Dessertes ferroviaires à grande vitesse et dynamisme économique local : Une analyse économétrique exploratoire sur les unités urbaines françaises
Notice bibliographique
Résumé
Alors même que la relation vertueuse entre infrastructures de transport et développement reste l’un des mythes les plus solidement ancrés dans l’esprit des acteurs, publics comme privés, les travaux empiriques relatifs aux effets des dessertes ferroviaires à grande vitesse aboutissent à un bilan plus mitigé. Cet article souhaite profiter de l’expérience française en matière d’infrastructures ferroviaires à grande vitesse pour estimer les retombées économiques dont auraient pu bénéficier les villes desservies par Trains à Grande Vitesse (TGV), en partie ou en totalité sur une Ligne à Grande Vitesse (LGV). L’échantillon se compose de 492 unités urbaines (UU) pour lesquelles nous suivons l’évolution des emplois, et notamment des cadres, entre 1982 et 2006. Notre stratégie empirique se veut exploratoire et accorde une attention particulière aux autres déterminants de la croissance locale des UU, propres à l’offre (taille initiale, spécialisation/diversité du tissu productif…) et à la demande (tourisme, richesse locale…). Dans la mesure où le choix des territoires desservis par LGV/TGV n’est a priori pas aléatoire, nous utilisons également un modèle de sélection visant à corriger les estimations d’un tel biais. Nous montrons que les analyses empiriques des retombées locales des dessertes ferroviaires ne peuvent pas négliger le problème d’endogénéité entre infrastructures et développement. Ainsi, les résultats du modèle de sélection aboutissent à des effets des liaisons ferroviaires sur la croissance locale de signes opposés à ceux provenant d’une approche par les Moindres Carrés Ordinaires. Nos estimations soulignent surtout que les retombées économiques locales sont clairement différenciées selon que les UU sont desservies ou non sur LGV ou simplement par TGV. Même si les UU desservies par LGV ont connu une création d’emplois (postes de cadres) inférieure entre 1982 et 2006, les effets propres aux infrastructures sur le taux de croissance annuel, i.e. corrigés du biais de sélection, se chiffrent à +1,3% (+3,7%). Concernant les UU uniquement desservies par TGV, elles ont certes connu de meilleures performances en moyenne mais l’effet propre aux infrastructures est quant à lui négatif : -1,1% et -3,0% sur le taux de croissance annuel des emplois et postes de cadres respectivement. Si la taille des UU en 1975 explique unanimement leur connexion au réseau LGV et leur desserte par TGV, les autres déterminants (techniques, administratifs, géographiques) ont des effets ambivalents selon le type de liaisons. Finalement, nous mettons en évidence un certain nombre de facteurs influençant également la croissance locale (taille initiale des villes, spécialisation, structure mono-centrique des UU, aménités géographiques entre autres). L’effet croisé de certaines caractéristiques avec l’arrivée des dessertes TGV parfois sur LGV pourrait permettre d‘apprécier l’hétérogénéité des retombées économiques locales des infrastructures ferroviaires à grande vitesse. Ces résultats qui devront être affinés pourraient être utiles pour compléter les évaluations socio-économiques traditionnelles des grands projets d’infrastructures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».