La fragmentation décentralisée et transfrontalière de la chaîne de valeur d'une entreprise est une source puissante d'efficacité et de compétitivité. Les entreprises ont structuré et externalisé leurs processus internes autour de ces chaînes de valeur mondiales (CVM) pour exploiter les avantages comparatifs des emplacements, malgré l'augmentation de la complexité dans la gestion des opérations et la susceptibilité aux chocs dans l'économie mondiale. Les CVM contribuent de plus en plus à la croissance du commerce international, du PIB mondial et de l'emploi. Cela en fait une dimension intéressante pour l'étude de l'économie d'une région.

Le cadre conceptuel des CVM permet d'étudier l'organisation des industries mondiales à travers l'analyse de la structure et de la dynamique des interactions complexes entre les acteurs impliqués dans une chaîne d'approvisionnement donnée. La mesure de la valeur dans une chaîne d'approvisionnement repose sur la valeur ajoutée séquentielle apportée par chaque acteur sous forme d'intrants, depuis la conception d'un produit jusqu'à sa consommation. La cartographie de cette structure d'entrées-sorties montre non seulement le flux de biens et de services tangibles et intangibles, mais révèle également la véritable valeur de la production économique d'un pays.

Ces derniers temps, les CVM se sont de plus en plus régionalisées en raison d'une série de facteurs tels que l'évolution des problématiques géopolitiques, la reprise après la pandémie de COVID-19 et l'accélération des impacts liés aux changements climatiques. Les stratégies politiques et commerciales ne produisent pas les effets escomptés car elles ont été conçues sans tenir compte des complexités inhérentes aux liens sous-jacents des chaînes de valeur mondiales. Pour contrer l'incertitude engendrée par ces distorsions, il est impératif de disposer d'un outil permettant de visualiser les chaînes de valeur.

Les grappes industrielles sont une concentration géographique d'entreprises, de fournisseurs spécialisés, de prestataires de services, de sociétés dans des industries connexes et d'institutions associées qui sont liés par la coopération et la concurrence au sein d'un secteur particulier. Ces liens facilitent le mouvement des connaissances, de la technologie et des talents, conduisant à des retombées qui constituent les bases de la collaboration locale. En fait, la capacité d'une industrie à produire des produits complexes et à forte valeur ajoutée dépend de la présence de grappes fortes interconnectées.

Les grappes offrent une opportunité clé d'explorer la relation entre la compétitivité, la productivité et la prospérité. La mondialisation a entraîné une répartition inégale de l'activité économique et, par conséquent, de la performance économique et de la compétitivité entre les régions. Les décideurs se sont de plus en plus tournés vers les grappes comme un outil pour gérer un paysage économique en mutation rapide à un niveau subnational. Par conséquent, tout effort visant à élaborer une politique de grappes nécessite une compréhension approfondie de l'activité économique au sein d'une région.

Notre utilisation de données en temps réel sur les entreprises avec des modèles d'apprentissage automatique pour les regrouper offre une perspective alternative à la mesure des grappes. Cela permet de prendre en compte une caractéristique déterminante des grappes, à savoir qu'elles ne sont pas limitées aux frontières géographiques arbitraires d'une région, d'un État ou d'un comté, ni aux systèmes de classification industrielle. Cette approche de recherche inductive contraste fortement avec les normes actuelles de mesure des grappes, qui sont liées à des définitions conformes aux systèmes de classification industrielle et aux frontières géographiques arbitraires.

L'économie moderne d'un pays est un réseau complexe de systèmes économiques internationalement interconnectés. Ces systèmes présentent une variabilité dans la nature de leur activité économique, qui peut être attribuée à la difficulté de transférer et de combiner différents morceaux de connaissances explicites détenus par les individus. Les produits hautement complexes nécessitent une coordination entre des centaines de personnes mettant à profit leur expertise pour créer les composants individuels du produit.

La complexité économique est une mesure du niveau d'intrication de ces réseaux d'interactions nécessaires pour qu'une région mobilise ses connaissances productives. La complexité économique d'une région s'exprime dans la composition de sa production effective et révèle le réseau sous-jacent d'interactions nécessaires pour combiner des morceaux disparates de connaissances. La complexité économique est étudiée à travers les prismes de la diversité des produits et des réseaux de relations.

La complexité économique est un outil quantitatif puissant qui repose largement sur les mégadonnées et les modèles d'apprentissage automatique pour expliquer les différences dans les schémas de diversification, la croissance économique et les inégalités de revenus. Les métriques de complexité fournissent des estimations clés sur le potentiel global d'une économie, en mesurant la présence combinée de facteurs économiques sans se soucier de leur nature spécifique. Cela permet d'introduire une hétérogénéité pertinente entre les industries et les produits en résumant les vecteurs qui expliquent le mieux la géographie de milliers d'activités économiques.

Nous contribuons à la littérature sur la complexité économique en ajoutant le transport à notre bloc d'analyse. Il s'agit d'une considération importante à prendre en compte, car la géographie joue un rôle essentiel dans la diffusion des connaissances. Il est bien établi que les progrès dans le domaine des transports favorisent les retombées géographiques en réduisant efficacement les distances. De plus, en étudiant la structure entrée-sortie au sein de la région Saint-Laurent - Grands Lacs, les biens qui ne sont pas exportés vers d'autres pays entrent également dans notre champ d'observation.

Le modèle de gravité est depuis longtemps utilisé dans la littérature sur le commerce international pour expliquer l'effet de diverses distances entre deux pays. Le modèle de gravité traditionnel postule que le commerce bilatéral entre deux pays est proportionnel à leur taille économique (en termes de PIB) et inversement proportionnel à la distance géographique entre eux. Cependant, des variations ultérieures du modèle ont examiné la distance au-delà de sa dénotation géographique. Le modèle peut être enrichi avec des indicateurs de substitution pour la distance géographique, pour une compréhension plus sophistiquée et complexe de la distance.

Entre les deux systèmes de commerce et de transport, la distance géographique est une variable commune qui joue un rôle crucial. Dans ce contexte, la distance peut signifier les modes de transport, les capacités de transport intermodal, la cybersécurité de la chaîne d'approvisionnement, la décarbonisation de la chaîne d'approvisionnement, et ainsi de suite. La prolifération des données numériques a permis l'accès à des informations telles que les distances réelles entre deux ports. La science des données peut être utilisée pour déterminer avec précision la distance réellement parcourue par un navire porte-conteneurs lors du transport de marchandises entre deux pays.

Cette optimisation met en lumière le rôle du temps dans le commerce et le transport, car une diminution du temps de transport peut entraîner une augmentation du commerce. Nous explorons l'importance du temps par rapport à la distance en réinventant le modèle de gravité avec nos données géospatiales en temps réel. Grâce à l'apprentissage automatique, les estimations sont nettement plus précises qu'avec des modèles économétriques classiques. La réévaluation de la variable de distance dans le modèle de gravité en tenant compte du temps peut aider à redéfinir le rôle de la distance.