Econométrie des données spatiales : enjeux d’identification et perspectives

Cet article propose un point d’étape sur l’économétrie des données spatiales en mettant l’accent sur les enjeux d’identification des interactions spatiales et les perspectives ouvertes par le développement des données massives géolocalisées. Ce champ de l‘économétrie a pour objectif l’analyse des phénomènes où la proximité géographique, les interdépendances spatiales et les hétérogénéités territoriales jouent un rôle structurant. Si les modèles habituels, tels que le SAR ou le SDM, permettent de formaliser les interactions spatiales, leur mise en œuvre empirique soulève des difficultés d’identification majeures. Identifier rigoureusement ces interactions suppose de clarifier la nature des interactions, de traiter les problèmes d’endogénéité et de contrôler les sources d’hétérogénéité spatiale. L’article discute ensuite les défis que doivent relever les méthodes de l’économétrie des données spatiales tant dans une perspective méthodologique structurelle que dans le cadre des modèles d’inférence causale, tout en intégrant les méthodes d’inférence développées dans d’autres branches de l’économétrie. Notamment, il souligne que l’essor du big spatial data et des algorithmes de spatial machine learning constituent une opportunité décisive pour dépasser certaines limites des approches traditionnelles.