L’analyse de l’impact de transferts sociaux et fiscaux est un champ important de l’évaluation des politiques publiques. Si de nombreuses études évaluent l’effet d’un transfert particulier, il est difficile d’avoir une vision globale du système socio-fiscal et de ses répercussions sur les niveaux de vie. En effet, la législation des prélèvements et des prestations sociales en France est complexe (fondée sur de nombreux codes : le code général des impôts, de l’action sociale et des familles, ou de la sécurité sociale), et les interactions entre transferts socio-fiscaux, nombreux. Les modèles de microsimulation permettent d’identifier les effets de ces différents dispositifs sur les revenus des individus et de leur famille, en tenant compte de leurs caractéristiques spécifiques. Ces modèles restituent une analyse globale des transferts en fonction des configurations familiales, du niveau de vie des ménages ou encore du statut d’activité des individus. Ils permettent également de prendre en compte toutes les interactions qui existent entre les dispositifs. Les modèles de microsimulation ont ainsi acquis « une place centrale, mais un peu méconnue, dans le domaine de l’analyse des politiques sociales et fiscales » (Legendre, 2019).

Cet article présente le modèle de microsimulation Ines (encadré 1). De la famille des modèles de microsimulation statiques (Voir l’article de Didier Blanchet pour une discussion générale sur les modèles de microsimulation), Ines simule les principaux prélèvements et prestations en France. Il permet de réaliser des études approfondies afin d’éclairer le débat dans les domaines de la redistribution monétaire, la fiscalité ou la protection sociale.

Les modèles de microsimulation « statiques » simulent pour chaque personne les prélèvements qu’elle paye et les prestations qu’elle reçoit à partir des barèmes de la législation, ce qui permet d’en déduire son revenu disponible. Pour ce faire, ils s’appuient sur des données réelles (âge, composition familiale, revenus, statut d’activité des individus, etc.). Il est possible de faire varier les barèmes et d’étudier l’effet de ces variations sur le revenu disponible des ménages ou sur les finances publiques, et donc in fine d’apporter des éclairages utiles sur les effets de ces politiques publiques.

Ces modèles permettent ainsi d’évaluer l’effet d’une variation des barèmes de certains prélèvements ou prestations sociales sur le niveau de vie des personnes concernées, de repérer les gagnants et les perdants des réformes, ou encore de mesurer l’effet des réformes sur le taux de pauvreté, les inégalités de niveaux de vie, et les finances publiques. Pour cela, on compare deux situations : celle dans laquelle les barèmes ont été modifiés, par rapport à celle « contrefactuelle », généralement la législation actuellement appliquée. Ces modèles sont dits statiques, car ils tiennent compte de l’effet mécanique de la modification du barème, mais pas des effets de comportement pouvant découler des réformes (modification de l’offre de travail, par exemple) et des effets de bouclages macroéconomiques (via une variation de la consommation, puis du PIB et de l’emploi par exemple).

C’est dans ce but que le modèle Ines a vu le jour en 1995. Développé par l’Insee (David et alii, 1999), il est ensuite rejoint par la Drees au début des années deux-mille et la Cnaf en 2016 (encadré 1). Dès le début de son histoire, le modèle Ines a été utilisé comme outil d’aide à la décision pour calibrer les grandes réformes sur la fiscalité et la redistribution. Ainsi, le modèle a été utilisé pour chiffrer la mise en place de la prime pour l’emploi, nouveau crédit d’impôt, en 2001, la construction et la mise en place du revenu de solidarité active (RSA) en 2009 ((Ouvrir dans un nouvel ongletBessis et Cotton, 2019) détaillent le rôle des modèles de microsimulation Ines, Saphir (Direction Générale du Trésor) et Myriade (Cnaf) dans la création du RSA), de la Prestation d’accueil du jeune enfant en 2014 (Paje), et de la prime d’activité en 2016. En 2019, il a servi à calibrer les mesures de réponse à l’urgence sociale suite au mouvement des gilets jaunes et permet d’alimenter les travaux autour du revenu universel d’activité (RUA).

Contrairement aux maquettes de cas types qui simulent la législation pour un individu fictif, les modèles de microsimulation se basent sur l’observation de situations réelles, et sont donc très liés aux données utilisées. Depuis 2006, le modèle Ines utilise principalement les données de l’enquête Revenus fiscaux et sociaux (ERFS) (encadré 2). Cette source contient des centaines d’informations détaillées sur les revenus, l’emploi ou la situation familiale pour un échantillon de plus de 50 000 ménages et 130 000 individus. L’ERFS est la source privilégiée par l’Insee pour l’analyse des niveaux de vie. Cette richesse d’information permet de pouvoir simuler finement les prestations, cotisations et contributions sociales qui dépendent de nombreuses variables, pas toujours présentes dans les seules sources fiscales : contour de la famille, historique de la situation sur le marché du travail, nombre d’heures travaillées, type d’emploi et d’entreprise, loyers, lieu d’habitation, situation de handicap, etc.

L’échantillon de l’ERFS est représentatif de la population française vivant en logement ordinaire et en France métropolitaine (encadré 2). Cela permet de produire des analyses en répartissant la population en dix groupes de taille égale selon leur niveau de vie (des 10 % les plus modestes aux 10 % les plus aisés), ou selon le statut d’activité ou la configuration familiale. Certains résultats peuvent être donnés à des niveaux plus fins, en divisant la population en 20 par exemple, afin d’estimer l’effet de certaines mesures spécifiques qui touchent surtout les plus aisés, comme la transformation de l’impôt de solidarité sur la fortune (ISF) en impôt sur la fortune immobilière (IFI) (Paquier et alii, 2019). Mais l’effet estimé aux extrémités est moins robuste que ceux estimés par dixième et la taille de l’échantillon ne permet pas de détailler davantage, par centième par exemple, contrairement aux sources exhaustives.

Notons enfin que les données portant sur les revenus de l’année N ne sont disponibles qu’en N+2 : pour les besoins du modèle (simulation de la législation de l’année N+2), cela nécessite de « vieillir » les données de l’ERFS (voir infra).

Pour chaque personne, foyer ou ménage, en fonction du niveau d’analyse requis, le modèle Ines mobilise les données de l’ERFS et leur applique l’ensemble des règles de la législation.

Il est par exemple ainsi possible d’identifier les ménages éligibles à la prime d’activité, en utilisant la composition familiale (nombre d’enfants à charge, couple ou famille monoparentale), la situation mensuelle des personnes par rapport à l’emploi reconstitué à partir d’un « calendrier d’activité » et les revenus du ménage. En mobilisant toutes ces informations pour chaque ménage potentiel, le modèle permet de simuler un droit à la prestation qui est intégré ensuite au revenu disponible de ce ménage, en prenant en compte la possibilité d’un non recours à la prestation, c’est-à-dire que les personnes ne demandent pas celle-ci bien qu’ils en aient le droit.

Les revenus sont cruciaux pour simuler les différents transferts. Les revenus utilisés en entrée du modèle et qui demeurent constants en cas de modification du montant des différents transferts reçus ou payés sont les revenus nets déclarés dans la déclaration fiscale (on parle de point fixe du modèle). À partir de ces revenus déclarés, le modèle Ines permet de simuler la plupart des transferts fiscaux et sociaux comme l’illustre la figure 1. Sont simulées les cotisations et contributions sociales, qu’elles soient à la charge de l’employeur, du salarié ou de l’indépendant. De même l’ensemble des autres prélèvements et subventions assis sur la masse salariale sont simulés, comme le crédit d’impôt compétitivité-emploi (CICE) ou la taxe sur les salaires ou les transports. Pour l’impôt direct le modèle simule l’impôt sur le revenu, l’ensemble des crédits d’impôt et les prélèvements forfaitaires. Récemment le développement d’un module sur le patrimoine des ménages (Paquier et alii, 2019) a permis la simulation de l’impôt de solidarité sur la fortune (ISF) et de l’impôt sur la fortune immobilière (IFI). Enfin le module de taxation indirecte (Ouvrir dans un nouvel ongletAndré et alii, 2016) permet d’ajouter à l’analyse des prélèvements tels que la taxe intérieure de consommation sur les produits énergétiques (TICPE) ou les taxes sur le tabac.

Du côté des prestations versées aux ménages, le modèle permet de simuler les prestations familiales avec ou sans condition de ressources, les aides personnelles au logement, les minima sociaux, la prime d’activité et la garantie jeune. Pour certaines de ces prestations comme la prime d’activité, du non recours est pris en compte. Enfin certains transferts en nature peuvent aussi être simulés, pour une analyse d’un revenu disponible « élargi » (figure 1).

Le plus souvent, ces transferts sont simulés selon la législation de l’année antérieure, mais ils peuvent également être simulés selon une autre législation (voir infra).

Figure 1. Les différents concepts de revenu et les dispositifs socio-fiscaux simulés avec Ines

Le modèle Ines simule ces transferts socio-fiscaux grâce à un enchaînement de plus de 100 programmes informatiques. Pour ce faire, il prend en entrée une version de l’ERFS qui est d’abord retravaillée dans la partie « amont » du modèle, puis utilisée dans la partie « aval » pour simuler les différents transferts du système socio-fiscal d’une année de législation donnée, à partir des barèmes législatifs. L’« amont » permet de garantir que le format des données sera exploitable par le reste du modèle. L’« aval » contient l’ensemble des programmes simulant la législation. Dans cette partie, on applique les paramètres de la législation (et éventuel non recours) aux données sorties de la partie amont. C’est à cette opération que nous faisons référence quand nous parlons de « simulation ». Elle se distingue des « imputations » présentes dans l’amont, qui ont vocation à ajouter ou à se caler sur des données externes.

En sortie, le modèle permet d’obtenir les masses financières et les effectifs des bénéficiaires ou personnes assujetties aux différents transferts, le revenu disponible et le niveau de vie des ménages, ainsi que différents indicateurs usuels d’inégalité et de pauvreté (figure 2). Le fait que les transferts soient simulés permet de comparer l’ensemble des résultats du modèle dans différentes situations en fonction de changements législatifs et d’analyser les effets redistributifs.

Pour tourner, le modèle a besoin de deux paramètres importants : l’année de référence (l’année de l’ERFS en entrée) et l’année de législation que l’on souhaite simuler. Dans son utilisation courante ce couple est généralement composé de la dernière version de l’ERFS disponible (année N) et de l’année de législation correspondant à deux ans après (année N+2).

Quelle que soit l’année de législation choisie, les données de l’ERFS, sont « vieillies » de deux ans dans la partie amont du modèle, afin de représenter au mieux la population des années N+1 et N+2. Pour cela, le modèle prend en compte une multitude d’évolutions socio-démographiques (pyramide des âges, les catégories socio-professionnelles, etc.) ou économiques (inflation, évolution des salaires, etc.) entre l’année de référence et deux ans plus tard.

Concrètement, ce vieillissement se fait en deux étapes, une étape de calage en modifiant les poids de chaque ménage dans l’ERFS et une étape de dérive des revenus :

Figure 2. Données et paramètres, ce qui alimente le modèle Ines

Le modèle est mis à jour chaque année entre février et octobre afin de simuler la législation de l’année précédente (figure 3). En 2020, le modèle évolue ainsi pour intégrer la législation 2019. Cette mise à jour consiste d’une part à actualiser l’ensemble des paramètres des différents barèmes législatifs. Par exemple, on met à jour en 2020 le montant forfaitaire de l’allocation adulte handicapé, qui est passé de 860 euros à 900 euros en novembre 2019. Elle implique d’autre part un travail de codage des nouveaux dispositifs sociaux et fiscaux, qui peut s’avérer conséquent quand des réformes d’ampleur voient le jour.

En plus de ces mises à jour annuelles, le modèle est modifié en continu pour être amélioré ou corrigé. Des modules complémentaires sont en outre régulièrement créés. Facultatifs dans l’exécution du modèle, ils permettent d’étendre le champ des mesures couvert et d’étoffer les sorties, avec notamment l’analyse des taxes indirectes (principalement TVA et les droits d’accise sur le tabac et l’alcool) et des prélèvements sur le patrimoine (impôt sur la fortune, ISF, et impôt sur la fortune immobilière, IFI).

Figure 3. Calendrier de l'ERFS et de la mise à jour d'Ines

Dans son utilisation la plus courante, le modèle ne prend en compte aucun effet de comportement dans l’évaluation des réformes socio-fiscales, il est purement statique.

Or, des réactions comportementales peuvent résulter des réformes mises en œuvre sur les transferts simulés : par exemple, une baisse de la consommation de tabac suite à la hausse de la fiscalité, une hausse des dividendes versés suite à la mise en place du prélèvement forfaitaire unique (PFU) en 2018 ou encore une modification de l’offre de travail suite aux réformes de la prime d’activité.

Les effets de bouclages macro-économiques ne sont pas non plus traités, comme l’impact positif d’une hausse des revenus sur la consommation, le PIB et en retour sur l’emploi et les revenus. Introduire ces incidences nécessite en effet de faire de nombreuses hypothèses, en s’appuyant sur des travaux souvent divergents, si sérieux soient-ils. L’analyse statique est moins contestable et ainsi l’absence de prise en compte d’effets de comportement est « quasi systématique par la plupart des gouvernements et des institutions indépendantes chargées de réaliser des chiffrages de mesures économiques » (Ouvrir dans un nouvel ongletBach et alii, 2020).

Il faut ainsi bien avoir en tête que les effets mesurés sont en général des effets de court terme, ne prenant pas en compte les effets dynamiques. Certaines études ont toutefois estimé des élasticités comportementales à partir du modèle Ines (Ouvrir dans un nouvel ongletFugazza et alii, 2003 ; Ouvrir dans un nouvel ongletLehmann et alii, 2013 ; Sicsic, 2019). L’évaluation de la mise en place de la prime pour l’emploi en 2001 a ainsi été réalisée en prenant en compte des effets sur l’offre de travail (Ouvrir dans un nouvel ongletFugazza et alii, 2003). Des travaux actuels mesurent l’impact du PFU et de la réforme de l’ISF en 2018 en intégrant des effets induits par ces dispositifs sur les montants du patrimoine et les dividendes.

Ines est le premier modèle de microsimulation sur données représentatives à être entré dans l’ère du libre : depuis 2016 le code source du modèle et sa documentation sont publiques, et disponibles en ligne sur le site de l’Adullact (Association des développeurs et utilisateurs de logiciels libres pour les administrations et les collectivités territoriales) (voir Ouvrir dans un nouvel onglethttps://adullact.net/projects/ines-libre).

L’accès aux données de l’ERFS demeure fortement contrôlé du fait des données fiscales présentes. Mais toute personne ayant ce droit d’accès peut désormais utiliser le modèle pour réaliser des études ou évaluer des réformes. Cette ouverture donne au modèle « une position centrale illustrée par exemple par son utilisation par l’OFCE » (Legendre, 2019). L’OFCE fait en effet partie des tout premiers utilisateurs du modèle et saluait en 2017 cette mise à disposition comme une « révolution silencieuse dans la statistique publique » (Ouvrir dans un nouvel ongletMadec et Timbeau, 2017).

La richesse de la documentation est fondamentale : tant l’équipe de développement que les utilisateurs « libres » doivent pouvoir comprendre le modèle et connaître la qualité de ses résultats en fonction des dispositifs étudiés.

À la fin de la période de mise à jour, l’équipe de développement produit une note de validation de la version stabilisée du modèle. Cette version est aussi appelée modèle « figé » de l’année de législation qui vient d’être intégrée. Grâce à cette version « figée », ou tag dans le vocabulaire des outils de gestion des versions, l’évolution constante du modèle ne perturbe pas la reproductibilité des résultats. Ceci est particulièrement utile car les chiffrages doivent pouvoir être reproduits avec une certaine constance d’une semaine sur l’autre, voire d’une année sur l’autre.

La note annuelle de validation permet de faire un état des lieux des forces et faiblesses du modèle : en particulier, elle compare les sorties du modèle avec des effectifs de bénéficiaires de prestations et des masses versées ou payées, issues de sources externes et appelées « cibles externe » ; ces dernières sont corrigées pour se ramener à un champ équivalent à celui de l’ERFS.

Les résultats des simulations ne sont en effet pas « calés » sur des sources externes, ce qui permet de juger leur qualité. On montre ainsi que les simulations de l’impôt sur le revenu, des allocations familiales, des allocations logement ou de la prime d’activité sont très proches des cibles, tandis que les simulations de l’allocation aux adultes handicapés (AAH) ou des prestations pour les jeunes enfants (CMG, PrePare, AEEH) sont de moins bonne qualité. Dans la plupart des cas, lorsque les dispositifs sont simulés avec une moindre précision, c’est parce qu’ils s’adressent à un public très spécifique que les données ne permettent pas d’identifier parfaitement bien. C’est notamment le cas de l’allocation aux adultes handicapés.

Une documentation plus générale du modèle peut être trouvée par les utilisateurs inscrits sur le site de l’Adullact dans un « wiki » spécifique au modèle Ines. De plus, chaque développement de nouveau module ou de nouveaux transferts simulés dans Ines donne lieu à des documents de travail documentant la méthode et les résultats de ces ajouts (Cela a notamment été le cas pour la simulation de la CMU-C et des chèques ACS (Sireyjol, 2016), des prélèvements indirects (Ouvrir dans un nouvel ongletAndré et alii, 2016), de l’ISF et de l’IFI (Paquier et alii, 2019)).

Depuis le milieu des années quatre-vingt-dix, l’agrandissement de l’équipe Ines et l’enrichissement progressif du modèle par l’ajout de nouveaux modules pouvant étoffer les simulations, ont permis une diversification des utilisations et des publications liées à celui-ci. On détaille par la suite cinq utilisations importantes du modèle Ines. Les trois premières se concentrent sur une analyse du système socio-fiscal tel qu’il existe ou de l’effet de réformes qui ont eu lieu (analyse ex post), alors que les deux suivantes servent à étudier les effets de pistes de réformes ou de réformes fictives (analyse ex ante). On présente également deux exemples d’études plus ponctuelles dans l’encadré 3.

Un des principaux objectifs du modèle Ines est de décrire la redistribution opérée par le système socio-fiscal. Depuis les années deux-mille, une photographie annuelle de la redistribution est publiée dans l’ouvrage « France, portrait social » de l’Insee. Les montants des différents transferts par décile de niveau de vie y sont indiqués, ainsi que le revenu disponible avant et après redistribution, ce qui permet de chiffrer la baisse des inégalités due au système socio-fiscal. Ainsi, en 2018, les 10 % de personnes les plus pauvres disposent d’un niveau de vie moyen avant redistribution de 3 290 euros par an, contre 73 130 euros pour les 10 % les plus aisées, soit 22,2 fois plus (Insee, 2019). Après redistribution, ce rapport est réduit à 5,6.

Ce bilan redistributif permet de chiffrer également la contribution de chaque transfert à la réduction des inégalités (Voir (André et alii, 2015) pour la méthode de décomposition). On montre ainsi que, si les prestations sociales représentent des transferts monétaires deux fois moins importants que les prélèvements, elles contribuent en 2018 pour 63 % à la réduction des inégalités du fait de leur ciblage vers les plus modestes, contre 37 % pour les prélèvements.

L’avantage d’un modèle de microsimulation est triple pour l’analyse de la redistribution, il permet de :

     (i) faire des bilans redistributifs sur longue période comme cela a été le cas par le passé
     avec le modèle Ines : voir (Murat et alii, 2001) sur la période 1990-1998, (Amar et alii, 2007)
     sur la période 1996-2006, et (Eidelman et alii, 2013) sur la période 1990-2010 ;

     (ii) prendre en compte les transferts non présents dans les données de l’ERFS :
     par exemple les cotisations sociales non contributives dans l’analyse habituelle
     (Contrairement à d’autres publications (Ouvrir dans un nouvel ongletGuillaud et alii, 2019),
     seuls les transferts socio-fiscaux non contributifs sont pris en compte dans l’analyse
     de la redistribution), l’impôt sur la fortune immobilière, voir un champ élargi
     de la redistribution à l’assurance maladie ou l’éducation dans certaines publications
     (Amar et alii, 2008) ;

     (iii) donner des résultats plus récents que les données ERFS reposant sur des années
     antérieures.

L’application précédente permet d’avoir un panorama centré sur le champ des transferts sociaux-fiscaux pertinents pour l’analyse de la redistribution. On peut aussi souhaiter analyser l’effet de l’ensemble des changements législatifs et réglementaires sur le niveau de vie des ménages et sur divers indicateurs d’inégalité.

Pour cela, chaque année depuis 2014, l’Insee et la Drees publient un bilan redistributif et budgétaire des nouvelles mesures sociales et fiscales entrées en vigueur l’année précédente dans l’ouvrage « France, portrait social ». Le bilan intègre dans la même analyse des mesures mises en œuvre l’année précédant la publication (par exemple sur l’année 2018 pour l’édition 2019 de l’ouvrage ; (Biotteau et alii, 2019)) relevant des lois de finances et de financement de la Sécurité sociale, initiales et rectificatives, ainsi que de décrets et des accords nationaux interprofessionnels.

Le principe de cette évaluation est de comparer le revenu disponible obtenu avec la nouvelle législation par rapport à une législation dite « contrefactuelle » si aucune modification législative n’était intervenue dans l’année. La différence entre la situation effective et la situation contrefactuelle correspond uniquement à l’effet des réformes, indépendamment des évolutions conjoncturelles qui ont eu lieu dans le même temps et des effets des réformes décidées précédemment. La comparaison permet d’identifier les ménages dont le niveau de vie augmente ou diminue du fait des réformes et de les décrire en fonction de leur position dans l’échelle des niveaux de vie ou du statut d’activité. Elle permet également de mesurer l’effet de chaque mesure sur les finances publiques.

Les mesures prises en compte sont les modifications directes du mode de calcul des transferts permettant de passer d’un revenu « brut » au revenu disponible. Dans certaines analyses les taxes indirectes sont prises en compte.

L’Insee publie à partir de l’ERFS le taux de pauvreté et les principaux indicateurs d’inégalités de niveau de vie relatifs à l’année N en septembre de l’année N+2. Pour évaluer plus rapidement l’efficacité des politiques publiques de lutte contre la pauvreté et les inégalités, l’Insee met en œuvre grâce à une méthode fondée sur Ines, appelée nowcasting, afin de produire à l’automne N+1 des indicateurs avancés sur l’année N (figure 3).

Ainsi, le taux de pauvreté 2018 a été estimé en octobre 2019 (Cornuet et Sicsic, 2019). L’exercice est plus global que le précédent, il prend non seulement en compte les réformes mises en œuvre mais aussi l’évolution de la conjoncture, les revalorisations habituelles ou encore l’effet des anciennes réformes. Cette méthode est également utilisée par Eurostat pour réaliser des publications avancées des indicateurs d’inégalités ou par des universitaires (Ouvrir dans un nouvel ongletGasior et Rastrigina, 2017).

Pour faire cet exercice, l’ERFS d’une année N est mobilisée une première fois pour simuler l’année N, et une seconde fois pour simuler l’année N+1 (législation et évolution des différents types de revenus entre N et N+1) (L’évaluation décalée est de bonne qualité car à l’automne N+2, la grande majorité des données de cadrage sont disponibles pour N+1. Voir (Fontaine et Fourcot, 2015) pour plus de détails sur la méthode). L’évolution des indicateurs entre N et N+1 qui est publiée s’appuie donc sur l’utilisation d’un seul millésime de l’ERFS. Ce faisant, la méthode gagne en robustesse, car elle permet de s’affranchir des aléas d’échantillonnage d’une ERFS à l’autre. C’est la cinquième année que l’Insee publie cet exercice d’estimation avancée et les résultats ont toujours été très proches des résultats définitifs publiés un an après (Fontaine et Sicsic, 2015).

Comme indiqué par (Legendre, 2019), un des outputs importants des modèles de microsimulation est de pouvoir simuler des réformes socio-fiscales fictives.

Depuis 2018, l’Insee met à disposition, pour la première fois en France, un cahier de variantes de réformes de prestations et prélèvements élaboré à partir du modèle Ines. Il simule l’effet d’une hausse et d’une baisse fictives de 1 %, 3 % et 5 % des principaux transferts sur les niveaux de vie des ménages par décile, les inégalités, les finances publiques, les bénéficiaires des transferts (voir (Fontaine et Sicsic, 2018) pour la méthodologie). Cela montre par exemple qu’une hausse de 5 % du montant forfaitaire du RSA diminuerait le taux de pauvreté de 0,1 point et l’intensité de la pauvreté de 0,7 point et coûterait 850 millions d’euros aux finances publiques. Ce cahier prend la forme d’une publication et d’un fichier présentant toutes les variantes (Cornuet et Sicsic, 2019).

La nature de l’exercice est différente du bilan annuel des effets des réformes socio-fiscales : les effets sont calculés à partir de mesures fictives, définies de façon théorique, et non sur des mesures réellement entrées en vigueur, mais les résultats des deux exercices sont cohérents.

Le modèle Ines est régulièrement mobilisé à la demande des administrations et des organismes en charge du suivi et de l’évaluation des politiques publiques (Parlement, Haut Conseil de la famille, de l’enfance et de l’âge, Cour des Comptes, comité d’évaluation de la fiscalité du capital, groupe d’experts sur le SMIC, etc.) : la simulation apporte des éclairages ex ante sur les effets des réformes des prélèvements et des prestations, c’est-à-dire avant de décider de la mise en œuvre. Cette utilisation répond à l’un des objectifs principaux du modèle Ines depuis sa création, et continue chaque année de représenter une part importante du travail produit par les équipes de développement, notamment à la Drees.

Récemment le modèle a été fortement mobilisé pour répondre à l’urgence sociale du mouvement des gilets jaunes. En décembre 2018, la Drees a ainsi été amenée à simuler plusieurs pistes de réforme permettant de cibler l’aide annoncée par le Président de la République (100 € mensuels) sur le public visé (les salariés au niveau du Smic). Ces travaux ont contribué à l’arbitrage en faveur d’une augmentation du bonus individuel de la prime d’activité. Les équipes ont à nouveau été sollicitées au moment de l’évaluation de cette réforme par l’Assemblée Nationale à l’été 2019.

Ines est aussi utilisé depuis près de trois ans pour apporter des éclairages techniques sur les conséquences d’une fusion de certaines prestations et minima sociaux. Ce projet de revenu universel d’activité (RUA) est encore à l’étude au moment de l’écriture de cet article.

Ces travaux nécessitent de simuler très précisément les transferts faisant l’objet de la réforme et participent donc à l’amélioration du modèle. Ils sont généralement publiés sous forme de notes annexées à des rapports publics..

Une grande force du modèle Ines est l’expérience accumulée depuis sa création il y a plus de 20 ans. Le modèle a servi à l’élaboration ou la modification de nombreux transferts socio-fiscaux affectant le niveau de vie des ménages et a pour cela fait l’objet d’améliorations constantes pour simuler le plus précisément ces transferts. Les utilisations du modèle se sont diversifiées au fur et à mesure des années et le modèle est utilisé aujourd’hui, au-delà l’analyse traditionnelle de la redistribution, pour fournir des estimations avancées des indicateurs d’inégalités, évaluer les réformes passées, ou encore apporter des éclairages sur celles qui sont en projet ou qui pourraient avoir lieu. Ces applications sont également l’occasion d’étoffer et d’améliorer le modèle.

Fort de cette expérience, le modèle Ines s’appuie sur une documentation importante, gage de sa fiabilité. Un des atouts d’Ines, qui assure la précision des simulations, est lié aux données utilisées, en particulier les informations très riches de l’enquête Emploi. C’est toutefois aussi une de ses limites, car la taille des échantillons d’enquête sur lesquels se fonde le modèle est réduite et ne permet pas de donner des résultats pour des petites sous-populations. Les nouvelles bases de données administratives exhaustives qui sont en train d’être mises à disposition de la Statistique publique seraient une source d’amélioration à terme sur ce point. Ces données, notamment celles de la DSN qui sont mensuelles, pourraient également améliorer la connaissance des trajectoires et revenus infra-annuels. Cela pourrait permettre de gagner en précision pour la simulation de certains transferts pour lesquels une connaissance des trajectoires de revenus est essentielle, dans un contexte où le système socio-fiscal évolue pour prendre en compte les ressources de façon plus « contemporaine ». Une modification de la méthode de vieillissement, moins adaptée lors de crises économiques de grande ampleur comme celle provoquée par le Covid-19, pourrait également être une piste d’évolution du modèle. De quoi prédire encore un long avenir au modèle Ines !