{"id":134364,"date":"2019-09-20T10:00:23","date_gmt":"2019-09-20T10:00:23","guid":{"rendered":"https:\/\/dievolkswirtschaft.ch\/2019\/09\/pomeranz-10-2019fr\/"},"modified":"2023-08-24T00:04:04","modified_gmt":"2023-08-23T22:04:04","slug":"pomeranz-10-2019fr","status":"publish","type":"post","link":"https:\/\/dievolkswirtschaft.ch\/fr\/2019\/09\/pomeranz-10-2019fr\/","title":{"rendered":"R\u00e9volution empirique dans l\u2019administration"},"content":{"rendered":"

Les d\u00e9cisions quotidiennes de l\u2019administration publique influencent l\u2019\u00e9volution \u00e9conomique et sociale d\u2019un pays. Quel est le plus s\u00fbr moyen de lutter contre l\u2019\u00e9vasion fiscale\u00a0? Quelles sont les mesures qui permettent de mieux respecter la r\u00e9glementation\u00a0? Comment les entreprises r\u00e9agissent-elles aux incitations fiscales\u00a0? Quand la pr\u00e9vention des accidents est-elle la plus efficace\u00a0?
\n
\nMesurer l\u2019impact de telles mesures n\u2019est en r\u00e9alit\u00e9 pas simple. Ces derni\u00e8res ann\u00e9es, une r\u00e9volution tranquille a eu lieu dans la mani\u00e8re d\u2019am\u00e9liorer et d\u2019appliquer les syst\u00e8mes d\u2019analyse d\u2019impact. De nouvelles m\u00e9thodes permettent de mieux mesurer et comprendre les rapports de causalit\u00e9. Les administrations publiques collaborent de plus en plus avec des scientifiques lors de l\u2019\u00e9laboration d\u2019\u00e9tudes topiques, ce qui a acc\u00e9l\u00e9r\u00e9 la diffusion de ces m\u00e9thodes. La combinaison de l\u2019exp\u00e9rience pratique des administrations et de l\u2019expertise m\u00e9thodologique des chercheurs en sciences \u00e9conomiques et sociales s\u2019av\u00e8re particuli\u00e8rement pr\u00e9cieuse.
\n
\nLes analyses d\u2019impact deviennent en outre de moins en moins co\u00fbteuses gr\u00e2ce \u00e0 la disponibilit\u00e9 croissante de gigantesques sources de donn\u00e9es (\u00ab\u00a0big data\u00a0\u00bb). L\u2019administration poss\u00e8de une vaste palette de donn\u00e9es administratives susceptibles d\u2019\u00eatre utilis\u00e9es pour mesurer l\u2019impact de r\u00e9formes et d\u2019interventions. Il n\u2019est d\u00e8s lors plus n\u00e9cessaire de proc\u00e9der \u00e0 des enqu\u00eates on\u00e9reuses, ce qui r\u00e9duit consid\u00e9rablement les co\u00fbts. <\/p>\n

Comment mesure-t-on le \u00ab\u00a0contre-fait\u00a0\u00bb\u00a0?<\/h2>\n


\nDans toute analyse statistique, il est crucial que la m\u00e9thode choisie soit adapt\u00e9e \u00e0 la question analys\u00e9e. Des techniques qui mesurent les rapports de causalit\u00e9 de fa\u00e7on fiable sont ainsi n\u00e9cessaires pour \u00e9tudier l\u2019impact d\u2019une r\u00e9forme ou d\u2019un programme quant \u00e0 certains r\u00e9sultats (\u00ab\u00a0outcomes\u00a0\u00bb). Quel est par exemple l\u2019effet d\u2019une lettre de rappel sur les contribuables\u00a0? Ou quelle est l\u2019incidence des augmentations de salaire du corps professoral sur le nombre de nouveaux enseignants\u00a0?
\n
\nPlusieurs m\u00e9thodes permettent de r\u00e9aliser de telles analyses causales. Toutes ont en commun d\u2019\u00e9tudier les effets d\u2019une r\u00e9forme, d\u2019un programme, d\u2019une intervention ou d\u2019une politique. Le principal d\u00e9fi r\u00e9side dans le fait que l\u2019on ne peut observer dans la r\u00e9alit\u00e9 ce qui se serait produit en l\u2019absence de la r\u00e9forme, du programme, etc. La situation hypoth\u00e9tique qui se serait produite en l\u2019absence de toute intervention est qualifi\u00e9e de \u00ab\u00a0contre-fait\u00a0\u00bb (voir illustration<\/em>). <\/p>\n

Que se serait-il pass\u00e9 en l\u2019absence de toute intervention\u00a0?<\/h3>\n


\n\"\"<\/a>
\n
\nRemarque\u00a0: le graphique illustre le d\u00e9fi principal de l\u2019analyse d\u2019impact, qui consiste \u00e0 mesurer la diff\u00e9rence entre le r\u00e9sultat r\u00e9el (bleu clair) et le \u00ab\u00a0contre-fait\u00a0\u00bb (bleu fonc\u00e9).<\/span>
\n
\nSource\u00a0: J-PAL (2015) \/ La Vie \u00e9conomique<\/span>
\n
\nComme le contre-fait ne peut pas \u00eatre observ\u00e9 directement dans la r\u00e9alit\u00e9, toute analyse d\u2019impact s\u2019efforce \u2013\u00a0explicitement ou implicitement\u00a0\u2013 de l\u2019estimer dans la mesure du possible. Plus l\u2019estimation est pr\u00e9cise, plus la mesure de l\u2019impact sera de qualit\u00e9. On recourt normalement pour cela \u00e0 un groupe de contr\u00f4le ou de r\u00e9f\u00e9rence[1]<\/a>.
\n
\nUn groupe de contr\u00f4le se compose de personnes ou d\u2019entreprises n\u2019ayant pas \u00e9t\u00e9 concern\u00e9es par un programme ou une r\u00e9forme. Pour mesurer l\u2019impact de ces derniers, on compare les r\u00e9sultats du groupe affect\u00e9 avec ceux du groupe de contr\u00f4le. Plus les caract\u00e9ristiques des membres du groupe de contr\u00f4le co\u00efncident avec celles des personnes affect\u00e9es, plus les r\u00e9sultats de l\u2019\u00e9tude d\u2019impact seront fiables. Autrement dit, si les deux groupes \u00e9taient semblables et se comportaient de mani\u00e8re identique avant l\u2019intervention, la diff\u00e9rence des r\u00e9sultats pourrait \u00eatre attribu\u00e9e au programme ou \u00e0 la r\u00e9forme soumis \u00e0 l\u2019\u00e9valuation. <\/p>\n

L\u2019autos\u00e9lection fausse les r\u00e9sultats<\/h2>\n


\nPourquoi est-il si difficile de constituer un bon groupe de r\u00e9f\u00e9rence\u00a0? Les personnes qui participent \u00e0 un programme ou celles affect\u00e9es par telle ou telle politique se distinguent souvent du reste de la population d\u2019une mani\u00e8re qui rend la comparaison difficile. Prenons par exemple une mesure dans le domaine du ch\u00f4mage qui vise \u00e0 am\u00e9liorer les chances dans la recherche d\u2019un emploi. Dans ce cas, on pourrait diviser l\u2019ensemble des ch\u00f4meurs en deux groupes\u00a0: ceux qui d\u00e9cident de prendre part \u00e0 la mesure propos\u00e9e et ceux qui n\u2019y participent pas.
\n
\nS\u2019il s\u2019av\u00e8re ensuite que le premier groupe retrouve plus vite un emploi, il n\u2019est pas clair que cela soit d\u00fb \u00e0 la mesure ou \u00e0 d\u2019autres raisons. Peut-\u00eatre les participants \u00e9taient-ils plus motiv\u00e9s, d\u2019o\u00f9 leur choix de participer\u00a0? Il se peut alors qu\u2019ils aient trouv\u00e9 un emploi du fait de leur plus grande motivation, et non gr\u00e2ce \u00e0 la mesure propos\u00e9e. Cette \u00ab\u00a0autos\u00e9lection\u00a0\u00bb peut donc fausser la comparaison et entra\u00eener des conclusions erron\u00e9es.
\n
\nL\u2019\u00e9tude de terrain al\u00e9atoire constitue sans doute la m\u00e9thode la plus c\u00e9l\u00e8bre pour \u00e9viter de tels effets de s\u00e9lection. Comme dans les \u00e9tudes m\u00e9dicales portant sur de nouveaux m\u00e9dicaments, des individus, des entreprises, des classes d\u2019\u00e9cole ou d\u2019autres groupes sont expos\u00e9s al\u00e9atoirement \u00e0 des conditions diff\u00e9rentes. Si la cohorte des participants est suffisamment importante, l\u2019impact des diff\u00e9rentes conditions peut \u00eatre mesur\u00e9 de fa\u00e7on fiable. On peut ainsi analyser l\u2019effet de diff\u00e9rentes lettres de rappel des autorit\u00e9s fiscales sur la moralit\u00e9 des contribuables, ou encore l\u2019impact de mesures d\u2019int\u00e9gration sur la participation sociale et \u00e9conomique de personnes immigr\u00e9es. Ces \u00e9tudes de terrain al\u00e9atoires doivent \u00eatre planifi\u00e9es soigneusement \u00e0 l\u2019avance pour fonctionner correctement.
\n
\nLa r\u00e9gression sur discontinuit\u00e9 (\u00ab\u00a0regression discontinuity design\u00a0\u00bb) constitue une autre m\u00e9thode fr\u00e9quemment appliqu\u00e9e. Ce proc\u00e9d\u00e9 s\u2019utilise quand la participation \u00e0 un programme ou quand l\u2019impact d\u2019une r\u00e9forme d\u00e9pend d\u2019un seuil d\u2019\u00e9ligibilit\u00e9 pr\u00e9cis\u00e9ment chiffr\u00e9. Prenons un exemple\u00a0: apr\u00e8s le d\u00e9lai de remise des d\u00e9clarations d\u2019imp\u00f4t, une autorit\u00e9 fiscale choisit de soumettre \u00e0 un nouvel examen les contribuables ayant op\u00e9r\u00e9 plus de 15\u00a0% de d\u00e9ductions. Ceux qui en ont d\u00e9clar\u00e9 15,1\u00a0% y sont donc soumis, contrairement \u00e0 ceux qui en ont mentionn\u00e9 14,9\u00a0%.
\n
\nLa r\u00e9gression sur discontinuit\u00e9 permet d\u2019analyser l\u2019impact du nouvel examen fiscal en comparant les contribuables d\u00e9passant tout juste le seuil de 15\u00a0% avec ceux qui ne l\u2019atteignent pas de justesse. De la m\u00eame mani\u00e8re, on pourrait mesurer l\u2019impact d\u2019un dipl\u00f4me universitaire donn\u00e9 si les \u00e9tudiants \u00e9taient admis \u00e0 l\u2019examen d\u2019entr\u00e9e \u00e0 partir d\u2019un certain nombre de points.
\n
\nD\u2019autres m\u00e9thodes pertinentes existent, comme celle des \u00ab\u00a0des diff\u00e9rences de diff\u00e9rences\u00a0\u00bb ou \u00ab\u00a0l\u2019appariement des coefficients de propension\u00a0\u00bb. Dans la premi\u00e8re, on analyse si deux groupes analogues \u00e9voluent de fa\u00e7on diff\u00e9rente apr\u00e8s une r\u00e9forme quand l\u2019un y est soumis et l\u2019autre pas. Dans la seconde, on constitue un groupe de contr\u00f4le \u00ab\u00a0synth\u00e9tique\u00a0\u00bb en combinant divers groupes de r\u00e9f\u00e9rence. On peut l\u2019appliquer par exemple lorsqu\u2019on observe un canton donn\u00e9 et que l\u2019on a besoin d\u2019un groupe de r\u00e9f\u00e9rence, qui pourrait alors se composer d\u2019une combinaison d\u2019autres cantons. <\/p>\n

Le prix Impact de la DDC<\/h2>\n


\nCes m\u00e9thodes causales d\u2019\u00e9valuation se sont rapidement r\u00e9pandues dans le monde. Plusieurs administrations ont cr\u00e9\u00e9 des services internes de conseil[2]<\/a>. De tels efforts sont \u00e9galement en cours en Suisse. Ainsi, la Direction du d\u00e9veloppement et de la coop\u00e9ration (DDC) a introduit un prix Impact qui encourage les organisations non gouvernementales suisses \u00e0 r\u00e9aliser leurs propres analyses d\u2019impact. Elle a en outre mandat\u00e9 une \u00e9tude externe pour examiner jusqu\u2019o\u00f9 les moyens de preuve scientifiques pourraient \u00eatre inclus et renforc\u00e9s \u00e0 la DDC[3]<\/a>.
\n
\nPlusieurs entreprises et organisations internationales r\u00e9alisent elles aussi des analyses d\u2019impact pour fonder leur action sur les meilleures bases possible. Elles peuvent \u00e9galement apprendre beaucoup des \u00e9tudes d\u00e9j\u00e0 existantes dans d\u2019autres pays. Le r\u00e9seau de recherche \u00ab\u00a0Poverty action lab\u00a0\u00bb (J-PAL)<\/a>, qui se concentre sur la lutte contre la pauvret\u00e9 au sens large, met par exemple des centaines d\u2019analyses \u00e0 disposition sur son site Internet. Des organisations sp\u00e9cialis\u00e9es qui aident les autorit\u00e9s et les organisations \u00e0 constituer et \u00e0 exploiter les moyens de preuve ont par ailleurs \u00e9merg\u00e9. Mentionnons par exemple \u00ab\u00a0Evidence action<\/a>\u00a0<\/u>\u00bb au niveau international et \u00ab\u00a0Policy analytics<\/a>\u00a0<\/u>\u00bb en Suisse.
\n
\nLa nouvelle r\u00e9volution empirique constitue donc une chance immense pour le secteur public. Les nouveaux outils permettent aux institutions de fonder leurs d\u00e9cisions sur des bases de plus en plus fiables qui s\u2019appuient sur des \u00e9l\u00e9ments probants. Il faut s\u2019attendre \u00e0 ce que cette tendance se renforce ces prochaines ann\u00e9es, \u00e0 mesure que la disponibilit\u00e9 des donn\u00e9es et l\u2019expertise dans le maniement des nouvelles m\u00e9thodes continueront d\u2019augmenter.<\/p>\n

  1. Voir Pomeranz (2017). [<\/span>]<\/a><\/li>
  2. Voir Pomeranz et Vila-Belda (2019). [<\/span>]<\/a><\/li>
  3. Roquet et al. (2017). [<\/span>]<\/a><\/li><\/ol>","protected":false},"excerpt":{"rendered":"

    Les d\u00e9cisions quotidiennes de l\u2019administration publique influencent l\u2019\u00e9volution \u00e9conomique et sociale d\u2019un pays. Quel est le plus s\u00fbr moyen de lutter contre l\u2019\u00e9vasion fiscale\u00a0? Quelles sont les mesures qui permettent de mieux respecter la r\u00e9glementation\u00a0? Comment les entreprises r\u00e9agissent-elles aux incitations fiscales\u00a0? Quand la pr\u00e9vention des accidents est-elle la plus efficace\u00a0? Mesurer l\u2019impact de […]<\/p>","protected":false},"author":4916,"featured_media":19045,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"om_disable_all_campaigns":false,"ep_exclude_from_search":false,"footnotes":""},"post__type":[81,83],"post_opinion":[],"post_serie":[],"post_content_category":[105],"post_content_subject":[],"acf":{"seco_author":4916,"seco_co_author":null,"author_override":"","seco_author_post_ocupation_year":"","seco_author_post_occupation_de":"Assistenzprofessorin f\u00fcr angewandte \u00d6konomie am Institut f\u00fcr Volkswirtschaftslehre der Universit\u00e4t Z\u00fcrich","seco_author_post_occupation_fr":"Professeure assistante d\u2019\u00e9conomie appliqu\u00e9e, Institut des sciences \u00e9conomiques, universit\u00e9 de Zurich","seco_co_authors_post_ocupation":null,"short_title":"R\u00e9volution empirique dans l\u2019administration","post_lead":"Les analyses d\u2019impact bas\u00e9es sur des donn\u00e9es font partout leur entr\u00e9e dans les administrations publiques. En Suisse, la Direction du d\u00e9veloppement et de la coop\u00e9ration fait \u0153uvre de pionni\u00e8re.","post_hero_image_description":"L\u2019administration dispose d\u2019une \u00e9norme quantit\u00e9 de donn\u00e9es. Les outils num\u00e9riques permettent de faciliter les analyses d\u2019impact.","post_hero_image_description_copyright_de":"Shutterstock","post_hero_image_description_copyright_fr":"Shutterstock","post_references_literature":"