Lors de la dernière réunion de la communauté de pratique sur le genre et la fiscalité (CoPGT), tenue le 10 septembre 2024, la discussion a porté sur les modèles de microsimulation et leur rôle pour nous aider à comprendre les effets de genre des politiques fiscales dans le cadre du système budgétaire plus large. En tant que communauté, nous sommes déterminés à aborder certaines des questions les plus difficiles et des domaines souvent négligés de la recherche sur le genre et la fiscalité, et cette session a été une bonne occasion de faire vivre cet engagement commun.
Il s’agissait d’une discussion collaborative pour explorer ce que ces modèles nous ont appris dans nos travaux sur le genre et la fiscalité. Nous avons partagé des exemples concrets pour illustrer comment nous appliquons (ou pourrions appliquer) ces modèles, quelles sont leurs limites et ce que l’on peut apprendre de leurs applications réelles. Trois membres de la CoPGT, Laura Abramovsky (ODI, IFS et TaxDev), Pia Rattenhuber (UNU-WIDER) et Edoardo Magalini (OCDE), ont présenté un aperçu de ces modèles et des exemples d’application pour structurer la discussion, animée par Caren Grown (Brookings) et Giulia Mascagni (ICTD).
Caren Grown : « Si les modèles de microsimulation doivent servir aux débats politiques, il est important de comprendre les hypothèses, les données et les choix méthodologiques sous-jacents. » Ils peuvent éclairer les ordres de grandeur et les effets, et doivent être considérés comme un outil parmi d’autres dans une boîte à outils plus large. »
Les modèles de microsimulation permettent de simuler l’impact distributif des politiques fiscales et des dépenses publiques sur des individus et des ménages aux caractéristiques différentes, dont le revenu, le genre et l’âge. Ils peuvent par exemple servir à synthétiser la manière dont impôts et prestations influent sur les incitations au travail (formel) par leur effet sur le revenu net. À ce titre, ils peuvent être des outils précieux pour comprendre comment ces politiques affectent différemment hommes et femmes.
Les données révèlent souvent des résultats très différents pour les hommes et les femmes en termes d’heures de travail rémunéré et non rémunéré, de salaires, de revenus, de consommation et d’autres dimensions. Ces différences proviennent-elles des politiques fiscales et sociales ? Ou des différences sous-jacentes expliquent-elles les effets de genre des impôts et prestations ? Quel est le rôle d’autres facteurs, comme les normes sociales de genre ? Il est difficile de démêler ces mécanismes. La plupart des modèles de microsimulation impôts-prestations peuvent apporter une pièce importante du puzzle, en captant souvent l’interaction entre les politiques budgétaires et les différences de genre existantes dans l’activité économique. Des modèles plus sophistiqués et plus gourmands en données peuvent intégrer la manière dont les politiques budgétaires influent sur certaines marges de comportement, comme la décision de travailler et le nombre d’heures. Dans tous les cas, il importe de comprendre les principaux moteurs des inégalités de genre observées et d’identifier le meilleur instrument pour atteindre des objectifs politiques précis.
Laura Abramovsky a ouvert la discussion en présentant les différents types de modèles habituellement utilisés par les chercheurs et les analystes :
Les modèles de microsimulation impôts-prestations sont des modèles partiels. Les effets d’équilibre général sont donc neutralisés. Ils peuvent être fondés sur des microdonnées ou sur des cas hypothétiques. Les modèles statiques fondés sur des données individuelles ou de ménage donnent un instantané de l’incidence d’une politique fiscale ou des effets d’une réforme. En somme, ils montrent comment les revenus des gens changeraient si une politique fiscale était modifiée du jour au lendemain. Ils constituent donc un bon point de départ pour comprendre les effets de premier tour, « le lendemain », d’une réforme, et pour modéliser des changements relativement modestes.
Mais comme Laura l’a souligné, ils ne racontent pas toute l’histoire, ce qui compte aussi pour le genre. Les modèles statiques ne tiennent pas compte des changements de comportement en réponse à une réforme. Par exemple, les données montrent clairement que femmes et hommes réagissent souvent différemment à une réforme de l’impôt sur le revenu, tant sur la décision de travailler que sur le nombre d’heures. Un modèle statique ne captera donc pas la décision d’une femme de travailler moins si sa charge d’impôt sur le revenu augmente du fait d’une réforme.
Les modèles comportementaux vont un pas plus loin en intégrant la manière dont les gens peuvent ajuster leur comportement face aux changements fiscaux, produisant des « effets de second tour ». À l’aide d’un modèle comportemental, une étude sur l’Ouganda, par exemple, suggère que la réforme de l’impôt sur le revenu de 2012 a conduit certains contribuables concernés, mais pas tous, à déclarer des revenus plus faibles. Ces modèles donnent donc une meilleure idée de l’effet à moyen ou long terme d’une réforme. De même, certains travailleurs peuvent décider de quitter le secteur formel si la charge fiscale augmente, une marge de réponse comportementale particulièrement importante dans les pays en développement. L’analyse d’une prestation d’activité hypothétique pour les mères du secteur formel en Équateur aurait un effet positif sur l’emploi formel féminin. En tenant compte de ces réactions comportementales, la mesure réduirait la pauvreté monétaire davantage que si l’on ne considérait que son impact statique. La réponse n’est pas non plus uniforme entre femmes seules et femmes en couple, ce qui contextualise encore l’impact potentiel. Ce sont des enseignements précieux pour les décideurs qui examinent comment une réforme fiscale ou sociale peut affecter différemment hommes, femmes et autres groupes de population, et in fine les recettes fiscales.
Les modèles dynamiques sont des modèles de long terme, qui suivent la manière dont individus et ménages sont affectés par les politiques dans le temps. Ce sont des outils importants pour comprendre les conséquences distributives futures de réformes potentielles. Ils sont aussi complexes et gourmands en données, ce qui pose un défi, surtout dans les pays où les données sont limitées.
Laura Abramovsky : « Les modèles de microsimulation aident à répondre à des questions telles que : qui sont les gagnants et les perdants d’une réforme, y compris par revenu, âge et genre ; et une politique a-t-elle eu l’effet visé, par exemple en termes de réduction de la pauvreté ou de redistribution. Quand on pense fiscalité et genre, il est essentiel de considérer le système d’impôts et de dépenses dans son ensemble. Toute politique fiscale ou de dépense n’a pas à combler les écarts de genre. Dans tous les pays, les femmes sont souvent surreprésentées parmi les pauvres. L’essentiel de l’impact des impôts et prestations tient aux différences de genre dans le revenu, l’emploi, l’entrepreneuriat et les modes de consommation, elles-mêmes médiatisées par des écarts de genre dans un large éventail de droits juridiques, de travail non rémunéré, de protection et de normes sociales plus généralement. Nous devons comprendre les principaux obstacles et les meilleures solutions pour y remédier, et cela suppose souvent de regarder au-delà de la politique fiscale. »
Un sujet majeur de la discussion a été celui des lacunes et de la qualité des données. Comme l’a exposé Pia Rattenhuber, les modèles de microsimulation ne vont que là où les portent des données suffisantes, adaptées et de haute qualité. Données administratives et données d’enquête sont toutes deux essentielles pour construire des modèles précis et pertinents. Mais chacune a ses inconvénients. Les données fiscales administratives des pays en développement ne comportent souvent pas d’information sur le genre. Par nature, elles n’incluent pas les travailleurs informels ; les femmes, en particulier, tendant à exercer un travail informel, les données administratives ne peuvent répondre aux questions dans ce domaine. Si les données d’enquête captent dans une certaine mesure les activités économiques informelles, la qualité des données de revenu est moindre et les hauts revenus tendent à y être sous-représentés. Certaines données d’enquête offrent des informations intéressantes sur les marchés informels, permettant d’approcher la consommation informelle par rapport à la consommation formelle, et donc l’incidence de la TVA sur les ménages.
Pia Rattenhuber : Les modèles de microsimulation ne valent que par les données qui les alimentent. Des données d’enquête et administratives fréquentes et de haute qualité sont essentielles pour produire des enseignements utiles aux politiques. Si les données administratives offrent la meilleure qualité de données de revenu déclarées aux administrations fiscales, elles manquent souvent d’information sur le genre, les revenus hors du filet fiscal et le contexte du ménage. Les données d’enquête offrent en revanche un tissu socioéconomique riche et des informations sur les assiettes de revenu et de consommation, mais ne sont pas collectées assez souvent dans la plupart des pays en développement. Combiner des analyses de microsimulation fondées sur les deux types de données peut surmonter certains de ces inconvénients et constitue un domaine d’innovation important.
Un autre défi soulevé a été la mesure du revenu ou des dépenses au niveau individuel et, faute de données à ce niveau, la modélisation de la répartition des ressources au sein du ménage. Comment tenir compte du fait que les ressources ne sont pas toujours partagées également au sein des ménages ? Les femmes peuvent avoir un accès moindre au revenu du ménage, mais de nombreux modèles estiment les effets distributifs au niveau du ménage et supposent encore une répartition égale, ce qui signifie que nous sous-estimons probablement les véritables disparités de genre dans nos analyses. Ce problème de données doit être résolu collectivement.
Les modèles Commitment to Equity (CEQ) « engendrés » de la Banque mondiale produisent une analyse statique de l’incidence budgétaire, examinant l’impact distributif combiné des politiques d’impôts et de dépenses pour différents ménages selon leurs caractéristiques de genre, sans toutefois intégrer les changements de comportement des femmes et des hommes face aux changements de politique. Ces modèles ont été présentés dans notre discussion comme un autre outil pour comprendre l’incidence de genre des politiques fiscales compte tenu des schémas observés de revenu et de consommation, dans le cadre du système budgétaire plus large.
Edoardo Magalini (OCDE) a mené la discussion sur les seconds apporteurs de revenu et sur la manière dont les règles d’imposition du revenu au niveau du ménage pèsent souvent de manière disproportionnée sur les femmes. À l’aide du modèle Les impôts sur les salaires de l’OCDE, il a montré comment la plupart des pays de l’OCDE adoptent des règles fiscales qui entraînent des charges fiscales effectives plus élevées pour les seconds apporteurs, ce qui dissuade les femmes d’entrer ou de rester sur le marché du travail. Il a expliqué que la déclaration commune et les règles d’imposition au niveau du ménage, dans des pays comme l’Allemagne, font peser une charge fiscale plus lourde sur les seconds apporteurs, créant une désincitation au travail pour les femmes. Il a toutefois aussi souligné que l’analyse menée avec le modèle Les impôts sur les salaires ne porte que sur une dimension d’un défi très complexe, et que d’autres perspectives sur l’équité fiscale et les inégalités de genre doivent être prises en compte avant de formuler des recommandations claires.
Edoardo Magalini : Si la méthodologie stricte des Impôts sur les salaires garantit la validité interne des résultats, la validité externe doit toujours être évaluée avec soin. Les modèles de simulation statiques n’apportent des enseignements intéressants que s’ils sont contextualisés et leurs limites reconnues. Dans les pays de l’OCDE, en 2023, les seconds apporteurs supportent généralement une charge fiscale effective plus élevée qu’un travailleur célibataire comparable au même niveau de salaire. Les seconds apporteurs ne subissent aucune désincitation fiscale au travail uniquement dans les pays où l’individu est l’unité d’imposition et où il n’existe pas d’allégements au niveau du ménage.
Les discussions de la CoP ont souligné la valeur des modèles de microsimulation pour analyser comment les systèmes fiscaux peuvent affecter différemment les femmes et les hommes. Il importe de garder à l’esprit les réserves : la plupart des modèles sont statiques, fondés sur des données imparfaites, et traditionnellement aveugles à d’importants moteurs sous-jacents des inégalités entre hommes et femmes, comme le travail non rémunéré et les normes sociales. Ces moteurs peuvent interagir avec les systèmes fiscaux, mais se modifient probablement mieux par d’autres leviers. Des données issues d’autres méthodologies appropriées sont les mieux placées pour éclairer les politiques en la matière, en complément des analyses de microsimulation.
Dans l’ensemble, toutefois, les modèles de microsimulation peuvent apporter des enseignements essentiels sur la manière dont la politique fiscale et ses réformes peuvent affecter différemment femmes et hommes, fournissant aux décideurs des données clés pour concevoir les politiques fiscales. À mesure qu’ils évoluent, ils peuvent enrichir la base de recherche qui permet un débat fructueux sur ce que devraient être des réformes fiscales à la fois inclusives et équitables pour les hommes et les femmes.
