Résumé Technique : Flux Mondiaux de Connaissances Vertes : Analyse Basée sur le Réseau de Brevets Verts

1. Énoncé du Problème

Bien que des recherches approfondies existent sur la manière dont les facteurs externes (réglementations, instruments de politique, chocs de marché) influencent l'innovation verte, il existe une lacune significative dans la compréhension des mécanismes internes de flux, de structure et d'accumulation des connaissances au sein des domaines technologiques verts. La littérature existante, telle qu'Acemoglu et al. (2016), suggère que les réseaux d'innovation sont généralement stables, permettant une prédiction basée sur les modèles de citations historiques. Cependant, il reste incertain de savoir si ces hypothèses de réseaux stables s'appliquent aux technologies vertes, qui font face à des défis interdisciplinaires uniques et à des objectifs doubles (économiques et environnementaux).

Le problème central abordé est double :

1. Instabilité Structurelle : On ignore comment le réseau de brevets verts diffère des réseaux de brevets traditionnels en termes de stabilité et d'évolution temporelle.
2. Échec Prédictif : Les modèles de prédiction de l'innovation standard, qui supposent la cohérence du réseau, peuvent être inefficaces pour prévoir l'innovation verte en raison de la nature potentiellement variable dans le temps des flux de connaissances vertes.

2. Méthodologie

Sources de Données et Construction

• Jeu de Données : L'étude utilise 6,65 millions de brevets d'invention verts mondiaux déposés entre 1990 et 2019.
• Critères de Sélection : Les modèles d'utilité et les dessins et modèles ont été exclus. Les brevets ont été filtrés en utilisant les critères de classification de l'« Inventaire Vert de l'IPC » développés par le comité d'experts de la Classification Internationale des Brevets (CIB/IPC).
• Construction du Réseau : Un réseau d'entrée-sortie de connaissances a été construit sur la base des citations de brevets antérieures (backward patent citations). Le poids $w_{ij}$ représente la part de citation du domaine technique $i$ citant le domaine $j$ :
  $$w_{ij} = \frac{cite_{ij}}{\sum_k cite_{ik}}$$
  Où $cite_{ij}$ est le nombre de citations du domaine $i$ vers le domaine $j$. Cette matrice $\Omega$ cartographie l'imprégnation (spillover) et le flux de connaissances entre différents domaines de technologie verte.
• Robustesse de la Classification : L'étude a testé plusieurs granularités de classification pour assurer la robustesse :
  • Les 2 premiers chiffres de l'IPC.
  • Les 4 premiers chiffres de l'IPC.
  • Les catégories de l'« Inventaire Vert de l'IPC » (7 catégories principales).
  • Les sous-catégories de l'« Inventaire Vert de l'IPC ».
  • Les numéros complets de l'IPC.

Approche Analytique

1. Analyse des Métriques du Réseau : L'étude a calculé des indicateurs de réseaux complexes (ex: centralité de degré, densité du réseau, coefficient de regroupement, modularité, coefficient de Gini) à travers trois intervalles de temps (1990–1999, 2000–2009, 2010–2019) pour caractériser l'évolution du réseau.
2. Modèles de Prédiction Comparatifs : Deux approches de prévision distinctes ont été testées à l'aide de la régression par Moindres Carrés Ordinaires (MCO) :
   • Modèle de Décalage Statique Traditionnel : Basé sur Acemoglu et al. (2016), ce modèle suppose un réseau stable. Il calcule un flux de citation fixe ($CiteFlow$) sur une fenêtre de 10 ans et l'applique comme un décalage statique pour prédire le nombre futur de brevets.
   • Modèle de Prédiction par Fenêtre Glissante Dynamique : Proposé par les auteurs pour répondre à l'instabilité du réseau. Cette méthode traite le flux de citation ($CiteFlow$) comme une variable variant dans le temps. Elle utilise des fenêtres temporelles glissantes pour ajuster dynamiquement les coefficients de flux de citation, capturant ainsi la nature évolutive des transferts de connaissances.

3. Contributions Clés

1. Identification de l'Instabilité du Réseau : L'article démontre que le réseau de brevets verts est fondamentalement différent des réseaux d'innovation traditionnels. Contra à les réseaux stables décrits dans la littérature antérieure, le réseau vert présente une instabilité spatio-temporelle prononcée. Les nœuds clés se déplacent de manière significative au fil du temps, et la structure du réseau passe de technologies de fin de chaîne (ex: incinération des déchets) vers des solutions préventives (ex: énergie propre, gestion des ressources).
2. Innovation Méthodologique : Les auteurs proposent une approche de prédiction par fenêtre glissante dynamique spécifiquement calibrée pour les réseaux présentant des modèles de connaissances évolutifs. Cette méthode surmonte les limites des modèles statiques qui supposent la cohérence du réseau, offrant un nouvel outil pour analyser les réseaux variables dans le temps et instables.
3. Analyse des Moteurs Endogènes : Au-delà de l'accent mis sur les moteurs exogènes (politique, marché), l'étude élucide les mécanismes de pilotage internes de l'innovation verte en analysant le rôle dynamique des réseaux de brevets et des flux de connaissances.

4. Résultats

Caractéristiques du Réseau

• Déséquilibre Spatial : Le réseau montre une distribution spatiale inégale. Les nœuds centraux (ex: traitement de l'eau $C02F$, techniques de séparation $B01D$, alimentation électrique $H02J$) dominent, tandis que les nœuds périphériques (ex: systèmes de moteurs spécifiques, chauffages de fluides) ont une connectivité limitée.
• Évolution Temporelle :
  • Connectivité : La densité du réseau a augmenté de manière significative, passant de 0,2023 (1990–1999) à 0,3969 (2010–2019), indiquant des échanges de connaissances plus fréquents.
  • Centralité : Le réseau est devenu moins centralisé (déclin de l'indice de centralité et du coefficient de Gini), suggérant un passage de quelques nœuds dominants vers une structure plus décentralisée où de multiples nœuds partagent l'importance.
  • Changement Structurel : Les nœuds principaux sont passés des technologies mécaniques/combustion traditionnelles ($F01N, F23G$) dans les années 1990 aux technologies d'énergie propre, de stockage et de recyclage ($H02J, H01M, B09B$) dans les années 2010.
• Tendances des Sources de Connaissances : La proportion de brevets verts citant d'autres brevets verts a fortement augmenté (1990–1993), a décliné (1993–2006) à mesure que les domaines non verts devenaient cruciaux, puis est revenue à la croissance (post-2006), indiquant une transition d'une spécialisation verticale vers une expansion horizontale, puis un retour à la spécialisation.

Performance de Prédiction

• Échec du Modèle Statique : Le modèle de prédiction par décalage statique traditionnel n'a pas réussi à produire de corrélations significatives entre les valeurs prédites et réelles lorsqu'il a été appliqué au réseau de brevets verts. Les auteurs attribuent cela à l'incapacité du modèle à prendre en compte l'instabilité structurelle inhérente au réseau.
• Succès du Modèle Dynamique : Le modèle de prédiction dynamique par fenêtre glissante proposé a atteint une grande précision. À travers quatre critères de classification différents, les valeurs de $R^2$ ont dépassé 0,93, l'une atteignant 0,978. Cela indique que le modèle dynamique peut expliquer plus de 90 % des futures innovations vertes basées sur les flux de connaissances de la décennie précédente, surpassant nettement les méthodes statiques.

5. Signification et Revendications

L'article affirme que ses conclusions offrent un cadre méthodologique robuste pour prédire les futures innovations vertes, ce qui est crucial pour relever les défis mondiaux de durabilité.

• Pour les Décideurs Politiques : La recherche fournit un outil pour passer d'une « réponse réactive » à un « façonnage proactif » de la gouvernance environnementale. Elle suggère que les politiques ne doivent pas être statiques ; au contraire, les incitations doivent être optimisées dynamiquement pour s'aligner sur la structure évolutive des réseaux de technologies vertes. Elle met en garde contre les approches de subventions de type « taille unique ».
• Pour les Entreprises : L'étude souligne l'importance de la coopération interdisciplinaire et de l'exploitation des ressources technologiques existantes. Elle suggère que les entreprises devraient se concentrer sur l'intégration de technologies à travers les centres de réseaux mouvants (ex: passer du traitement des déchets au stockage de l'énergie).
• Pour les Chercheurs : L'article établit que les flux de connaissances sont un moteur endogène critique de l'innovation verte. Il offre une nouvelle perspective pour comprendre la génération de technologies environnementales et propose une méthode validée pour étudier les réseaux d'innovation variables dans le temps.

Les auteurs concluent qu'en révélant l'essence dynamique des flux de connaissances, leurs conclusions aident les parties prenantes à allouer stratégiquement les ressources pour favoriser le développement des technologies vertes, contribuant ainsi aux Objectifs de Développement Durable (ODD), particonnement en ce qui concerne le changement climatique et la croissance économique de haute qualité.

Note : Les auteurs reconnaissent des limites, notamment le recours à la classification IPC pour le filtrage des brevets et l'hypothèse selon laquelle les fenêtres de citation de 10 ans capturent pleinement le flux de connaissances. Ils suggèrent que les travaux futurs pourraient intégrer l'apprentissage automatique (ex: LLM) pour une meilleure identification des brevets et incorporer des facteurs exogènes comme les chocs politiques pour affiner davantage la précision de la prédiction.