Direction des études analytiques : documents de recherche
Frontières technologiques et croissance de la productivité au Canada après l’an 2000

par Jianmin Tang et Weimin Wang
11F0019M no 438
Date de diffusion : le 17 janvier 2020

Remerciements

Il s’agit d’une version abrégée d’un document de recherche plus long des mêmes auteurs. Ces derniers aimeraient remercier Christopher O’Donnell, Giuseppe Nicoletti, Danny Leung, Larry Shute et Pierre Therrien pour leurs commentaires et suggestions utiles. Les opinions exprimées dans le présent document sont celles des auteurs et ne reflètent pas celles d’Innovation, Sciences et Développement économique Canada, de Statistique Canada ni du gouvernement du Canada.

Résumé

Pour mieux comprendre les variations de la productivité au Canada après l’an 2000,  le cadre de frontière stochastique est appliqué, dans la présente étude, pour décomposer la productivité multifactorielle de chaque entreprise en deux composantes : sa frontière technologique et son efficacité technique. La variation de la frontière technologique agrégée fait référence aux améliorations du potentiel de productivité de l’économie ou à la productivité maximale de l’économie si toutes les entreprises étaient pleinement efficaces. L’efficacité technique agrégée rend compte de la capacité de l’économie à atteindre ce potentiel. Les moteurs de ces deux sources de croissance de la productivité étant différents, cette décomposition donne des précisions sur les facteurs à l’origine des variations de la productivité. Les résultats empiriques indiquent que les variations de la productivité depuis 2000 ont été principalement attribuables aux variations de la frontière technologique. Même si une association est observée entre les investissements en recherche‑développement (R‑D) et les variations de la frontière technologique, la R-D ne représente qu’une faible partie de la variation de cette frontière technologique au fil du temps.

Mots clés : efficacité technique, frontière de la productivité, frontière stochastique, ralentissement de la productivité

Sommaire

La productivité multifactorielle (PMF) a diminué au Canada pendant la période allant de 2000 à 2009, puis elle a enregistré une reprise. Les variations de la productivité depuis 2000 ont beaucoup attiré l’attention des chercheurs et des responsables des politiques, puisque la productivité est importante à la fois pour la croissance économique et pour l’amélioration du niveau de vie.

Dans la présente étude, le cadre de frontière stochastique est appliqué afin de décomposer la PMF de chaque entreprise en deux composantes : sa frontière technologique et son efficacité technique. La variation de la frontière technologique agrégée fait référence aux améliorations du potentiel de productivité d’une économie, c’est-à-dire la productivité maximale d’une économie si toutes les entreprises étaient pleinement efficaces. L’efficacité technique agrégée rend compte de la capacité de l’économie à atteindre ce potentiel. Les résultats de cette décomposition peuvent montrer si les variations de la productivité au Canada après l’an 2000 ont surtout été attribuables aux variations de la frontière technologique et du potentiel de productivité ou aux variations de l’efficacité technique.

Dans l’étude, on utilise le Fichier de microdonnées longitudinales des comptes nationaux, un riche ensemble de données analytiques dérivé de diverses sources administratives. Ce dernier contient les principales variables considérées comme importantes dans le cadre d’une analyse de la productivité. Ces variables comprennent notamment des mesures de la production brute, de l’intrant travail, du capital physique (y compris le capital lié aux technologies de l’information et des communications [TIC]), des immobilisations incorporelles (y compris la recherche-développement [R-D] et le capital organisationnel), de l’utilisation de la capacité et des intrants intermédiaires.

Les résultats indiquent que des variations de la productivité au Canada depuis l’an 2000 ont été surtout attribuables aux variations de la frontière technologique et que ces variations ne peuvent pas complètement s’expliquer par les facteurs les plus couramment associés à un potentiel de productivité plus élevé (p. ex. les investissements en R-D).

Pour mieux comprendre les variations de la frontière technologique, les entreprises ont été divisées en trois groupes : les entreprises qui avaient un niveau de PMF supérieur à la moyenne de 2000 à 2002, les entreprises qui avaient un niveau de PMF inférieur à la moyenne de 2000 à 2002 et les entreprises créées après 2002. Des résultats empiriques indiquent que les variations générales de la frontière technologique étaient principalement associées aux entreprises de la cohorte de 2000 à 2002 qui avaient un niveau de PMF élevé.

1 Introduction

La productivité multifactorielle (PMF) au Canada a commencé à diminuer en 2002; ce repli s’est poursuivi jusqu’en 2009, et une certaine reprise a eu lieu par la suite (graphique 1). Ce repli n’est pas unique au Canada : il s’étend à tous les membres de l’Organisation de coopération et de développement économiques, y compris les autres économies du G7. Le ralentissement de la croissance de la productivité a été spectaculaire et a beaucoup attiré l’attention des chercheurs et des responsables des politiques, car il a des répercussions importantes sur la croissance économique et sur la prospérité.

Cependant, malgré des recherches approfondies, les causes de ce recul de la productivité font toujours l’objet d’un débat (Murray, 2017). Divers arguments et contre-arguments touchant à la fois les aspects de l’offre et de la demande ont été avancés. Du côté de l’offre, Gordon (2012) soutient que la décélération de la croissance de la productivité est le résultat d’un ralentissement des innovations importantes et de la réduction du rendement du processus d’innovation. La suggestion que ce recul soit attribuable à la diminution de l’essor de la productivité associé aux technologies de l’information et des communications (TIC), qui a eu lieu au cours de la deuxième moitié des années 1990, est en accord avec l’opinion de Gordon (p. ex. Remes et coll., 2018). Cependant, le point de vue pessimiste de Gordon a été remis en question (Sichel, 2016). Byrne, Oliner et Sichel (2015) ont fourni des preuves que les progrès technologiques associés aux TIC se sont poursuivis à un rythme soutenu depuis l’an 2000. Selon Syverson (2013), rien n’indique que les améliorations de la productivité associées aux TIC se sont épuisées.

Parallèlement au débat lié à l’offre, le débat relatif à la demande a également fait des adeptes. On a affirmé qu’une faible demande agrégée, une grande incertitude et des perturbations des marchés financiers dues à la crise financière, qui ont mené à la sous-utilisation de la capacité de production et à des investissements moindres dans des activités améliorant la productivité (p. ex. les TIC et la recherche-développement [R-D]), pourraient entraîner une diminution de la productivité (p. ex. Remes et coll., 2018). Toutefois, Fernald (2014) indique qu’il est peu probable que le ralentissement de la productivité après l’an 2000 découle de la demande, puisque ce recul a commencé plusieurs années avant la crise financière. Des chercheurs suggèrent même qu’une causalité inverse puisse être en jeu, c’est-à-dire qu’une baisse anticipée de la productivité et de la croissance économique pourrait entraîner une faible demande (Blanchard, Lorenzoni et L’Huillier, 2017).

La productivité est couramment mesurée comme étant le résidu de Solow. Ce dernier mesure les progrès technologiques, mais reflète également des erreurs de mesure à la fois dans les extrants et dans les intrants et rend compte de tout facteur non mesuré important pour la productivité. Ainsi, certains commentateurs suggèrent que des erreurs de mesure associées à l’économie numérique pourraient jouer un rôle dans cette baisse de la productivité. Il a été suggéré que les estimations actuelles de la production ne permettent pas de cerner entièrement les services fournis par l’intermédiaire des TIC et d’autres technologies connexes. Néanmoins, des travaux de recherche postérieurs ont indiqué que le problème de mesure n’était pas un facteur si important (p. ex. Byrne, Fernald et Reinsdorf, 2016; Ahmad et Schreyer, 2016; Syverson, 2016; Gu, 2018).

Graphique 1 Productivité multifactorielle dans le secteur des entreprises canadiennes, 1990 à 2016

Tableau de données du graphique 1 
Tableau de données du graphique 1
Sommaire du tableau
Le tableau montre les résultats de Tableau de données du graphique 1 Productivité multifactorielle, calculées selon indice (2000 = 100) unités de mesure (figurant comme en-tête de colonne).
Productivité multifactorielle
indice (2000 = 100)
1990 92,92
1991 90,38
1992 91,04
1993 92,01
1994 94,44
1995 94,76
1996 93,81
1997 95,03
1998 95,60
1999 97,85
2000 100,00
2001 99,92
2002 100,97
2003 100,22
2004 99,86
2005 99,87
2006 99,06
2007 97,95
2008 95,70
2009 93,25
2010 94,92
2011 96,34
2012 95,77
2013 96,42
2014 97,81
2015 96,83
2016 96,91

Aucune preuve empirique solide n’a démontré ce qui a entraîné ce ralentissement de la productivité après l’an 2000. Dans la présente étude, on continue à chercher des réponses. Le Fichier de microdonnées longitudinales des comptes nationaux (FMLCN), un riche ensemble de données analytiques dérivé de diverses sources administratives, a permis d’étudier systématiquement les causes du ralentissement de la productivité au Canada. Les principaux facteurs considérés comme les plus importants en matière de productivité ont été pris en compte simultanément, y compris l’âge de l’entreprise, la propriété étrangère, la structure de l’industrie, l’utilisation de la capacité et les investissements en R-D, en TIC et en immobilisations incorporelles.

Contrairement à la majeure partie de la littérature qui porte directement sur la productivité réelle et suppose implicitement que toutes les entreprises sont efficaces, la présente étude applique le cadre de production de frontière stochastique pour décomposer la productivité en composantes du changement technologique et de l’efficacité technique. Le changement technologique mesure le potentiel de productivité (ou le niveau maximal de la productivité en cas de pleine efficacité), alors que l’efficacité technique reflète l’aptitude et la capacité d’atteindre ce potentiel. Des variations de l’efficacité peuvent se produire du fait de variations de l’utilisation de la capacité au cours du cycle économique ou du fait de différences de pratiques de gestion entre les entreprises influencées par des marchés fragmentaires, des renseignements asymétriques, des systèmes différents de prime de performance de la direction et diverses croyances culturelles, traditions et attentes. De plus, elles peuvent découler de différences d’investissements en technologies favorisant l’efficacité à l’échelle de l’entreprise, comme les TIC.

Cette décomposition facilite surtout une analyse permettant de mieux comprendre les déterminants de la productivité réelle. Les facteurs qui influent sur la frontière technologique diffèrent de ceux qui influencent l’efficacité technique. Cette distinction permet d’associer directement les facteurs à l’une des deux composantes.

Le reste du présent document est structuré comme suit : la deuxième partie décrit le modèle de frontière stochastique, les facteurs importants en matière de changement technologique et d’efficacité technique ainsi que les données. Les résultats empiriques et les répercussions sont abordés dans la troisième partie. La quatrième partie porte sur les tendances de la frontière technologique des entreprises à productivité élevée et à faible productivité de la cohorte de 2000 à 2002 ainsi que celles des entreprises créées après 2002. La conclusion est présentée dans la cinquième partie.

2 Méthodologie et données

La présente étude vise à décomposer la productivité réelle en changement technologique et en efficacité technique selon le modèle de frontière stochastique lancé par Aigner, Lovell et Schmidt (1977)Note . Le changement technologique fait référence aux améliorations du potentiel de productivité de l’économie, c’est-à-dire la productivité maximale de l’économie si toutes les entreprises étaient pleinement efficaces. Dans le cadre de la frontière stochastique, cette productivité maximale s’appelle la frontière technologique. La frontière technologique dépend principalement de la capacité technologique ou novatrice interne, laquelle est alimentée par des investissements passés et actuels en R-D d’une entreprise (Aghion et Howitt, 1992). Par conséquent, après prise en compte des facteurs externes, la frontière technologique d’une entreprise reflète sa R-D interne passée et actuelle. D’autres variables peuvent également influer sur la frontière technologique d’une entreprise, la première étant la propriété étrangère. En général, les entreprises sous contrôle étranger au Canada sont beaucoup plus productives que les entreprises sous contrôle canadien après la prise en compte d’autres facteurs. L’avantage d’une propriété étrangère sur le plan de la productivité est réel et considérable au Canada. On pense généralement que cet avantage est dû au fait que les entreprises sous contrôle étranger au Canada ont accès aux technologies sophistiquées et aux pratiques de gestion supérieures de leur entreprise mère (Rao, Souare et Wang, 2009; Tang et Rao, 2003). Le deuxième facteur correspond à des variables fictives d’année-industrie. Ces dernières sont introduites pour tenir compte de tous les effets propres à une industrie variant et ne variant pas dans le temps. Elles expriment, par exemple, les bouleversements de la demande propres à une industrie, les effets d’entraînement (comme ceux d’une R-D externe) et les effets découlant de changements du contexte commercial, y compris la concurrence et le dynamisme de l’entreprise (p. ex. la création et la disparition).

L’efficacité technique reflète la capacité de l’économie à atteindre la frontière technologique. L’efficacité technique doit être maintenue ou améliorée par l’adoption de technologies et par des investissements en capital humain, en capital de savoir et en capital d’organisation d’entreprise propres à une entreprise. Des variations du taux d’utilisation des intrants lors de la fluctuation des conditions de la demande peuvent également influer sur l’efficacité technique. Dans le cadre de la présente étude, l’adoption de technologies a été mesurée par les investissements en TIC, y compris en logiciels. L’adoption des TIC permet aux entreprises d’organiser plus efficacement leurs intrants, de gérer leurs stocks et de mener des activités commerciales internationales (Biagi, 2013).

Des investissements en compétences et en meilleures pratiques de gestion sont représentés par des investissements en immobilisations incorporelles, en capital humain, en capital de savoir et en capital d’organisation d’entreprise propres à une entreprise. Les immobilisations incorporelles permettent une exécution efficace des activités (p. ex. Battisti, Belloc et Del Gatto, 2012). Corrado, Hulten et Sichel (2009) ont démontré que ces immobilisations incorporelles jouaient un rôle important dans la croissance économique aux États-Unis. Baldwin, Gu et Macdonald (2012) ont obtenu des résultats similaires pour le Canada. De plus, Ilmakunnas et Piekkola (2014) ont également fait le lien entre les investissements en immobilisations incorporelles et un rendement plus élevé de la productivité en Finlande.

Des compétences propres à l’entreprise et le capital organisationnel peuvent également être améliorés par un apprentissage par la pratique, en particulier pour les jeunes entreprises ou les entreprises en démarrage. Par conséquent, une variable fictive sert à refléter l’éventuel déficit d’efficacité auquel font face les jeunes entreprises. On pense en général que ces dernières sont moins efficaces que les entreprises établies, car il leur faut du temps pour bien comprendre leurs marchés, établir leurs réseaux de fournisseurs et de distribution et produire à grande échelle. Selon Liu et Tang (2017), il faut environ cinq ans aux entreprises entrantes pour devenir aussi productives que les entreprises établies.

L’utilisation de la capacité sert à saisir l’influence des variations des conditions de la demande sur l’efficacité technique. Un changement inattendu des conditions de la demande influe sur l’utilisation de la capacité de production, car les entreprises sont alors incapables d’adapter les machines installées, voire leur main-d’œuvre, à la nouvelle demande. Une demande très inférieure aux prévisions, par exemple, entraîne la sous-utilisation de la capacité de production, ce qui signifie que les travailleurs peuvent ne pas travailler au maximum de leur capacité et que les machines peuvent être moins utilisées qu’auparavant. Cela entraîne une inefficacité. Basu et Kimball (1997) ont montré que des variations de l’utilisation de la capacité pourraient expliquer jusqu’à 60 % de la fluctuation économique à court terme. Baldwin, Gu et Yan (2013) ont montré que le secteur de la fabrication canadien a enregistré une capacité excédentaire après l’an 2000, s’accompagnant d’un recul de l’utilisation de la capacité dans 16 des 20 industries de la fabrication. Cela donne à penser que le développement de la capacité excédentaire était principalement attribuable à l’importante diminution des exportations du fait du changement de l’environnement commercial au cours de cette période.

Le modèle de régression de la frontière stochastique peut être exprimé comme suit :

ln(production brute)= α 0 + α L ln(travail)+ α K ln(capital)+ α M ln(intrants intermédiaires) + β R ln(R-D)+ β Z Z+vu,        avec   u= γ 0 + γ X X (1) MathType@MTEF@5@5@+= feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiVu0Je9sqqrpepC0xbbL8F4rqqrFfpeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGceaqabeaaciGGSb GaaiOBaiaacIcacaqGWbGaaeOCaiaab+gacaqGKbGaaeyDaiaaboga caqG0bGaaeyAaiaab+gacaqGUbGaaeiiaiaabkgacaqGYbGaaeyDai aabshacaqGLbGaaiykaiaaxcW7cqGH9aqpcqaHXoqydaWgaaWcbaGa aGimaaqabaGccqGHRaWkcqaHXoqydaWgaaWcbaGaamitaaqabaGcci GGSbGaaiOBaiaacIcacaqG0bGaaeOCaiaabggacaqG2bGaaeyyaiaa bMgacaqGSbGaaiykaiabgUcaRiabeg7aHnaaBaaaleaacaWGlbaabe aakiGacYgacaGGUbGaaiikaiaacogacaGGHbGaaiiCaiaacMgacaGG 0bGaaiyyaiaacYgacaGGPaGaey4kaSIaeqySde2aaSbaaSqaaiaad2 eaaeqaaOGaciiBaiaac6gacaGGOaGaaeyAaiaab6gacaqG0bGaaeOC aiaabggacaqGUbGaaeiDaiaabohacaqGGaGaaeyAaiaab6gacaqG0b GaaeyzaiaabkhacaqGTbGaaey6aiaabsgacaqGPbGaaeyyaiaabMga caqGYbGaaeyzaiaabohacaGGPaaabaGaey4kaSIaeqOSdi2aaSbaaS qaaiaadkfaaeqaaOGaciiBaiaac6gacaGGOaGaaeOuaiaab2cacaqG ebGaaiykaiabgUcaRiaahk7adaWgaaWcbaGaamOwaaqabaGccaWHAb Gaey4kaSIaamODaiabgkHiTiaadwhacaqGSaGaaeiiaiaabccacaqG GaGaaeiiaiaabccacaqGGaGaaeiiaiaabccacaqGHbGaaeODaiaabw gacaqGJbGaaeiiaiaabccacaqGGaGaamyDaiabg2da9iabeo7aNnaa BaaaleaacaaIWaaabeaakiabgUcaRiaaho7adaWgaaWcbaGaamiwaa qabaGccaWHybaaaaa@A90E@

Z MathType@MTEF@5@5@+= feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiVu0Je9sqqrpepC0xbbL8F4rqqrFfpeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaacbeaeaaaaaa aaa8qacaWFAbaaaa@36FB@  est un vecteur de variables tenant compte des effets de facteurs externes sur la frontière technologique, v MathType@MTEF@5@5@+= feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiVu0Je9sqqrpepC0xbbL8F4rqqrFfpeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaaeaaaaaaaaa8 qacaWG2baaaa@3711@  est un terme d’erreurs aléatoire reflétant la nature stochastique de la frontière technologique, u MathType@MTEF@5@5@+= feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiVu0Je9sqqrpepC0xbbL8F4rqqrFfpeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaaeaaaaaaaaa8 qacaWG1baaaa@3710@  est une mesure de l’inefficacité technique ou de la distance jusqu’à la frontière de possibilité de productionNote  et X MathType@MTEF@5@5@+= feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiVu0Je9sqqrpepC0xbbL8F4rqqrFfpeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaacbeaeaaaaaa aaa8qacaWFybaaaa@36F9@  est un vecteur des covariables pouvant avoir une incidence sur l’efficacité technique.

Les données utilisées dans le présent document proviennent du FMLCN. Les données portent sur toutes les industries pour la période allant de 2000 à 2014. Les données de base du FMLCN proviennent des fichiers de données fiscales (fichier T2, Déclaration de revenus des sociétés; fichier T4, État de la rémunération payée; et fichier PD7, Compte de retenues sur la paie), du Registre des entreprises et de l’Enquête sur l’emploi, la rémunération et les heures de travail. Le formulaire T2 Déclaration de revenus des sociétés peut être utilisé pour dériver la production brute d’une entreprise, le stock de capital physique et les intrants intermédiaires, ainsi que son stock de capital de TIC, les investissements en R-D et les dépenses en immobilisations incorporelles. Les stocks de capital en R-D et d’immobilisations incorporelles sont alors dérivés à l’aide de la méthode de l’inventaire permanent. Les autres données de base fournissent des renseignements sur la paie et les emplois, les indicateurs de propriété étrangère et l’année de création de l’entreprise.

Des variables nominales doivent être déflatées aux fins de comparaison au fil du temps. Du fait du manque de déflateurs au niveau de l’entreprise, des déflateurs détaillés au niveau de l’industrie provenant de la base de données KLEMS ont été utilisésNote . Le déflateur relatif à la R-D est l’indice implicite de prix pour les investissements en R-D dérivé du tableau 36-10-0098-01 de Statistique CanadaNote .

Le stock d’immobilisations corporelles comprend les actifs associés à la machinerie, à l’équipement et aux bâtiments. Il comprend le stock de TIC, mais exclut les stocks d’actifs incorporels et de R-D. Le stock de R-D pour chaque entreprise est établi à partir des investissements réels en R-D, à l’aide de la méthode de l’inventaire permanent, en supposant un taux de dépréciation du capital de 15 %. Les dépenses de R-D sont dérivées des données du Programme de la recherche scientifique et du développement expérimental, incluses dans la Déclaration de revenus des sociétés T2. Selon Corrado, Hulten et Sichel (2005, 2009), les dépenses en actifs incorporels consistent en des propriétés innovatrices non scientifiques (honoraires d’architecte) et des compétences économiques qui comprennent le capital organisationnel (20 % des salaires des directeurs et de la direction plus les honoraires de consultation), la valeur de la marque (60 % de la publicité) et le capital humain propre à l’entreprise (formation). Ces six éléments découlent directement de l’Index général des renseignements financiers inclus dans la Déclaration de revenus des sociétés T2. Les dépenses nominales en immobilisations incorporelles ont été ajustées à l’aide d’un déflateur implicite de prix au niveau de l’industrie pour les intrants intermédiaires (provenant de la base de données KLEMS). La méthode de l’inventaire permanent a permis d’estimer le stock en immobilisations incorporelles à partir des dépenses réelles en immobilisations incorporelles, en supposant un taux de dépréciation de 15 %. Le stock total en capital est égal à la somme de tous les stocks d’immobilisations incorporelles, de capital corporel et de capital en R-D.

Une variable fictive a été introduite pour déterminer si les jeunes entreprises étaient plus ou moins efficaces que les entreprises établies. Selon Liu et Tang (2017), il faut environ cinq ans aux entreprises entrantes au Canada pour devenir aussi efficaces que les entreprises établies. Par conséquent, la variable fictive était égale à 1 si une entreprise avait moins de six ans et à 0 dans les autres cas. Enfin, l’intensité de l’utilisation du capital a été calculée avec un ajustement de l’effet de substitution de l’intrantNote  , à titre d’indicateur de l’utilisation de la capacité.

Pour l’estimation, l’échantillon a été limité pour inclure uniquement les entreprises ayant 10 employés ou plus en moyenne au cours de la période étudiée. Le nombre moyen d’employés par entreprise a été utilisé plutôt que le nombre d’employés chaque année, afin d’éviter des observations tronquées pour les entreprises de l’échantillon. L’échantillon limité représente 88 % et 83 % de la production brute et de l’emploi au Canada, respectivement. Selon cette limitation, on a enregistré près de 1,9 million d’observations pour toute la période étudiée (tableau 1).


Tableau 1
Distribution des observations d’échantillon (entreprises de 10 employés ou plus dans le secteur des entreprises)
Sommaire du tableau
Le tableau montre les résultats de Distribution des observations d’échantillon (entreprises de 10 employés ou plus dans le secteur des entreprises). Les données sont présentées selon Secteur du SCIAN (titres de rangée) et 2000, 2005, 2009, 2014 et 2000 à 2014, calculées selon nombre d’observations unités de mesure (figurant comme en-tête de colonne).
Secteur du SCIAN 2000 2005 2009 2014 2000 à 2014
nombre d’observations
Culture et production animale 738 727 716 572 10 772
Foresterie et exploitation forestière 730 714 625 492 9 715
Pêche, chasse et piégeage 61 77 77 68 1 096
Activités de soutien à l’agriculture et à la foresterie 358 423 426 406 6 148
Extraction de pétrole et de gaz 204 226 216 178 3 139
Extraction minière et exploitation en carrière (sauf l’extraction de pétrole et de gaz) 304 285 279 266 4 257
Activités de soutien à l’extraction minière, pétrolière et gazière 688 786 853 736 11 425
Services publics 147 219 186 182 2 840
Construction 11 625 12 986 13 608 13 968 197 518
Fabrication d’aliments 2 139 2 084 1 959 1 856 30 174
Fabrication de boissons et de produits du tabac 162 148 145 177 2 304
Usines de textiles et de produits textiles 583 505 377 314 6 653
Fabrication de produits en cuir et de produits analogues 1 217 947 624 411 12 071
Fabrication de produits en bois 1 586 1 571 1 443 1 251 22 150
Fabrication du papier 448 395 324 262 5 351
Impression et activités connexes de soutien 1 180 1 135 1 011 837 15 693
Fabrication de produits du pétrole et du charbon 81 80 51 40 935
Fabrication de produits chimiques 789 734 685 645 10 725
Fabrication de produits en plastique et en caoutchouc 1 202 1 176 1 074 1 026 16 783
Fabrication de produits minéraux non métalliques 716 741 676 616 10 409
Première transformation des métaux 322 318 304 265 4 553
Fabrication de produits métalliques 3 116 3 148 2 951 2 762 45 426
Fabrication de machines 1 979 2 004 1 884 1 750 28 777
Fabrication de produits informatiques et électroniques 869 802 745 616 11 476
Fabrication de matériel, d’appareils, et de composants électriques 461 459 425 385 6 561
Fabrication de matériel de transport 930 904 835 721 12 704
Fabrication de meubles et produits connexes 1 334 1 384 1 261 1 100 19 418
Activités diverses de fabrication 1 022 1 117 1 033 965 15 706
Commerce de gros 12 094 11 856 11 441 10 555 173 753
Commerce de détail 18 902 20 072 19 845 18 968 294 953
Transport et entreposage 5 625 5 791 5 546 5 406 84 463
Industrie de l’information et industrie culturelle 1 963 1 954 1 891 1 952 29 269
Finance, assurances, services immobiliers, de location et de location à bail 7 206 7 257 7 323 6 777 107 248
Services professionnels, scientifiques et techniques 7 475 8 227 8 215 7 592 120 297
Services administratifs, de soutien, de gestion des déchets et d’assainissement 5 440 6 528 7 021 6 982 99 274
Arts, spectacles et loisirs 2 400 2 879 2 920 2 844 42 100
Services d’hébergement et de restauration 17 559 20 062 21 386 22 742 310 793
Autres services (sauf les administrations publiques) 5 360 6 789 7 752 8 053 106 460
Tous les secteurs 119 015 127 510 128 133 124 738 1 893 389

Deux raisons justifient d’exclure les petites entreprises. Tout d’abord, la dérivation des principales variables nécessaires à l’analyse de la productivité suppose l’utilisation de champs non obligatoires dans les données de base. Pour les entreprises plus petites enregistrant une moindre activité économique, ces champs de données sont souvent laissés vides. La deuxième raison est d’ordre technique; utiliser toutes les entreprises pour l’estimation prend du temps, puisqu’il existait plus de 9 millions d’observations avant l’exclusionNote .

Malgré cette exclusion, les estimations de la PMF agrégée fondée sur l’échantillon utilisé pour l’estimation de (1) suivent étroitement les variations des estimations officielles de la PFM pour le secteur des entreprises (graphique 2). La PMF basée sur l’échantillon mesure la PMF agrégée au niveau des entreprises à l’aide de poids Domar. Ces poids Domar ont été calculés comme le ratio de la production brute nominale d’une entreprise à la valeur ajoutée nominale du secteur des entreprises. La PMF au niveau de l’entreprise a été calculée comme étant un résidu de la production brute moins les contributions de l’intrant travail, de l’intrant capital et des intrants intermédiaires. Les élasticités de la production relativement à tous les intrants ont été obtenues à l’aide des moindres carrés ordinaires (MCO), en tenant compte de valeurs fictives d’année‑industrieNote .

Graphique 2 Estimations de la productivité multifactorielle fondée sur l’échantillon et estimations officielles dans le secteur des entreprises

Tableau de données du graphique 2 
Tableau de données du graphique 2
Sommaire du tableau
Le tableau montre les résultats de Tableau de données du graphique 2 Estimations selon l’échantillon et Estimations officielles, calculées selon indice (2000 = 100) unités de mesure (figurant comme en-tête de colonne).
Estimations selon l’échantillon Estimations officielles
indice (2000 = 100)
2000 100,00 100,00
2001 103,91 99,92
2002 104,21 100,97
2003 96,26 100,22
2004 97,54 99,86
2005 97,79 99,87
2006 94,45 99,06
2007 93,91 97,95
2008 92,54 95,70
2009 89,27 93,25
2010 93,82 94,92
2011 92,97 96,34
2012 97,04 95,77
2013 100,56 96,42
2014 102,07 97,81

Les variations des deux séries étaient généralement cohérentes. La série fondée sur l’échantillon utilisé pour l’estimation était plus volatile que la série officielle; le recul après 2002 et la reprise après 2009 étaient tous deux plus marqués. Cette différence peut être attribuée à plusieurs facteurs. Premièrement, l’élasticité de la production relativement aux intrants utilisés dans le calcul de la PMF pour l’échantillon utilisé dans l’estimation était fondée sur une régression et fixe au cours de la période d’estimation, alors que celle des estimations officielles reposait sur une analyse causale de la croissance et variait avec le temps. Deuxièmement, les petites entreprises étaient exclues de l’échantillon. Troisièmement, le calcul de la PMF pour l’échantillon utilisé dans l’estimation n’était pas ajusté en fonction de la qualité du capital et de la composition de la main‑d’œuvre, alors que les estimations de la PMF officielle l’étaient. Enfin, le calcul de la PMF pour l’échantillon utilisé dans l’estimation faisait l’objet d’une agrégation Domar au niveau de l’entreprise. Les estimations officielles ont fait l’objet d’une agrégation Domar des données au niveau de l’industrie. Ces données au niveau de l’industrie provenaient d’un plus grand nombre de sources de données que celles utilisées dans le FMLCN.

3 Résultats des estimations

Les résultats de l’estimation de la frontière stochastique sont présentés au tableau 2. La première régression porte sur la période d’échantillon entière et sur toutes les entreprises comptant 10 employés ou plus. Pour ce qui est de la frontière technologique, les résultats indiquent que les investissements en R-D et la propriété étrangère sont importants pour expliquer l’augmentation du potentiel de productivité. En ce qui a trait à l’inefficacité, toutes les variables se sont avérées négatives et hautement significatives, ce qui signifie que toutes les entreprises enregistrant plus d’investissements en TIC et en immobilisations incorporelles ainsi que les jeunes entreprises avaient tendance à être plus proches de leur frontière technologiqueNote . De plus, comme l’on s’y attendait, l’utilisation de la capacité est associée positivement à l’efficacité technique.

Fait intéressant à noter, les coefficients estimés de toutes les variables fondées sur le modèle de frontière stochastique (régression [1] du tableau 2) étaient similaires aux résultats de certaines régressions traditionnellesNote . Implicitement, la similarité est une vérification de la robustesse des résultats de l’estimation de la frontière stochastiqueNote .

Les régressions (2) et (3) du tableau 2 correspondent aux sous-périodes allant respectivement de 2009 à 2014 et de 2000 à 2009. L’objectif était de déterminer si l’effet de n’importe lequel de ces facteurs variait significativement au cours de ces deux sous-périodes. Globalement, aucune variation significative n’a été relevée pour la R-D, la propriété étrangère, les TIC et les immobilisations incorporelles. Néanmoins, l’avantage en matière d’efficacité des jeunes entreprises par rapport aux entreprises établies était plus grand après la crise financière. Il s’agit d’un résultat intéressant, qui peut être dû au fait que seules les entreprises productives à efficacité élevée pouvaient entrer sur le marché après la crise financière.

Les régressions (4) et (5) concernent respectivement les entreprises manufacturières et non manufacturières. Ces deux ensembles de résultats sont généralement similaires. Cependant, l’incidence de la R-D et de la propriété étrangère sur les entreprises de fabrication était moins forte que sur les entreprises non manufacturières. La même observation concerne l’effet des TIC sur l’efficacité technique. De plus, l’avantage en matière d’efficacité des jeunes entreprises était supérieur dans le secteur de la fabrication à celui dans le secteur non manufacturier.

Du fait de la cohérence générale entre toutes les colonnes du tableau 2, la discussion et l’analyse qui suivent reposent sur les résultats de l’estimation de la colonne 1 du tableau 2.


Tableau 2
Estimation de la frontière stochastique de la fonction de production
Sommaire du tableau
Le tableau montre les résultats de Estimation de la frontière stochastique de la fonction de production Régression 1, Régression 2, Régression 3, Régression 4 et Régression 5(figurant comme en-tête de colonne).
Régression 1 Régression 2 Régression 3 Régression 4 Régression 5
Toutes les entreprises
2000 à 2014
Toutes les entreprises
2009 à 2014
Toutes les entreprises
2000 à 2009
Entreprises de fabrication
2000 à 2014
Entreprises non manufacturières
2000 à 2014
Frontière technologique
Travail (en log)
Coefficient 0,2780Note ** 0,2921Note ** 0,2699Note ** 0,2367Note ** 0,2821Note **
Erreur-type 0,0003 0,0005 0,0004 0,0007 0,0003
Immobilisations corporelles (en log)
Coefficient 0,0647Note ** 0,0623Note ** 0,0664Note ** 0,0716Note ** 0,0643Note **
Erreur-type 0,0002 0,0003 0,0002 0,0005 0,0002
Intrants intermédiaires (en log)
Coefficient 0,6455Note ** 0,6361Note ** 0,6500Note ** 0,6814Note ** 0,6410Note **
Erreur-type 0,0002 0,0004 0,0003 0,0005 0,0003
Stock de R-D (en log)
Coefficient 0,0049Note ** 0,0044Note ** 0,0053Note ** 0,0013Note ** 0,0068Note **
Erreur-type 0,0001 0,0001 0,0001 0,0001 0,0001
Propriété étrangère
Coefficient 0,2025Note ** 0,2140Note ** 0,1960Note ** 0,1106Note ** 0,2279Note **
Erreur-type 0,0015 0,0021 0,0020 0,0021 0,0018
Variables fictives du secteur Oui Oui Oui Oui Oui
Variables fictives d’année Oui Oui Oui Oui Oui
Variables fictives d’année par secteur Oui Oui Oui Oui Oui
Inefficacité
Ratio des TIC au stock de capital total
Coefficient -0,2600Note ** -0,2564Note ** -0,2635Note ** -0,1418Note ** -0,2663Note **
Erreur-type 0,0018 0,0030 0,0022 0,0064 0,0019
Ratio des immobilisations incorporelles au stock de capital total
Coefficient -0,2242Note ** -0,2279Note ** -0,2235Note ** -0,1974Note ** -0,2271Note **
Erreur-type 0,0013 0,0021 0,0016 0,0033 0,0014
Jeunes entreprises
Coefficient -0,0087Note ** -0,0183Note ** -0,0039Note ** -0,0291Note ** -0,0056Note **
Erreur-type 0,0006 0,0011 0,0007 0,0013 0,0007
Utilisation de la capacité
Coefficient -0,0408Note ** -0,0450Note ** -0,0385Note ** -0,0413Note ** -0,0410Note **
Erreur-type 0,0004 0,0008 0,0005 0,0008 0,0005
Constante Oui Oui Oui Oui Oui
Nombre d’observations 1 893 389 764 016 1 257 506 277 869 1 615 520

Les élasticités du changement technologique ou de l’efficacité technique relativement à chaque facteur ont été estimées pour déterminer leur sensibilité par rapport aux facteurs témoins. Le tableau 3 présente les élasticités estimées. Les résultats indiquent que doubler la R-D, par exemple, entraînerait une hausse de 0,5 % de la frontière technologique. De plus, les entreprises étrangères sont, en moyenne, 20,3 % plus productives qu’une entreprise nationale. Pour ce qui est de l’efficacité technique, si le ratio des TIC au capital total et le ratio des immobilisations incorporelles au capital total doublaient, l’efficacité augmenterait de 1,8 % et de 2,7 %, respectivement. En outre, les jeunes entreprises ont un avantage en matière d’efficacité de 0,9 % sur les entreprises établies, et une baisse de 10 % de l’utilisation de la capacité augmenterait l’efficacité de 0,4 %. Du fait de ces élasticités, même lorsque toutes les entreprises ont doublé leur stock de capital en R-D, de TIC et d’immobilisations incorporelles de 2002 à 2009, le recul de la PMF au cours de cette période peut uniquement être diminué de 5 points de pourcentage, ce qui laisse une grande portion de la baisse inexpliquée.


Tableau 3
Élasticités moyennes du changement technologique ou de l’efficacité technique par rapport à leurs facteurs
Sommaire du tableau
Le tableau montre les résultats de Élasticités moyennes du changement technologique ou de l’efficacité technique par rapport à leurs facteurs. Les données sont présentées selon Facteur (titres de rangée) et Élasticité, calculées selon coefficient unités de mesure (figurant comme en-tête de colonne).
Facteur Élasticité
coefficient
Changement technologique par rapport à ses facteurs
Recherche-développement 0,0049
Entreprises sous contrôle étranger 0,2025
Efficacité technique par rapport à ses facteurs
Ratio des technologies de l’information et des communications au capital total 0,0181
Ratio des immobilisations incorporelles au capital total 0,0272
Jeunes entreprises 0,8698
Utilisation de la capacité 0,0408

Les variations de la PMF, de la frontière technologique et de l’efficacité technique au niveau de l’entreprise ont été agrégées à l’aide de poids Domar. Les indices de la PMF, de la frontière technologique et de l’efficacité technique dans le secteur des entreprises sont présentés dans le graphique 3, qui indique que la variation de la PMF était largement attribuable à la variation de la frontière technologique, alors que l’efficacité technique a été relativement stable tout au long de la période.

Graphique 3 Productivité multifactorielle, changement technologique et efficacité technique dans le secteur des entreprises

Tableau de données du graphique 3 
Tableau de données du graphique 3
Sommaire du tableau
Le tableau montre les résultats de Tableau de données du graphique 3 Productivité multifactorielle, Efficacité technique et Changement technologique, calculées selon indice (2000=100) unités de mesure (figurant comme en-tête de colonne).
Productivité multifactorielle Efficacité technique Changement technologique
indice (2000 = 100)
2000 100,00 100,00 100,00
2001 103,29 97,45 105,99
2002 103,10 97,42 105,83
2003 95,37 97,83 97,49
2004 97,27 97,58 99,69
2005 97,32 96,88 100,46
2006 94,15 97,27 96,79
2007 93,22 97,97 95,15
2008 91,39 98,22 93,04
2009 87,11 95,78 90,95
2010 92,43 97,56 94,75
2011 91,32 96,74 94,39
2012 95,16 96,86 98,24
2013 98,66 97,87 100,81
2014 100,18 98,25 101,96

4 Variation des cohortes à productivité élevée et à faible productivité

Pour tenter d’expliquer davantage le ralentissement de la productivité, les entreprises de la cohorte de 2000 à 2002 ont été divisées en deux groupesNote . Le groupe à productivité élevée comprenait les entreprises dont les niveaux de PMF étaient supérieurs aux moyennes de l’industrie correspondantes au cours de la période allant de 2000 à 2002, et toutes les autres entreprises de la cohorte constituaient le groupe à faible productivité. Toutes les entreprises qui sont apparues après 2002 étaient considérées comme de nouvelles entreprises.

Le graphique 4 présente les tendances des frontières technologiques des trois groupes d’entreprises. La frontière technologique a augmenté pour tout l’échantillon de la cohorte à faible productivité, mais a reculé pour les deux autres groupes jusqu’en 2009, ce qui signifie que le recul de la frontière technologique était principalement attribuable à la cohorte à productivité élevée et aux nouvelles entreprises. Le tableau 4 montre que la frontière technologique agrégée a diminué de 7,0 % de 2003 à 2009. Les contributions de la cohorte à productivité élevée, de la cohorte à faible productivité et des nouvelles entreprises ont été respectivement de -8,4, 4,9 et ‑3,5 points de pourcentage. La frontière technologique a enregistré une reprise complète après 2009 et les contributions correspondantes ont été de 7,0 points, 4,2 points et 0,7 point de pourcentage. Ces résultats donnent à penser que le recul de la frontière technologique était principalement attribuable aux entreprises à productivité élevée de la cohorte de 2000 à 2002.


Tableau 4
Contribution à la croissance de la frontière technologique des cohortes à productivité élevée et à faible productivité ainsi que des nouvelles entreprises
Sommaire du tableau
Le tableau montre les résultats de Contribution à la croissance de la frontière technologique des cohortes à productivité élevée et à faible productivité ainsi que des nouvelles entreprises 2003 à 2009 et 2009 à 2014, calculées selon pourcentage et points de pourcentage unités de mesure (figurant comme en-tête de colonne).
2003 à 2009 2009 à 2014
pourcentage
Variation de la frontière technologique -7,0 11,9
points de pourcentage
Contribution
Cohorte à productivité élevée -8,4 7,0
Cohorte à faible productivité 4,9 4,2
Entreprises qui sont apparues après 2002 -3,5 0,7

Graphique 4 Tendances des frontières technologiques des cohortes à productivité élevée et à faible productivité ainsi que des nouvelles entreprises dans le secteur des entreprises

Tableau de données du graphique 4 
Tableau de données du graphique 4
Sommaire du tableau
Le tableau montre les résultats de Tableau de données du graphique 4 Cohorte à productivité élevée, Cohorte à faible productivité et Nouvelles entreprises, calculées selon indice (2003 = 100) unités de mesure (figurant comme en-tête de colonne).
Cohorte à productivité élevée Cohorte à faible productivité Nouvelles entreprises
indice (2003 = 100)
2000 108,54 95,44 Note ...: n'ayant pas lieu de figurer
2001 116,64 99,34 Note ...: n'ayant pas lieu de figurer
2002 115,65 100,11 Note ...: n'ayant pas lieu de figurer
2003 100,00 100,00 100,00
2004 99,87 105,76 91,93
2005 99,15 109,78 84,55
2006 92,23 111,93 76,17
2007 94,33 107,19 69,07
2008 92,98 104,54 66,01
2009 83,73 113,35 64,35
2010 90,80 114,61 64,51
2011 88,18 115,52 66,58
2012 95,47 117,30 66,55
2013 98,67 119,97 67,50
2014 97,50 126,61 66,56

5 Conclusion

En décomposant la productivité réelle en frontière technologique (ou potentiel de productivité relatif à la technologie) et en efficacité technique, les résultats empiriques de la présente étude indiquent que la diminution de la productivité canadienne de 2000 à 2009 et la reprise ultérieure étaient largement associées aux variations de la frontière technologique.

La présente étude fait état de ce qui suit : 1) les investissements en R-D et les entreprises étrangères en particulier ont joué des rôles importants pour soutenir la frontière technologique, alors que la structure industrielle a joué un rôle négatif mineur; 2) les TIC et les immobilisations incorporelles ont joué un rôle positif en soutenant l’efficacité technique.

L’étude démontre, en outre, que les variations de la productivité au Canada après l’an 2000 étaient largement associées aux entreprises à productivité élevée de la cohorte de 2000 à 2002. Ces faits corroborent les constatations de la littérature pour le secteur de la fabrication canadien. La diminution de la productivité après l’an 2000 dans le secteur de la fabrication canadien a principalement découlé d’un recul de la productivité des grandes entreprises (Tang, 2017) ou des exportateurs (Baldwin, Gu et Yan, 2013). Cependant, Baldwin, Gu et Yan (2013) ont également soutenu qu’au moins la moitié de la baisse de la productivité était attribuable à la nature procyclique de la croissance de la productivité découlant de l’utilisation de la capacité, mais cela n’a pas été le cas dans la présente étude. Une étude ultérieure sur les causes du faible rendement de la productivité des grandes entreprises et des entreprises exportatrices pourrait aider à mieux expliquer le ralentissement de la productivité au Canada.

Il est important de mentionner que la frontière technologique et l’entreprise au seuil de la productivité sont deux concepts différents. Le premier concept fait référence au potentiel technologique de chaque entreprise, alors que le deuxième désigne les entreprises à productivité élevée et est souvent utilisé pour examiner la dispersion de la productivité entre les entreprises au seuil de la productivité et celles sous le seuil de la productivitéNote . Gu, Yan et Ratté (2018) ont constaté que le niveau relatif de la productivité du travail des entreprises au seuil de la productivité et de celles sous le seuil de la productivité dans le secteur de la fabrication canadien avait diminué de 2000 à 2005 et augmenté par la suite, ce qui indique que la croissance agrégée de la productivité était principalement attribuable aux entreprises au seuil de la productivité. Cette observation est conforme à celles de la présente étude.

Bibliographie

Aghion, P., et P. Howitt. 1992. « A model of growth through creative destruction ». Econometrica 60 (2) : 323 à 351.

Ahmad, N., et P. Schreyer. 2016. « Are GDP and productivity measures up to the challenges of the digital economy? » Observateur international de la productivité 30 : 4 à 27.

Aigner, D.J., C.A.K. Lovell et P. Schmidt. 1977. « Formulation and estimation of stochastic frontier production function models ». Journal of Econometrics 6 (1) : 21 à 37.

Andrews, D., C. Criscuolo et P.N. Gal. 2015. Frontier Firms, Technology Diffusion and Public Policy: Micro Evidence from OECD Countries. Document de travail sur la productivité de l’OCDE, no 2. Publication de l’OCDE.

Baldwin, J.R., W. Gu, et R. Macdonald. 2012. Immobilisations incorporelles et croissance de la productivité au Canada. La revue canadienne de productivité, no 29. Produit no 15-206-X au catalogue de Statistique Canada. Ottawa : Statistique Canada.

Baldwin, J.R., W. Gu et B. Yan. 2007. Guide de l’utilisateur pour le Programme annuel de la productivité multifactorielle de Statistique Canada. La revue canadienne de productivité, no 14. Produit no 15-206-X au catalogue de Statistique Canada. Ottawa : Statistique Canada.

Baldwin, J.R., W. Gu et B. Yan. 2013. Croissance des exportations, utilisation de la capacité et croissance de la productivité : données sur les établissements de fabrication canadiens. Série de documents de recherche sur l’analyse économique, no 75. Produit no 11F0027M au catalogue de Statistique Canada. Ottawa : Statistique Canada.

Basu, S., et M.S. Kimball. 1997. Cyclical Productivity with Unobserved Input Variation. NBER Working Paper Series, no 5915. Cambridge, Massachusetts : National Bureau of Economic Research.

Battese, G.E., et T.J. Coelli. 1995. « A model for technical inefficiency effects in a stochastic frontier production function for panel data ». Empirical Economics 20 (2) : 325 à 332.

Battisti, M., F. Belloc et M. Del Gatto. 2012. « Unbundling technology adoption and TFP at the firm level: Do intangibles matter? » Journal of Economics & Management Strategy 24 (2) : 390 à 414.

Biagi, F. 2013. ICT and Productivity: A Review of the Literature. Institute for Prospective Technological Studies Digital Economy Working Paper 2013/09. Joint Research Centre of the European Commission.

Blanchard, O., G. Lorenzoni et J.-P. L’Huillier. 2017. Short-run Effects of Lower Productivity Growth: A Twist on the Secular Stagnation Hypothesis. Peterson Institute for International Economics Policy Brief PB17-6. Washington, D.C. : Peterson Institute for International Economics Policy.

Byrne, D.M., J.G. Fernald et M.B. Reinsdorf. 2016. « Does the United States Have a Productivity Slowdown or a Measurement Problem? » Brookings Papers on Economic Activity 2016 (1) : 109 à 182.

Byrne, D., S.D. Oliner et D.E. Sichel. 2015. How Fast Are Semiconductor Prices Falling? NBER Working Paper Series, no 21074. Cambridge, Massachusetts : National Bureau of Economic Research. (consulté le 15 octobre 2019).

Corrado, C., C. Hulten et D. Sichel. 2005. « Measuring capital and technology: An expanded framework ». Measuring Capital in the New Economy, publié sous la direction de C. Corrado, J. Haltiwanger et D. Sichel, p. 11 à 46. Chicago : University of Chicago Press.

Corrado, C., C. Hulten et D. Sichel. 2009. « Intangible capital and U.S. economic growth ». Review of Income and Wealth 55 (3) : 661 à 685.

Fernald, J. 2014. A Quarterly, Utilization-adjusted Series on Total Factor Productivity. Federal Reserve Bank of San Francisco Working Paper Series, no 2012-19.

Gordon, R.J. 2012. Is U.S. Economic Growth Over? Faltering Innovation Confronts the Six Headwinds. NBER Working Paper Series, no 18315. Cambridge, Massachusetts : National Bureau of Economic Research.

Gu, W. 2018. Explication du ralentissement de la croissance de la productivité dans le secteur des entreprises canadien après l’an 2000 : les questions de mesure importent-elles? Direction des études analytiques : documents de recherche, no 409. Produit no 11F0019M au catalogue de Statistique Canada. Ottawa : Statistique Canada.

Gu, W., B. Yan et S. Ratté. 2018. Dispersion de la productivité à long terme dans le secteur canadien de la fabrication. Aperçus économiques, no 84. Produit no 11-626-X au catalogue de Statistique Canada. Ottawa : Statistique Canada.

Ilmakunnas P., et H. Piekkola. 2014. « Intangible investment in people and productivity ». Journal of Productivity Analysis 41 (3) : 443 à 456.

Kumbhakar, S.C., S. Ghosh et J.T. McGuckin. 1991. « A generalized production frontier approach for estimating determinants of inefficiency in U.S. dairy farms ». Journal of Business & Economic Statistics 9 (3) : 279 à 286.

Kumbhakar, S.C., et C.A.K. Lovell. 2000. Stochastic Frontier Analysis. Cambridge : Cambridge University Press.

Levinsohn J., et A. Petrin. 2003. « Estimating production functions using inputs to control for unobservables ». Review of Economic Studies, 70 (2) : 317 à 341.

Liu, H., et J. Tang. 2017. « Age-productivity profiles of entrants and exits: Evidence from Canadian manufacturing ». Structural Change and Economic Dynamics 40 : 26 à 36.

Murray, A. 2017. What Explains the Post-2004 U.S. Productivity Slowdown? Centre for the Study of Living Standards Research Report 2017-05. (consulté le 15 octobre 2019).

Rao, S., M. Souare et W. Wang. 2009. « The economics of FDI: A Canadian perspective ». Transnational Corporation Review 1 (4) : 28 à 41.

Reifschneider, D., et R. Stevenson. 1991. « Systematic departures from the frontier: A framework for the analysis of firm inefficiency ». International Economic Review 32 (3) : 715 à 723.

Remes, J., J. Manyika, J. Bughin, J. Woetzel, J. Mischke et M. Krishnan. 2018. Solving the Productivity Puzzle: The Role of Demand and the Promise of Digitization. McKinsey Global Institute. (consulté le 11 septembre 2018).

Sichel, D. 2016. « Two books for the price of one: Review article of The Rise and Fall of American Growth by Robert J. Gordon ». Observateur international de la productivité 31 : 57 à 62.

Syverson, C. 2013. « Will history repeat itself? Comments on ‘Is the information technology revolution over?’ » International Productivity Monitor 25 : 37 à 40.

Syverson, C. 2016. Challenges to Mismeasurement Explanations for the U.S. Productivity Slowdown. Booth School of Business working paper. Chicago : University of Chicago. (consulté le 15 octobre 2019).

Tang, J. 2014. « L’écart de productivité du travail entre le Canada et les États-Unis est-il creusé surtout par les petits fabricants ou par les grands? Données récentes du secteur de la fabrication ». Revue canadienne d’économique, vol 47, no 2 : 517 à 539.

Tang, J. 2017. « Industrial structure change and the widening Canada–U.S. labor productivity gap in the post-2000 period ». Industrial and Corporate Change 26 (2) : 259 à 278.

Tang, J., et S. Rao. 2003. « Are foreign-controlled manufacturing firms less R&D-intensive than Canadian-controlled firms? » Analyse de politiques 29 (1) : 111 à 117.

Tang, J., et A. Van Assche. 2017. « Multinationals and offshoring: Firm-level evidence from Canada ». Analyse de politiques 43 (S2) : S1 à S14.

Date de modification :