0,336***

S8

(finance et assurance)

E93 0,171*** 0,339*** 0,133**

E08 0,162*** 0,364*** 0,16***

ÉT93

ÉT08

S9

(activité immobilière)

E93 0,249***

E08 0,134**

ÉT93 0,194*** 0,477*** 0,109*

ÉT08 0,096* 0,116** 0,133**

S10 (sces spécialisés) E93 0,104* 0,176***

E08 0,17***

ÉT93 0,19*** 0,269*** 0,163***

ÉT08 0,168*** 0,249*** 0,121**

S11

(autres activités spé.)

E93 0,22*** 0,336*** 0,129**

E08 0,111** 0,144***

ÉT93 0,243*** 0,095* 0,581*** 0,145***

ÉT08 0,244*** 0,559*** 0,162***(Suite page suivante)

80 Rech. Transp. Secur. (2012) 28:69-88

aéroport, gares nationales de chemin de fer situées en ban-lieue, gares parisiennes, autoroutes, principaux ports (demanière non incrémentale : chaque colonne représentel’ajout d’une seule infrastructure au modèle, auquel on aenlevé au préalable l’infrastructure de la colonne précé-dente), et enfin toutes les infrastructures ajoutées aumodèle. Les chiffres associés aux variables d’infrastructu-res correspondent au seuil retenu (exprimé en kilomètres),qui représente le seuil ayant donné l’augmentation de R2 etles niveaux de significativité les plus satisfaisants : ils

varient de 1 km (aéroport, autoroutes) à 5 km (ports, garesnationales situées en banlieue).

Avec un coefficient de corrélation R2 à 0,159, le modèlesans infrastructure donne des résultats assez similaires àceux que fournit la littérature existante. Les variablesd’environnement économique sont conformes au modèleétabli par de Vor et de Groot [45] : la diversité et le niveaude concurrence n’influencent pas significativement lemodèle, la spécialisation présente un effet négatif sur lacroissance de l’emploi, significatif au seuil de 1 %. Parmi

Tableau 6 Évolution de l’emploi en Île-de-France et France métropolitaine, par secteur d’activités (1993–2008)

Île-de-France France métropolitaine

Emplois 1993 Emplois 2008 Taux moyen

annuel (%)

Emplois 1993 Emplois 2008 Taux moyen

annuel (%)

S1 — ind. manuf. et extract. 679 900 456 675 –2,62 3 822 465 3 264 328 –1,05

S2 — construction 290 195 274 422 –0,37 1 229 121 1 519 716 +1,42

S3 — détail et rép. 350 574 405 261 +0,97 1 633 672 2 058 420 +1,55

S4 — commerce de gros 294 430 295 497 +0,02 895 495 968 113 +0,52

S5 — transp., entreposage 113 975 204 017 +3,96 552 441 860 980 +3,00

S6 — télécomm., inform. 145 560 339 105 +5,80 266 948 590 519 +5,44

S7 — héberg., restauration 189 173 263 502 +2,23 605 217 886 914 +2,58

S8 — finance et assurance 303 927 296 976 –0,15 640 184 705 717 +0,65

S9 — activité immobilière 72 006 68 641 –0,32 177 811 202 090 +0,86

S10 — services spécialisés 296 040 472 645 +3,17 701 306 1 182 029 +3,54

S11 — autres services spéc. 340 910 517 711 +2,82 883 785 1 648 268 +4,24

S12 — sces administratifs 278 164 352 330 +1,59 1 382 692 1 918 350 +2,21

S13 — autres services 179 489 202 537 +0,81 598 288 738 346 +1,41

SN — tous secteurs 3 534 343 4 149 319 +1,08 13 389 425 16 543 790 +1,42

Source : base Unistatis

Tableau 5 (suite)

Secteurs d’activité Var. APT ECH TGVB TGVP RER

avec corr.

Métro PPRT PRT

S12 (admin. publique) E93

E08

ÉT93

ÉT08

S13 (autres services) E93 0,104*

E08

ÉT93

ÉT08

Note : coefficients de corrélation bisérielle de point. N = 291. E93 et E08 : indice de spécialisation pour l’emploi en 1993 et en 2008 ;

ÉT93 et ÉT08 : indice de spécialisation pour les établissements en 1993 et en 2008. * significatif au seuil de 10 % ; ** significatif

au seuil de 5 % ; *** significatif au seuil de 1 %. Le tableau représente uniquement les secteurs et infrastructures présentant une corré-

lation significative. Le reste des résultats est disponible sur demande auprès de l’auteur. Source : base Unistatis, calculs de l’auteur.

Rech. Transp. Secur. (2012) 28:69-88 81

les autres variables, la disponibilité foncière (LA), l’apparte-nance à La Défense (DEF) ou à un type donné de pôle ou dezone d’emplois (C1 à C4) ne sont pas significatives. Maisl’appartenance à une ville nouvelle (VN), la croissance de lapopulation (PAM) et les trois classes de distance les plusproches de Notre-Dame (ND1 à ND3) ont un effet positifsur la croissance de l’emploi, témoignant là essentiellementau desserrement en proche couronne des activités et de lapopulation, un résultat déjà bien connu depuis plusieursdécennies [46,69,70].

En matière de proximité aux infrastructures, le pouvoirexplicatif du modèle est amélioré dans toutes les variantesenvisagées (augmentation de R2 et de F), sauf pour les prin-cipaux ports, et particulièrement avec les gares de chemin defer et les aéroports. L’effet de la proximité à un aéroport estparticulièrement prononcé (coefficient de APT1 égal à 4,37,

significatif au seuil de 1 %). Lorsqu’au modèle sont addi-tionnées toutes les variables d’infrastructures, la varianceexpliquée augmente de plus de dix points (0,261 au lieu de0,159), principalement portée par les aéroports (APT1), alorsque les principaux ports (PPRT5) deviennent significatifsdès lors qu’ils sont associés aux autres infrastructures (enl’occurrence, aux autoroutes).

Dans un deuxième temps, nous étendons l’analyse à cha-cun des secteurs d’activités (Tableau 8). L’influence des dif-férentes variables est alors modifiée : du point de vue desvariables d’environnement économique, les niveaux de spé-cialisation conservent un effet négatif sur l’évolution del’emploi dans la plupart des secteurs. L’indice de diversitérelative présente un effet négatif et significatif sur l’emploide quatre secteurs (commerce de détail, commerce de gros,hébergement et restauration, autres services) ; surtout,

Tableau 7 Croissance de l’emploi (1993–2008), tous secteurs confondus, avec introduction des variables d’infrastructure

dans le modèle

Variables Modèle sans INF Modèle

+ APT1

Modèle

+ TGVB5

Modèle

+ TGVP3

Modèle

+ ECH1

Modèle

+ PPRT5

Modèle

+ toutes INF

Constante 2,15296* 2,14499* 1,51526 1,97130* 1,72859 2,30420** 1,05795

Variables EE

Sn93

RDI

CI

SI –7,348*** –8,005*** –6,107** –6,950** –6,978** –7,723*** –6,456***

Variables EGI

LA

PAM 0,682*** 0,675*** 0,675*** 0,654*** 0,677*** 0,666*** 0,604***

C1 à C4

DEF

VN 1,162** 1,258*** 1,403*** 1,125** 0,991** 1,224*** 1,327***

ND1 0,878** 0,836** 0,724* 0,983** 0,875** 0,807** 0,701*

ND2 1,219** 1,160** 1,086** 1,307*** 1,170** 1,269*** 1,174**

ND3 1,789*** 1,772*** 1,816*** 1,891*** 1,938*** 1,847*** 2,199***

ND4 1,213*

Variables INF

APT1 4,372*** 3,976***

RWS5 2,054*** 1,938***

RWP3 1,230* 1,510**

MW1 0,686** 0,830***

MNPRT5 0,643 (ns) 1,063***

Statistiques

Adj, R2 0,1588*** 0,1819*** 0,2005*** 0,1671*** 0,1744*** 0,1638*** 0,2610***

Obs, 291 291 291 291 291 291 291

F 4,42 4,79 5,28 4,42 4,60 4,34 5,88

* Significatif au seuil de 10 % ; ** significatif au seuil de 5 % ; *** significatif au seuil de 1 %. T-values non présentées

dans le tableau, disponibles sur demande auprès de l’auteur.

Source : Unistatis/Assedic

82 Rech. Transp. Secur. (2012) 28:69-88

Tab

leau

8Applicationdu

modèlepour

chaque

secteuréconom

ique,sanslesvariablesd’infrastructures

Variables

S1

S2

S3

S4

S5

S6

S7

S8

S9

S10

S11

S12

S13

Con

stante

–4,02

4***

2,64

2**

3,69

2*

Variab

lesEE

Sn9

3–0,00

1**

RDI

–0,82

7**

–0,95

4*–0,87

5**

0,59

7*

CI

1,94

7***

1,40

6***

1,21

5***

0,55

6***

0,69

4***

1,16

1***

0,51

6***

2,69

5***

1,92

0***

1,92

2***

1,83

1***

SI

–1,84

2***

–0,57

6**

–2,22

3**

–1,61

4***

–2,81

6***

–2,51

7***

–1,77

0***

–5,71

4***

–1,61

7***

Variab

lesEGI

LA

18,278

**32

,955

***

11,551

**16

,861

*22

,582

*24

,587

***

PAM

1,47

5***

0,98

6**

0,65

3**

C1

–2,91

8*3,74

3***

2,91

8**

C2

8,05

4***

3,60

1***

C3

–0,91

6*

C4

–1,68

2*1,86

5*–1,75

8***

DEF

VN

2,411*

*3,39

0***

3,53

0**

6,65

0***

1,14

4*4,43

2***

2,06

0*2,80

0**

2,51

0*3,19

4***

ND1

1,86

9**

2,61

2*

ND2

2,35

5**

ND3

2,70

4**

–4,69

9**

ND4

3,97

6**

Statistiqu

es

Adj.R2

0,17

0***

0,25

8***

0,07

7***

0,09

7***

0,08

0***

0,18

0***

0,18

9***

0,28

6***

0,25

8***

0,22

3***

0,12

4***

0,40

1***

0,31

6***

Obs.

291

291

291

291

291

291

291

291

291

291

291

291

291

F4,71

7,29

2,52

2,94

2,58

4,97

5,22

8,26

7,31

6,2

3,56

13,14

9,36

*Significatif

auseuilde

10%

;**

sign

ificatifau

seuilde

5%

;**

*significatifau

seuilde

1%.T

-valuesnonprésentées

dans

letableau,

disponiblessurdemande

auprès

del’auteur.

Sou

rce:base

Unistatis.

Rech. Transp. Secur. (2012) 28:69-88 83

l’indice de concurrence présente quant à lui un effet positifsur l’emploi, et ce dans la plupart des secteurs, principale-ment pour l’activité immobilière et, dans une moindremesure, dans la construction et dans les services spécialisés.Les variables d’environnement géographique et institution-nel agissent diversement : il n’est guère étonnant que le sec-teur immobilier bénéficie d’un effet positif des variablesPAM (croissance de la population) et VN (appartenance àune ville nouvelle). L’effet positif sur les services spécialisésest notable pour les villes nouvelles, pour la classe C2(communes du bloc adjacent à Paris, comptant plus de5 000 emplois en 1990 et un ratio emploi/population activesupérieur à 1) et même pour la disponibilité foncière (LA),dont les coefficients sont significatifs, par ailleurs, pourl’ensemble des activités à forte consommation de sol (acti-vité industrielle, construction, transport et entreposage).

En dernière analyse, la part de la variance expliquée variefortement d’un secteur à l’autre : très faible (R2 < 0,1) pour lecommerce de détail (S3), le commerce de gros (S4) et letransport et entreposage (S5), moyenne pour la plupart desautres secteurs, elle atteint son maximum dans le cas de laconstruction (S2), de la finance et assurance (S8), de l’acti-vité immobilière (S9), des autres services (S13) et surtoutdes services administratifs (S12, 40 % de la variance expli-quée), principalement dus aux villes nouvelles.

Il reste enfin à tester l’influence des variables d’infrastruc-tures dans chacun des secteurs. Le Tableau 9 indique pourchaque secteur d’activité la variance totale expliquée par lemodèle (y compris le vecteur INF), ainsi que la variance totalesupplémentaire expliquée par les infrastructures et la part deces dernières dans la variance expliquée (100 % correspon-dant alors à la variance totale expliquée par le modèle).

Cette influence est quasiment nulle dans le cas de l’acti-vité immobilière (S9), des services spécialisés (S10), desservices administratifs (S12) et des autres services (S13).Elle concourt à environ 6 à 8 % de la variance totale expli-quée par le modèle dans le cas des activités industrielles(S1), de construction (S2), d’hébergement et de restaura-tion (S7) et de finance et d’assurance (S8). C’est dans qua-tre grands secteurs qu’elle apparaît particulièrement forte :la proximité à une infrastructure explique 21 % de lavariance expliquée totale dans le transport et l’entreposage(S5) ainsi que dans les télécommunications et l’information(S6), 27 % dans le commerce de gros (S5), 33 % dans lesautres services spécialisés (S11). Ces quatre secteurs sontdonc les plus sensibles à la proximité d’une infrastructure,mais relativisons le poids de cette dernière : pour lestélécommunications et les autres services spécialisés, lavariable de proximité à une gare parisienne masque enréalité la localisation dans le centre de l’agglomération(Paris centre, communes immédiatement voisines, sur lafrange sud et sud-est, d’Issy-les-Moulineaux à Vincennes).L’aéroport et les gares nationales en banlieue (pour le trans-

port et l’entreposage), ces mêmes gares et les échangeursautoroutiers (pour le commerce de gros) ont beaucoup plusclairement une influence sur l’évolution des emplois. Maiscette influence demeure finalement assez marginale, mêmesi elle est statistiquement significative : la variance totaleexpliquée de la croissance de l’emploi entre 1993 et 2008ne dépasse jamais 6,1 % (maximum obtenu pour les autresservices spécialisés, S11). Au total, la proximité aux infra-structures semble jouer un rôle limité, même s’il est statis-tiquement significatif dans de nombreux secteurs économi-ques. Les aéroports, les autoroutes et les gares nationaleslocalisées en banlieue sont, de ce point de vue, particuliè-rement en valeur. D’une part, leur rôle suggère des logiquesde connexions multiterritoriales, d’échelles différentesselon les cas, les logiques de proximité à une main-d’œuvre locale semblant perdre du terrain. Mais d’autrepart, il révèle une rationalisation du transport de marchan-dises liées à une économie dont le caractère immatériel etinformationnel ne suffit pas à rendre obsolètes les anciensmodes de localisation.

Précisons enfin, en matière de robustesse du modèle, quesa mise en œuvre a également inclus plusieurs tests statisti-ques visant à valider la solidité du modèle. Les sources debiais habituelles ont ainsi été testées. La statistique deDurbin-Watson étant toujours très proche de 2, dans toutesles variantes du modèle, elle ne rejette donc pas l’hypothèsede corrélation d’ordre 1 entre les termes d’erreur. Le facteurd’inflation de variance (variance inflation factor, VIF) esttoujours compris entre 1 et 3, montrant l’absence de colinéa-rité entre les variables explicatives ; l’index de condition, quiteste le même biais statistique, est toujours faible, inférieur à10, alors qu’une valeur maximale de 30 représente un seuild’acceptation couramment utilisé [71]. On aurait pu soup-çonner l’existence de colinéarités, notamment entre lesvariables de gares parisiennes ou de métro et la distance aucentre mais, d’une part, la proximité aux gares parisiennesn’est pas uniformément répartie au centre (favorisant plutôtle sud et le sud-est), et les prolongements des lignes demétro, pour peu lointains qu’ils soient, laissent tout de mêmedes poches éloignées dans certaines communes plus centra-les. Enfin, les tests de White et de Breusch-Pagan indiquentque les résidus peuvent être considérés homoscédastiques etdistribués selon une loi normale, et une analyse par la dis-tance de Cook (action de levier de certaines valeurs éloi-gnées) a montré que les valeurs extrêmes ne modifiaientpas significativement les résultats.

Conclusion

L’objectif principal de cet article était de vérifier si l’exis-tence et la proximité d’une infrastructure de transportsétaient susceptibles de contribuer à la croissance locale de

84 Rech. Transp. Secur. (2012) 28:69-88

Tab

leau

9Gainde

variance

expliquéeparlesvariablesd’infrastructurespour

chaque

secteuréconom

ique

Secteurs

APT1

TGVB5

TGVP3

ECH1

PPRT5

Variance

totale

supplémen

taire

expliquée

par

INF

Variance

totale

expliquée

par

lemod

èle

Partd’INF

dan

sla

varian

ce

expliquée

(%)

S1—

ind.

manuf.et

extract.

1,45

2**

1,55

9*0,01

60,18

60**

*8,6

S2—

construction

1,85

9**

0,01

70,27

49**

*6,1

S3—

détailet

rép.

–0,00

70,07

00**

*ns

S4—

commerce

degros

3,30

0***

1,06

6*1,57

3*0,03

60,13

25**

*26

,8

S5—

transp.,entreposage

16,078

**3,90

8**

0,02

20,10

17**

*21

,3

S6—

télécomm.,inform

.11,722

**6,82

8***

4,19

6*0,04

70,22

69**

*20

,7

S7—

héberg.,restauration

3,85

4*1,93

3**

0,01

60,20

54**

*8,0

S8—

financeet

assurance

7,70

7**

2,63

1*1,111*

0,02

30,30

90**

*7,4

S9—

activité

immob

ilière

1,55

6**

0,00

50,26

30**

*1,9

S10

—services

spécialisés

1,211*

0,00

30,22

56**

*1,2

S11

—autres

services

spéc.

5,87

2***

4,77

1**

1,46

5*0,06

10,18

54**

*33

,1

S12

—sces

administratifs

0,91

8**

0,00

80,40

87**

*1,9

S13

—autres

services

0,00

00,31

61**

*0,0

*Significatif

auseuilde

10%

;**

significatifau

seuilde

5%

;***significatifau

seuilde

1%.

T-values

nonprésentées

dans

letableau,

disponiblessurdemande

auprès

del’auteur.

Source:Unistatis/Assedic.

Rech. Transp. Secur. (2012) 28:69-88 85

l’emploi dans les communes d’une aire d’étude inscritedans le territoire métropolitain parisien, et d’examiner sicertains modes de transports avaient une influence plusimportante que d’autres sur les différents secteurs écono-miques. Si le modèle explique diversement la variance del’évolution des emplois, dans des proportions qui sont rela-tivement conformes aux modèles déjà établis par ailleurs àl’échelle intramétropolitaine [24,44,45], l’introduction desinfrastructures, quelles qu’elles soient, n’induit qu’unefaible variation du coefficient de corrélation, et les partsimportantes d’explication liées aux infrastructures concer-nent généralement des coefficients par ailleurs faibles. Cesrésultats rejoignent ceux de précédents travaux [13,62]. Ilsconfirment que le discours favorable à l’infrastructurecomme vecteur de développement local, étonnammentmaintenu à l’ordre du jour dans le débat public, n’est quetrès partiellement fondé.

Ce travail présente quelques limites qui sont autant deprolongements possibles. L’introduction d’autres variablesconstitue une première piste d’amélioration du modèle,notamment les variables évoquées plus haut : accessibilitéà la main-d’œuvre, zones d’activités par exemple. La pre-mière tient à l’hypothèse de colocalisation activité–popula-tion [72], certains secteurs d’activités recherchant moins lacommodité d’une infrastructure que la présence de main-d’œuvre dans un rayon de temps d’accès donné. Laseconde tient à l’influence de l’action publique fréquem-ment soulignée [61]. La désagrégation de certains secteursd’activités, comme les services spécialisés, constitue unedeuxième piste d’amélioration : quelques tests de sensibi-lité des résultats aux découpages sectoriels des activitéséconomiques, réalisés dans le cadre de cet article, notam-ment sur les services spécialisés, ont montré que leur intérêtpour la proximité aux infrastructures dépendait surtout dustatut des établissements et distinguait ainsi la recherchepublique (peu sensible aux infrastructures) et les servicesaux entreprises en tant que tels. C’est à partir de tels testsque nous avons également opté pour une séparation entrel’activité immobilière et les activités de finance et assu-rance. Des découpages tels que ceux proposés par Mou-houd [73], qui se fondent en grande partie sur l’ancrageterritorial des activités, sont à cet égard prometteurs. Unetroisième piste possible consiste à étendre l’analyse à toutesles communes, sans seuil d’emploi. L’idée appelle à quel-ques restrictions : une possible perte de comparabilité inter-sectorielle et des indices plus fragiles, avec des communesne comptant que peu d’emplois et une variabilité selon lessecteurs du nombre de communes incluses dans le modèlepar élimination de valeurs extrêmes faisant effet de levierstatistique. Enfin, l’identification de communes ayantperdu des emplois apparaît comme une piste non négli-geable, dans le cadre d’une analyse sur la relation entreinfrastructures de transport et, non plus le développement

économique, mais la fragilité des territoires, celle-ci étantliée à l’ancrage local intrinsèque aux différents secteurséconomiques, mais également à leur position dans l’échi-quier régional.

Références

1. Offner JM (1993) Les effets structurants du transport : mythepolitique, mystification scientifique. L’Espace Géographique3:233–42

2. Cervero R (1998) Transit villages in California: progress,prospects and policy reforms. Berkeley, Institute of Urban andRegional Development, University of California, 70 p

3. Alonso W (1960) A theory of the urban land market. Papers andProceedings of the Regional Science Association 6:149–57

4. Fujita M, Thisse JF (2002) Economics of agglomeration: cities,industrial location and regional growth. Cambridge UniversityPress, Cambridge, 480 p

5. Krugman P (1991) Geography and trade. MIT Press, Cambridge(MA) 156 p

6. Rietveld P, Vickerman R (2004) Transport in regional science:The “death of distance” is premature. Papers in Regional Science83:229–48

7. McMillen DP, McDonald JF (1998) Suburban subcenters andemployment density in Metropolitan Chicago. J Urban Econ43:157–80

8. Anas A, Arnott R, Small KA (1998) Urban spatial structure.Journal of Economic Literature 36:1426–64

9. Aschauer DA (1989) Is public expenditure productive? J Mone-tary Econ 23:177–200

10. Boarnet MG, Haughwout AF (2000) Do highways matter? Evi-dence and policy implications of highways’ influence on metro-politan development. The Brookings Institution Center of Urbanand Metropolitan Policy, New York, 30 p

11. Klein O (1998) Les modifications de l’offre de transport : deseffets automatiques à l’innovation socio-technique. L’exemplede la grande vitesse. Espaces et Sociétés 95:95–126

12. Plassard F (2003) Transports et territoires. La DocumentationFrançaise, Paris, 97 p

13. Plassard F (1977) Les autoroutes et le développement régional.Economica, Presses Universitaires de Lyon, Paris, Lyon, 341 p

14. Kaufmann V, Barbey J (2005) La recherche française sur les poli-tiques publiques de transports : deux états des lieux. MEEDDAT,Paris, 89 p

15. Plassard F, Cointet-Pinell O (1986) Effets socio-économiques duTGV en Bourgogne et Rhône-Alpes. DATAR, INRETS, LET,Lyon, 20 p

16. Claisse G, Duchier D (1995) Des observatoires d’effets TGV :réflexions méthodologiques. In: Colloque « Ville et TGV », sixièmesentretiens du centre Jacques-Cartier. LET, Lyon, pp 219–38

17. Orus JP (1995) Les conséquences économiques des grandesinfrastructures routières. SETRA, Bagneux, 24 p

18. Barré A (1997) Le réseau autoroutier français : un outil rapide-ment valorisé, des effets controversés. Annales de Géographie106:81–106

19. Bérion P (1998) Analyser les mobilités et le rayonnement desvilles pour révéler les effets territoriaux des grandes infrastructu-res de transport. Cahiers Scientifiques du Transport 33:109–27

20. Varlet J (2000) Géographes et recherche finalisée : les observatoi-res d’autoroutes en France. Flux 41:46–9

21. Fourniau JM (1994) Rendre la décision plus transparente : évolu-tion récentes des pratiques françaises de conduite des grands pro-jets d’infrastructure de transport. Flux 10:33–46

86 Rech. Transp. Secur. (2012) 28:69-88

22. Fritsch B (2007) Infrastructures de transport, étalement et densi-fication : quelques enseignements de l’expérience nantaise.Cahiers Scientifiques du Transport 51:37–60

23. Chandra A, Thompson E (2000) Does public infrastructure affecteconomic activity? Evidence from the rural interstate highwaysystem. Regional Science and Urban Economics 30:457–90

24. Redfearn C, Giuliano G (2008) Network accessibility and theevolution of urban employment. MeTrans, Los Angeles, 40 p

25. Boiteux-Orain C, Guillain R (2004) Changes in the intrametropo-litan location of producer services in Île-de-France (1978–1997):do information technologies promote a more dispersed spatialpattern? Urban Geography 25:550–78

26. Terral L, Shearmur R (2008) Vers une nouvelle forme urbaine ?Desserrement et diffusion de l’emploi dans la région métropoli-taine de Montréal. L’Espace Géographique 37:16–31

27. Thiard P (2010) Le polycentrisme métropolitain à l’aune desmobilités d’entreprises en Île-de-France. In: Journées du PôleVille, Marne-la-Vallée, Université Paris-Est, 12 p

28. Diziain R (2009) Construction de bureaux : proche du métro, loinde l’objectif polycentrique. Note rapide IAU-IDF (490) 4 p

29. Bussière Y, Bonnafous A (dir.) (1993) Transport et étalementurbain : les enjeux. Centre Jacques-Cartier, INRS-Urbanisation,LET, Lyon, Montréal, 345 p

30. Tabourin É (1995) Les formes de l’étalement urbain : la logiquedu modèle de Bussière appliquée à l’agglomération lyonnaise.Les Annales de la Recherche Urbaine 67:33–54

31. Duranton G, Turner MA (2008) Urban growth and transportation.University of Toronto, Toronto, 39 p

32. Bénard R, Jayet H, Rajaonarison D (1999) L’environnement sou-haité par les entreprises : une enquête dans le Nord-Pas-de-Calais.Économie et Statistique 326:177–87

33. Buisson MA, Mignot D, Aguiléra-Bélanger A (2001) Métropoli-sation et polarités intra-urbaines : le cas de Lyon. Revue d’Éco-nomie Régionale et Urbaine 2:271–96

34. Aguiléra A (2003) La localisation des services aux entreprisesdans la métropole lyonnaise : entre centralité et diffusion.L’Espace Géographique 32:128–40

35. Lafourcade M, Thisse JF (2009) New economic geography: therole of transport costs. In: De Palma A, Lindsey R, Quinet É,Vickerman R (dir.) (eds) Handbook in Transport Economics.Edward Elgar, Cheltenham, pp 67–96

36. Thisse JF (2010) Toward a unified theory of economic geographyand urban economics. Journal of Regional Science 50:281–96

37. Dablanc L, Rakotonarivo D (2009) The impacts of logisticsprawl: how does the location of parcel transport terminals affectthe energy efficiency of goods’ movements in Paris and what canwe do about it. In: 6th International Conference on City Logistics,30 juin–2 juillet Puerto Vallarta (Mexique) 14 p

38. Boucq É (2008) Évaluation économique d’une infrastructure detransport en milieu urbain. Le cas du tramway T2 Val de Seine.Thèse en Sciences Économiques, Université Lille I 356 p

39. Wenglenski S (2006) Regards sur la mobilité au travail des clas-ses populaires. Une exploration du cas parisien. Cahiers Scienti-fiques du Transport 49:103–27

40. SIMAURIF (2007) Modèle dynamique de simulation de l’inter-action urbanisation-transports en région Île-de-France. Applica-tion à la Tangentielle Nord. Rapport final de la 2e phase.IAU-IDF, Paris, 125 p

41. CETE-Lyon, Sanson H (1999) Évaluation des transports encommun en site propre. Certu, Lyon, 130 p

42. Certu (2005) Déplacements et commerces : évaluation des évolu-tions de l’impact du tramway de Lyon sur le commerce. Certu,Lyon, 90p

43. Raze JF (2004) La localisation des équipements publics : renou-veau des coûts de la croissance urbaine et élément de réponse au

problème des quartiers sensibles ? Revue d’Économie Régionaleet Urbaine 2:195–222

44. Hoogstra GJ, van Dijk J (2004) Explaining firm employmentgrowth: does location matter? Small Business Economics22:179–92

45. de Vor F, de Groot HLF (2010) Agglomeration externalities andlocalized employment growth: the performance of industrial sitesin Amsterdam. Annals of Regional Science 44:409–31

46. Berger M, Diziain R, Halbert L, et al (2006) Effets de déborde-ment, polarisation économique et stratégies d’acteurs en Île-de-France et dans le Bassin Parisien. PUCA, Paris, 328 p

47. Apparicio P, Dussault G, Polèse M, Shearmur R (2007) Infra-structures de transports et développement économique local:étude de la relation entre accessibilité continentale et croissancelocale de l’emploi, Canada, 1971–2001. INRS, Montréal 109 p

48. Porter ME (1990) The competitive advantage of nations. FreePress, New York, 896 p

49. Combes PP (2000) Economic structure and local growth: France,1984–1993. Journal of Urban Economics 47:329–55

50. Glaeser EL, Kallal HD, Scheinkmann JA, Shleifer A (1992)Growth in cities. The Journal of Political Economy 100:1126–52

51. Blalock G, Gertler PJ (2008) Welfare gains from foreign directinvestment through technology transfer to local suppliers. Journalof International Economics 74:402–21

52. Galliano D, Soulié N (2006) La firme multi-établissements dansl’industrie française : structure spatiale et cohérence organisation-nelle. In: 5es Journées de la proximité, Bordeaux, 28–30 juin, 19 p

53. Quigley JM (1998) Urban diversity and economic growth. Jour-nal of Economic Perspectives 12:127–38

54. Dewhurst JHL, McCann P (2002) A comparison of measures ofindustrial specialization for travel-to-work areas in Great Britain,1981–1997. Regional Studies 36:541–51

55. Mulligan GF, Vias AC (2006) Growth and change in US micro-politan areas. The Annals of Regional Science 40:203–28

56. de Vor F, de Groot HLF (2008) Agglomeration externalities andlocalized employment growth: the performance of industrial sitesin Amsterdam. Tinbergen Institute, Amsterdam, 25 p

57. Jacobs J (1969) The economy of cities. Random House, NewYork, 288 p

58. Fainstein SS (2005) Cities and diversity. Urban Affairs Review41:3–19

59. Rathelot R, Sillard P (2008) The importance of local corporatetaxes in business location decisions: evidence from Frenchmicro data. The Economic Journal 118:499–514

60. Charlot S, Paty S (2010) Do agglomeration forces strengthen taxinteractions? Urban Studies 47:1099–116

61. Barthe JF, Beslay C, Grossetti M (2008) Choix de localisation etmobilisation des ressources dans la création d’entreprises inno-vantes. Géographie, Économie, Société 10:43–60

62. Fritsch B (2003) Accessibilité et dynamiques spatiales du tissuéconomique. Essai de modélisation sur l’agglomération nantaise.Revue Internationale de Géomatique 13:461–77

63. Glaeser EL, Kohlhase JE (2004) Cities, regions and the declineof transport costs. Papers in Regional Science 83:197–228

64. Apparicio P, Abdelmajid M, Riva M, Shearmur R (2008) Comparingalternative approaches to measuring the geographical accessibility ofurban health services: distance types and aggregation-error issues.International Journal of Health Geographics 7:1–14

65. RIF (Région Île-de-France) (2000) Contrat de Plan État–Région2000–2006. Paris, Région Île-de-France, 126 p

66. Tate RF (1954) Correlation between a discrete and a continuousvariable. Point-biserial correlation. The Annals of MathematicalStatistics 25:603–7

67. Gravetter FJ, Wallnau LB (2009) Statistics for the BehavioralSciences, 8th edition. Cengage Learning, Scarborough, 768 p

Rech. Transp. Secur. (2012) 28:69-88 87

68. Aguiléra-Belanger A (2001) Localisation des services aux entre-prises et dynamiques intramétropolitaines. Le cas de Lyon. Thèseen Sciences Économiques, université Lumière Lyon-II, 253 p

69. Aguilera A, Mignot D (2004) Urban sprawl, polycentrism andcommuting. A comparison of seven French urban areas. UrbanPublic Economics Review 1:93–113

70. Gilli F (2004) Le desserrement de l’emploi dans la région urbainede Paris, 1975–1999. DREIF, Paris, 133 p

71. Tabachnick BG, Fidell LS (2000) Using multivariate statistics(4th edition). Allyn & Bacon, Boston, MA, 966 p

72. Naud D, Apparicio P, Shearmur R (2009) Cogentrification socialeet économique : la colocalisation de la main-d’oeuvre et desemplois de services aux entreprises à Montréal, 1996-2001.Cahiers de Géographie du Québec 53:197-220

73. Mouhoud EM (2010) Economie des services et développementdes territoires. DIACT, Paris, 104 p

88 Rech. Transp. Secur. (2012) 28:69-88