Comment la nouvelle base de données Global Repository of Income Dynamics met en lumière les inégalités de revenus et la mobilité économique

""

Les économistes savent depuis longtemps qu’une compréhension rigoureuse des inégalités n’est possible qu’avec des données de haute qualité. À cette fin, l’évolution des modèles économiques depuis les années 1970 a contribué à faire progresser notre compréhension de la répartition des revenus, ainsi que de la dynamique des revenus ou de la façon dont le revenu d’un individu évolue dans le temps. Néanmoins, d’importantes lacunes subsistent dans la littérature de recherche, notamment en ce qui concerne les sous-populations et la dynamique des revenus dans le temps.

Le référentiel mondial de la dynamique des revenus, ou GRID, une nouvelle base de données transnationale en libre accès qui contient un large éventail de microstatistiques sur les inégalités de revenus, la dynamique des revenus et la mobilité, aide à combler ces lacunes en matière de recherche. Dans un récent document de travail publié par Equitable Growth, les responsables du projet GRID – Fatih Guvenen de l’Université du Minnesota, Luigi Pistaferri de l’Université de Stanford et Giovanni L. Violante de l’Université de Princeton – présentent GRID dans le cadre d’un récent numéro spécial de Économie quantitative et présentent certaines tendances de haut niveau en matière d’inégalité mondiale des revenus et de dynamique des revenus à partir des statistiques GRID. Ces tendances ne font qu’effleurer la surface, dans la mesure où la base de données fournit des centaines de milliers de statistiques sommaires pour un large éventail de dynamiques de revenu.

Les auteurs notent qu’il y a quatre caractéristiques principales de GRID : il est longitudinal, administratif, granulaire et harmonisé. Prises dans leur ensemble, ces caractéristiques constituent un ensemble de données unique qui permet aux chercheurs de faire des comparaisons entre pays plus efficacement et fournit des microdonnées administratives riches qui seraient autrement extrêmement coûteuses ou impossibles à collecter et à analyser. Les quatre caractéristiques offrent également leurs propres avantages spécifiques.

Premièrement, le fait que GRID soit longitudinal signifie que les chercheurs peuvent étudier la dynamique du revenu d’un individu au fil du temps, plutôt que des instantanés statiques des distributions, comme c’est le cas avec les mesures transversales des inégalités. Les statistiques longitudinales sont cruciales pour les analyses de bien-être et la conception des programmes d’assurance sociale. Par exemple, les auteurs citent un inconvénient courant d’un instantané transversal : l’incapacité de tirer des conclusions sur le bien-être à partir d’un taux de pauvreté constant. Un taux de pauvreté constant de 10 % sur deux années consécutives est compatible avec 10 % de la population en situation de pauvreté permanente ou avec 10 % de risque pour l’ensemble de la population de tomber chaque année dans la pauvreté. Avec des données transversales, les deux cas sont indiscernables, alors qu’avec des données longitudinales, on peut suivre la fortune des personnes au fil du temps.

Deuxièmement, les données administratives du GRID présentent des avantages par rapport aux données d’enquête pour la recherche sur l’inégalité des revenus et la dynamique des revenus. Étant donné que les données administratives américaines sont collectées à partir des dossiers de la sécurité sociale ou de programmes de revenu de retraite similaires dans d’autres pays, ainsi qu’à partir des dossiers fiscaux généraux, les inconvénients courants des données d’enquête sont évités, tels que l’attrition de l’échantillon, la taille réduite des échantillons et les erreurs de mesure. Certes, les auteurs notent que les données administratives ont leurs propres inconvénients, comme les cas où le secteur informel est important dans certains pays. Néanmoins, les auteurs notent également que dans ces cas, les données d’enquête peuvent être utilisées pour compléter les analyses, comme l’ont fait l’économiste Daniela Puggioni de la Banque du Mexique et les co-auteurs de leur étude sur l’évolution des inégalités de revenus au Mexique.

Troisièmement, GRID est granulaire, ce qui signifie qu’il fournit des microstatistiques sur l’inégalité des revenus, les fluctuations des revenus et la mobilité économique pour des sous-populations finement définies. Le calcul de statistiques désagrégées est particulièrement important car il est bien documenté que différents groupes ne connaissent pas uniformément l’inégalité des revenus et la dynamique macroéconomique. Avec des données désagrégées, les chercheurs peuvent examiner quelles régions géographiques sont laissées pour compte, si les écarts systémiques persistants entre les races et les sexes se réduisent, comment une économie fonctionne pour les travailleurs âgés et jeunes, et bien plus encore.

Enfin, GRID est harmonisé, c’est-à-dire que les données provenant de différentes sources sont combinées afin qu’elles puissent être visualisées de manière comparable. Plus précisément, toutes les statistiques pour tous les pays sont produites par un code maître unique dans GRID, ce qui garantit qu’une longue liste d’étapes petites, mais potentiellement critiques, sont effectuées de la même manière dans chaque pays. Cela permet aux chercheurs de faire des comparaisons entre pays de manière efficace et facilite l’ajout de pays supplémentaires à GRID à l’avenir.

La recherche que GRID contribue à ouvrir est vaste. Non seulement ces statistiques peuvent être utiles dans un large éventail de recherches sur les inégalités, car l’étendue des sujets abordés dans le numéro spécial de Économie quantitative suggère, mais ils peuvent également aider à éclairer d’autres types d’analyses quantitatives dont les modèles structurels reposent sur la dynamique des revenus comme intrant clé. Alors que la recherche sur les tendances des inégalités économiques continue de se développer, il est impératif que ce type de données de haute qualité soit accessible afin que les chercheurs puissent faire avancer de nouvelles questions de recherche et approfondir notre compréhension des inégalités.

Vous pourriez également aimer...