Nous appelons interaction fiscale le fait que les décisions fiscales prises par une autorité indépendante sont influencées par les décisions fiscales prises par les autorités voisines. Nous voyons deux sources possibles à ce genre d'interactions. La première est la concurrence fiscale. Dans ce cas, le canal de transmission des interactions fiscales est la mobilité géographique des assiettes : les gouvernements cherchent, par l'utilisation d'instruments fiscaux, à s'approprier une base taxable mobile. Leur intérêt pour ce faire est, d'une part, d'augmenter leurs recettes (ou de ne pas les voir diminuer) et, d'autre part, de bénéficier des avantages liés à la présence de ces bases imposables (plus d'investissements, plus d'emplois...). La deuxième source d'interaction fiscale est le mimétisme fiscal motivé par des raisons politiques. Dans ce cas ce n'est plus la mobilité des bases imposables qui joue le rôle de canal de transmission, mais bien la crainte, de la part des décideurs politiques, d'être sanctionnés par leur électorat si leurs décisions fiscales sont perçues comme moins bonnes que celles de leurs voisins. Ces deux sources d'interactions fiscales sont analysées d'un point de vue théorique dans deux courants distincts de la littérature : celle sur la concurrence fiscale et celle sur le mimétisme fiscal, appelé parfois « yardstick competition ».

L'objectif de cet article est de tester empiriquement l'existence d'interactions fiscales en Belgique, le niveau de po uvoir étudié étant celui des communes [1]. Il ne s'agit donc pas de vouloir discerner par quel canal de transmission ces interactions se produisent [2].

Il existe une littérature empirique naissante visant à tester la présence d'interactions fiscales. Nous recensons huit articles à ce jour, qui tentent de répondre à la question suivante : « Les décideurs politiques prennent-ils en compte les décisions de leurs voisins lorsqu'ils effectuent leurs choix fiscaux et, si oui, dans quelle mesure ? ». Tous ces articles, sauf un, portent sur des données nord-américaines. La plupart examinent le choix en termes de taux de taxation et l'un d'eux examine les choix en termes de dépenses (Case, Rosen et Hines, 1993). Différents types d'impôts sont considérés : l'impôt sur le revenu des personnes (Heyndels et Vuchelen, 1996, Goodspeed, 1999, et Case, 1993) ou sur le revenu des entreprises (Masayoshi et Boadway, 2000), l'impôt sur le capital (Brueckner et Saavedra, 1999), les accises (Besley et Rosen, 1998) ou encore la pression fiscale dans son ensemble (Ladd, 1992).

Les études empiriques incluent toujours un rappel des fondements théoriques du phénomène étudié. Parmi ceux-ci apparaissent les deux courants précités : la littérature sur la concurrence fiscale [3] et les modèles d'économie politique du type « yardstick competition ». Lorsque les auteurs se penchent sur des taxes portant sur des bases mobiles (taxation du capital ou taxation indirecte), leur étude empirique est généralement précédée d'un modèle théorique de concurrence fiscale. Lorsqu'ils se penchent sur des taxes portant sur des bases moins mobiles (taxation des revenus du travail), leur étude empirique est parfois précédée d'un modèle théorique de type « yardstick competition ».

Quel que soit le modèle théorique de base adopté pour étudier l'existence d'interactions fiscales, la spécification du modèle économétrique visant à tester celle-ci est la même. En effet, la variable expliquée est le taux choisi par les entités considérées et l'équation à estimer est une équation linéaire o ù apparaissent d es variables socio-économiques propres à l'entité ainsi que les taux des entités voisines. La majeure variante parmi les équations estimées concerne la méthode de pondération des taux des entités voisines afin de tenir compte du fait qu'une entité peut être plus fortement influencée par certaines entités et moins par d'autres.

Dans ces articles, la présence d'une interaction fiscale est vérifiée si l'on obtient des coefficients significatifs pour les variables explicatives « taux des entités voisines ». Les études concluent à l'existence d'une interaction significative entre les entités d'un même niveau de pouvoir, cette interaction étant positive dans la très grande majorité des cas. Les résultats indiquent que le coefficient estimé pour les taux des communes voisines est en moyenne de l'ordre de 0,6. Plusieurs auteurs terminent leur étude par l'interprétation suivante : « Si tous les voisins de l'entité i augmentent leur taux de taxation de 1 %, l'entité i augmentera le sien de 0,6 % ».

Pour les raisons qui suivent, nous estimons que cette interprétation est abusive. Les études antérieures analysent en effet le problème de manière statique, c'est-à-dire pour une année à la fois. Les données elles-mêmes ne portent souvent que sur une seule année et, si plusieurs années sont considérées, elles le sont séparément les unes des autres. Il en résulte que les résultats économétriques obtenus supposent implicitement que chaque commune parvient à adopter effectivement, l'année où il est observé, le taux de taxation qu'elle préfère compte tenu des taux de ses voisines. Cette hypothèse nous paraît trop forte, et surtout intenable, si, comme nous avons réussi à le faire ici, on fait porter l'analyse sur une succession d'un grand nombre d'années : dans ce cadre, on ne peut ignorer que des temps d'ajustement plus ou moins longs interviennent dans les processus de décision. Il faut alors en tenir compte dans l'évaluation du phénomène d'interaction fiscale proprement dit.

C'est pourquoi nous spécifions un modèle dynamique, qui rend explicitement compte des temps d'ajustement, et, sur cette base, les changements de taux d'imposition observés seront interprétés comme des tendances vers un taux que nous qualifions de « préféré » par chaque commune - taux qui est sujet à influences extérieures telles que les taux pratiqués par les autres communes, ou encore les autres variables économiques qui jouent un rôle dans les choix fiscaux. Dans ce cadre, chaque changement de taux observé ne sera donc pas interprété comme résultant d'interactions fiscales, mais plutôt comme un mouvement vers le taux préféré ; dans le niveau de ce taux, la présence d'interactions fiscales est explicitement reconnue comme une possibilité. Que cette présence éventuelle puisse être détectée dans les faits est précisément ce que la présente estimation économétrique vise à vérifier.

Le plan du travail se présente comme suit. Un modèle qui synthétise le comportement fiscal supposé de chaque commune est spécifié dans la première partie. Les données utilisées pour l'analyse empirique sont décrites dans la deuxième partie. La méthode économétrique adoptée fait l'objet de la troisième partie. Les résultats des estimations et leur interprétation économétrique sont présentés dans la quatrième partie. La dernière partie présente un résumé et tire les conclusions de l'étude.

Nous exposons le modèle en termes d'un seul impôt. Lorsqu'il est fait usage de plus d'un type d'impôt, le modèle est censé s'appliquer à chaque impôt séparément.

où l'indice temporel est omis parce que non essentiel à ce stade de l'exposé, a est un scalaire et bun vecteur de même dimension que Z_i. Nous appellerons T_i^* le « taux préféré de la commune i en l'absence d'interaction fiscale » [4].

Toutefois, au cours de la période étudiée, les taux des autres niveaux de pouvoir sur les bases imposables qui nous occupent n'ont pas été modifiés ou n'ont varié qu'une seule fois, ce qui ne permettra pas de mesurer leur impact. Nous les ignorerons donc et remplacerons (1) par

avec

où T_j est le taux effectif de l'impôt du même type pratiqué par la commune j, tandis que Ï•_ii et les Ï•_ij mesurent l'influence sur le choix fiscal de la commune i, respectivement, de son taux préféré sans interaction fiscale et des choix fiscaux des autres communes. La valeur numérique de Ï•_ij représente le degré de « voisinage » entre i et j; nous supposons que l'influence de l'une sur l'autre croît en fonction de celui-ci. Sans aucune interaction fiscale des autres communes sur la commune i, on a Ï•_ij = 0 pour tout j et Ï•_ii = 1 et donc

Au contraire, avec une interaction maximum, on a

L'entité i ne choisit alors son taux que sur la base de l'influence qu'elle subit de la part des entités voisines.

Si l'on considère l'ensemble des 589 communes, donc l'équation (3), comme un système de 589 équations, l'ensemble des coefficients Ï•_ij constitue une matrice carrée 589 x 589 que nous appellerons « matrice de pondération des taux extérieurs dans le choix des taux préférés des communes », plus brièvement « matrice de pondération ». Selon les définitions que l'on donnera au terme « voisine », on aura différentes matrices de pondération constituées des Ï•_ij correspondants.

La condition formelle

exprime le taux désiré comme une combinaison convexe du taux préféré sans concurrence et des taux des entités voisines [5].

À cette fin, nous adopterons un modèle de type « mécanisme avec correction d'erreurs » (MCE). Ce type de modèle a été utilisé avec un succès considérable dans la littérature théorique et empirique consacrée aux ajustements dynamiques dans la direction de solutions d'équilibre de long terme, en présence de coûts d'ajustement [6].

Introduisons la notation standard Δ pour représenter des d ifféren ces premières (par ex emple ΔT T T t, )= -. Dans le contexte de notre i t i i t, ,_-1 problème, une formulation de type MCE s'écrit comme suit :

Le coefficient central du modèle MCE est v, qui représente la fraction instantanée (vitesse) d'ajustement à un déséquilibre antérieur entre taux effectif et taux préféré. Pour toute valeur de v strictement comprise entre 0 et 1, ce modèle converge vers un équilibre de long terme sous le scénario (hypothétique) de stationnarité (ΔZ_{i, t} = 0) ou même de croissance équilibrée (ΔZ_{i, t} = g_i, où g_i désigne un taux de croissance). Il s'agit là d'une propriété théorique plutôt qu'empirique car dans la pratique on ne s'attend pas à observer une croissance équilibrée des ΔZ_{i, t}.

Bien entendu, les taux préférés , T_{i t} n'étant pas observés, l'équation (5) n'est pas estimable comme telle. Il faut y substituer les équations (2) et (3) à , T_{i t}. Cette substitution produit l'équation suivante :

où les e_{i, t} représentent des termes d'erreurs usuels, supposés de moyenne nulle et non corrélés avec les régresseurs (le caractère discret des données implique des effets de troncature discutés en quatrième section de la troisième partie).

La forme du dénominateur permet de satisfaire la contrainte de normalisation

Après optimisation en δ’ il est possible de calculer les Ï•_ij pour chaque couple de i et j, et le Ï•_ii est ensuitecalculé grâce à l'opération

Le choix des grandeurs d_ij est discuté en deuxième section de la deuxième partie ci-dessous. Deux commentaires s'appliquent à la spécification retenue pour les Ï•_ij :

Il s'est avéré que les différences entre δ₁ et δ₂ n’étaient pas significatives et cette formulation a donc été abandonnée en faveur d'un seul (vecteur) δ commun à toutes les paires de communes.

En résumé de cette partie, le modèle à estimer est complètement caractérisépar les équations (6)et (7).

Toutes les données utilisées dans l'estimation sont disponibles pour l'entièreté des communes, pour les années 1983 à 1997. Les principales sources de ces données sont l'Institut National de Statistique, le Ministère des Finances et le département de géographie de l'Université Catholique de Louvain.

Nous décrivons maintenant les données utilisées pour estimer cette équation, successivement dans le cas des additionnels sur l'impôt des personnes physiques et dans celui du précompte immobilier.

Les centimes additionnels au précompte immobilier (PrI) sont pour leur part exprimés en nombre de centièmes du taux régional du PrI. Si le taux (régional) du Pr I est de 1,25 %, un « centime » additionnel est ici 0,01 x 0,0125, nombre qui vient s'ajouter au taux du PrI régional appliqué au contribuable. La base imposable du PrI est le revenu cadastral des immeubles dont le contribuable est propriétaire. Le revenu cadastral est une sorte de loyer fictif que l'immeuble pourrait rapporter, qui est calculé par l'administration fiscale sur la base de critères objectifs tels que la superficie, l'année de construction, etc.

Les centimes additionnels communaux sur le PrI varient de 200 à 4 000 d'une commune à l'autre. Mais le taux régional du PrI est de 1,25 % en Régions wallonne et bruxelloise et de 2,5 % en Région flamande : 200 centimes ne correspondent donc pas au même taux d'imposition effectif selon la Région où ils s'appliquent. En conséquence, afin d'exprimer les centimes additionnels communaux au PrI dans des unités comparables à travers tout le pays, il a été nécessaire de transformer les chiffres de ces centimes. Le taux du précompte immobilier communal, ainsi réexprimé en pourcentage de la base imposable (le revenu cadastral), varie entre 2,5 % et 50 %, avec une moyenne de 24,65 %.

Pou r ch oisir les v ariables ex plicatives socio-économiques, nous nous basons sur les études antérieures en la matière et faisons l'hypothèse que l’ensemble des variables à retenir [9] n’est pas modifié par le caractère dynamique de notre modèle.

Dans la première volée d'estimations, nous avons introduit neuf variables explicatives, identiques pour les estimations IPP et pour les estimations PrI. Les estimations nous permettent ensuite de sélectionner les variables les plus pertinentes selon la taxe traitée.

La première variable socio-économique prise en compte est la population communale. En 1997, le nombre d'habitants par commune variait de 85 à Herstappe à 453 030 à Anvers, avec une moyenne de 18 000 en Belgique.

La seconde variable est la densité de la population. La commune la plus densément peuplée se trouve dans la Région bruxelloise, avec 191,8 habitants par hectare à Saint-Josse et la commune la moins densément peuplée est Léglise avec une densité de 0,209. La moyenne belge est de 6,7. Nous interprétons cette mesure comme une approximation du degré d'urbanisation d'une commune.

La troisième variable est le revenu par habitant dans chaque commune. En 1983, la commune la plus pauvre, Bertogne, avait un revenu annuel imposable par habitant égal à 137 100 FB (3 399 Euros), tandis que dans la commune la plus riche, Kraainem, ce revenu s'élevait à 335 500 FB (8 317 Euros). En 1998, l'écart s'est creusé, le minimum étant de 192 100 FB (4 762 Euros) par habitant à Saint-Josse, et le maximum étant de 593 200 FB (14 705 Euros) à Lathem-Saint-Martin. La moyenne nationale est de 394 800 FB (9 787 Euros).

Trois variables dichotomiques régionales ont également été ajoutées pour observer si les taux varient significativement d'une Région à l'autre pour des raisons différentes qu'une variation des caractéristiques socio-économiques incluses dans le modèle.

Pour la pondération des communes voisines, quatre types de « distances » ont été introduits : le premier est la distance géographique de centre à centre, le deuxième est le différentiel de revenu par habitant entre deux communes i et j, le troisième est le différentiel de densité de population entre i et j et enfin, le dernier est le différentiel de population. Le choix de ces variables pour la pondération des communes résulte de l'hypothèse que s'il y a mimétisme fiscal ou concurrence fiscale c'est qu'il y a, à un moment donné, comparaison des taux par les décideurs politiques ou par les contribuables. Or, par hypothèse, cette comparaison est plus directe, non seulemen t en tre des communes proches géographiquement, mais aussi entre les communes présentant des caractéristiques semblables en termes de degré d'urbanisation, en termes de taille de leur population ou en termes de classe de revenu de leur population.

Le tableau 1 précise les unités dans lesquelles les variables expliquées et explicatives sont exprimées.

Tableau 1
variables, symboles et unités

dans laquelle c = v.β. On dispose ainsi d'une expression linéaire en les coefficients (a, b, c,v), conditionnellement à δ et donc aux Ï•_ij. La prise en considération de cette propriété du modèle va nous permettre de simplifier considérablement le calcul d'estimateurs de moindres carrés non linéaires [10] pour l'ensemble des paramètres du modèle, y compris δ.

En effet, en ce qui concerne δ pour toute valeur donnée de celui-ci, il suffit de calculer les Ï•_ij qui y correspondent, de les substituer dans l'équation (8) et d'en estimer les coefficients restants par moindres carrés ord inaires. O n recherche alors numériquement les valeurs de δ qui minimisent la somme des carrés des résidus (estimés) de l'équation (8).

Ce programme d'optimisation numérique a été rédigé en FORTRAN 77 et utilise un sous-programme d'optimisation très performante, basée sur la méthode du simplexe et adaptée de l'ouvrage de Press et al. (1986). Un calcul complet d'optimisation prend de l'ordre de 25 secondes sur une station de travail SUNFIRE 3800.

Avant de présenter les résultats de l'estimation, il nous faut discuter de trois aspects complémentaires essentiels de l'analyse des moindres carrés :

Dans le cas présent, nous avons préféré recourir à des techniques de simulation qui nous permettent d'obtenir avec un effort de programmation minimum des écarts type correspondant à la taille effective des échantillons utilisés.

Cette technique consiste essentiellement à assigner aux paramètres du modèle leur valeur estimée, à procéder ensuite à des tirages aléatoires des termes d'erreur e_{i, t} et, par substitution dans l'équation (6), d'en déduire des échantillons fictifs de variation des taux d'imposition (ou, plus spécifiquement, compte tenu de la nature dynamique du modèle, des trajectoires fictives de taux d'imposition sur les 14 années de notre échantillon). Bien entendu, les variables explicatives Z_{i, t} qui ne font pas l'objet de la modélisation et sont « exogènes » au modèle sont maintenues à leur valeur observée.

À chaque échantillon fictif ainsi obtenu (de taille 589 x 14 = 8246), on applique la technique d'estimation décrite ci-dessus. Pour chaque spécification du modèle, nous avons répété cette procédure de simulation 1 000 fois et avons ainsi obtenu 1 000 réalisations aléatoires du processus d'estimation. On calcule enfin les écarts type de ces 1 000 réalisations, obtenant ainsi une mesure statistique fiable de la dispersion statistique des estimateurs (vérifiant au passage que les moyennes empiriques des estimateurs simulés ne diffèrent pas de façon significative des valeurs retenues pour la simulation, c'est-à-dire que les estimateurs ne sont pas significativement biaisés). Les intervalles de confiance pour les coefficients estimés sont alors définis comme des intervalles de demi-longueur correspondant à deux écarts type et centrés sur la valeur estimée du coefficient.

La validation de cette technique de simulation dépend bien évidemment des hypothèses relatives à la distribution des termes d'erreur e_{i, t}, puisque c'est de cette distribution qu'on tirera des erreurs simulées. Or, l'examen des résidus estimés du modèle nous amène à devoir rejeter l'hypothèse standard de normalité des résidus. Plus spécifiquement, nous observons une forte concentration (80 à 90 %) de faibles résidus, accompagnée d'un petit nombre de résidus beaucoup plus dispersés. Dans ces conditions, des simulations sous une hypothèse de normalité entraîneraient des concentrations excessives de petits aléas simulés et, en conséquence, une « confiance » excessive en les valeurs estimées de coefficients.

Dans ces conditions, nous avons utilisé une méthode de simulation par « bootstrap » qui consiste à échantillonner les aléas e_{i, t} dans leur distribution empirique telle qu'obtenue à partir des estimateurs des coefficients. Plus précisément, une estimation du modèle produira 8246 résidus estimés, lesquels se voient chacun attribuer une probabilité 1/8246 pour la procédure d e simulation (tirages av ec remplacement).

Afin de simplifier l'interprétation tant statistique qu'économique des résultats d'estimation, il est en général recommandé d'éliminer du modèle les variables qui n'y contribuent pas significativement. Pour ce faire, nous partons du modèle le plus général possible, en incluant l'ensemble des variables exp licatives dispo nibles, et élimin ons prog ressivemen t les variables les moins significatives jusqu'à l'obtention d'un modèle où tous les coefficients retenus sont statistiquement significatifs. Bien entendu, cette procédure d'élimination est conduite séparément pour le PrI et l'IPP puisqu'on peut s'attendre à ce que les variables retenues diffèrent dans les deux cas. Le critère d'élimination retenu est le critère usuel de la « statistique t » (rapport entre l'estimateur et son écart type) inférieur à 2. Ceci explique que tous les résultats présentés ci-dessous soient significatifs au sens de la statistique t.

Notons enfin que pour accélérer la procédure de sélection interactive des variables, il est légitime de se baser sur les écarts type de moindres carrés plutôt que sur ceux obtenus par simulation. Les premiers sont en effet plus faibles que les seconds puisque, en particulier, ils ne prennent pas en compte l'incertitude sur les δet donc sur les Ï•_ij. Il s'ensuit que toute variable éliminée sur la base des écarts type de moindre carrés le serait aussi sur la base des écarts type de simulation. Bien entendu, en ce qui concerne les d_ij il convient de se baser sur les écarts type de simulation qui sont les seuls disponibles ou, en première approximation, sur la statistique du R2 associée au calcul de moindres carrés.

Les techniques de simulation décrites plus haut permettent de répondre à cette question. Il suffit en effet de procéder en parallèle à des simulations pour lesquelles les taux d'imposition simulés sont eux-mêmes arrondis de manière représentative de l'échantillon observé, c'est-à-dire en multiple de 1/2 % pour l'IPP et de 50 centimes additionnels pour le PrI.

Nous avons en particulier procédé à des simulations tronquées des deux versions finales (PrI et IPP) de notre modèle, telles que présentées ci-dessous. Sans anticiper sur l'analyse détaillée des résultats, nous verrons qu'effectivement le coefficient d'ajustement dynamique v est biaisé vers le bas en conséquence de l'effet de troncature (et plus particulièrement du nombre élevé de changements nuls), mais d'une manière qui ne modifie en rien l'essentiel de nos conclusions qualitatives relatives à la lenteur des ajustements dynamiques dans la direction des taux d'équilibre de long terme.

La deuxième catégorie de résultats porte sur l'estimation de la fraction v de l'écart entre le taux effectivement pratiqué, T_{i, t}, et le taux préféré avec interaction fiscale, , T_{i t}, qui est corrigé à chaque période.

Enfin, la troisième catégorie de résultats porte sur les coefficients b et b des variables explicatives non fiscales, b indiquant l'influence de ces variables sur les variations annuelles effectives et bmesurant leur influence sur le taux préféré de long terme, , T_{i t}.

Tableau 2
estimateurs pour le précompte immobilier

Nous réécrivons l'équation (6) avec les coefficients estimés, mais les coefficients Ï•_ii et

propres à chaque commune. On ne peut dès lors leur donner une valeur dans l'équation générale. C'est pourquoi, à titre indicatif, nous l'écrivons avec les coefficients estimés pour une commune donnée, Ixelles, que nous appellerons xl :

où

Avant de passer à l'examen systématique des coefficients, une remarque importante concerne le R2 de cette estimation. Celui-ci révèle que la qualité prédictive du modèle est particulièrement faible, de l'ordre de 3,6 %. Ceci est dû à plusieurs facteurs : tout d'abord, le travail en panel génère habituellement de faibles R2; en second lieu, les données utilisées sont de nature discrète alors que le modèle est spécifié pour des variables continues ; en troisième lieu, on travaille avec des différences premières ; enfin, la liste des variables Z_i prises en considération n'est évidemment pas exhaustive : elle devrait donc être complétée.

Le caractère significatif des deux coefficients montre l'intérêt qu'il y avait à aller un pas plus loin que les études mentionnées dans la revue de la littérature, en ne se limitant pas au seul critère de la distance géographique. Celui-ci joue un rôle certain, mais il n'est pas le seul.

Grâce à ces coefficients, il est possible de calculer le Ï•_ii de chaque commune et le Ï•_ij de chaque paire de communes. Les Ï•_ii varient de 0,06 à 0,70 selon la commune (avec une moyenne de 0,122). À long terme, le taux de précompte immobilier effectif d'une commune dépend pour 6 à 70 % de son taux préféré sans concurrence fiscale et pour 30 à 94 % du taux des communes les plus proches en distance et en termes de densité de population.

Pour la commune xl en particulier (voir équation (10)), nous interprétons les résultats de la manière suivante : le taux préféré de long terme en présence d'interaction fiscale , T_{xl t} dépend à 25,4 % de son taux préféré en l'absence d'interaction fiscale, T_{xl t,}^* (et donc de ses caractéristiques socio-économiques propres), et à 74,6 % des choix de taux des communes voisines.

L'examen des Ï•_ii individuels révèle que les Ï•_ii des communes d e la Région bru xelloise sont relativement grands en moyenne (celui de la moyenne bruxelloise est de 0,282) : par rapport aux communes flamandes et wallonnes, les communes de la capitale se laissent donc moins influencer par celles qui leur sont voisines et elles accordent relativement plus d'importance à leur taux préféré sans interaction fiscale. La raison de cette spécificité bruxelloise pourrait provenir des externalités importantes existant entre ces communes et les communes périphériques en termes de biens et services publics. En effet, un quart des utilisateurs des infrastructures bruxelloises, en journée, sont des navetteurs provenant de la banlieue [11]. Une autre particularité de la Région bruxelloise qui pourrait expliquer cette différence de comportement est la structure très dense ainsi que la valeur de son parc immobilier.

Le caractère particulier des Ï•_ii bruxellois renforce notre idée qu'une augmentation du nombre de variables explicatives, en particulier celles concernant l'offre de biens et services publics et la valeur de l'immobilier, améliorerait sensiblement la valeur prédictive de notre modèle.

Les coefficients estimés et l'équation (10) permettent encore la lecture suivante :

Rappelons que la somme des Ï•_ij est égale à 1 et qu'il y a 589 Ï•_ij. Chacun d'eux est donc très petit et le poids accordé aux communes un peu éloignées, en distance ou en termes de différentiel de densité de population, tend rapidement vers 0.

Il faut garder à l'esprit que, dans le même temps, le taux préféré de la commune, , T_{i t}, varie constamment en fon ction des changemen ts, tan t des caractéristiques socio-économiques de la commune i que des taux des communes voisines.

Il est également important de noter que la spécification du modèle implique que ce coefficient d'ajustement est une moyenne des ajustements dans le temps. Dans la réalité, on observe généralement que les communes maintiennent leur taux constant quelques années, puis effectuent un changement plus important que 6,12 %. Un tel comportement peut-être attribué aux coûts fixes (administratifs et politiques) qu'implique un changement de la fiscalité.

Sur la base de ces explications, nous pouvons approfondir l'interprétation de l'équation (9)propre à la commune xl. Faisons l'hypothèse que toutes les caractéristiques socio-économiques de la commune xl sont constantes dans le temps (le taux préféré en l'absence d'interactions fiscales est dès lors fixe) et que le nombre de centimes additionnels au PrI de toutes les autres communes ont augmenté de 100 au temps t-1. Alors, l'équilibre de long terme de xl se trouve modifié car il dépend à 74,6 % de ce qui se passe dans les communes voisines. Le taux préféré de long terme augmente donc de 74,6 centimes. En moyenne, la commune xl va s'ajuster au temps t à raison de 6,12 % vers ce nouvel équilibre, c'est-à-dire qu'elle va augmenter son taux de PrI de 4,55 centimes (= 6,12 % x 74,6).

Nous ne nous attardons pas sur l'interprétation du coefficient de court terme b car il ne s'agit pas là d'un paramètre-clé de notre modèle. De plus, nous l'avons dit, la valeur prédictive du modèle est faible et rend délicate l'interprétation de mouvements de court terme.

Nous nous penchons par contre sur le coefficient b déterminant l'objectif de long terme. Si pour une commune le revenu annuel par habitant atteint de manière permanente un niveau de 5 000 francs supérieur à partir du temps t, son taux préféré , T_{i t} est modifié et croît de Ï• × 5 × 0,4026, toutes autres _ii choses égales par ailleurs. Dans le cas particulier de la commune xl, ce taux , T_{x t} augmente de 0,254 × 5 × 0,4026 = 0,51. En termes de centimes additionnels, cela signifie que le taux préféré de long terme augmente de 25,5 (car les T sont exprimés en unités de 50 centimes). Étant donné le coefficient d'ajustement estimé, le modèle prédit que la commune adaptera son taux effectif en direction de ce nouveau taux préféré, à raison de 25,5×0,06 = 1,53 centimes par an. Le signe de ce coefficient estimé peut être vu comme une confirmation de l'idée que la demande pour les biens et services publics augmente avec le revenu et que l'offre plus importante de ces biens et services requiert des moyens financiers supplémentaires, que la commune peut obtenir à travers une hausse de sa pression fiscale.

Tableau 3
estimateurs pour l'Impôt des personnes physiques

Les coefficients estimés pour l'IPP donnent l'équation suivante :

où

Pour l'IPP, les Ï•_ii varient de 0,063 à 0,843 avec une moyenne de 0,140. Dans ce cas-ci, comme en matière de PrI, la moyenne bruxelloise est plus élevée (0,173), mais de manière moins marquée.

Les coefficients estimés et l'équation (12) nous permettent la lecture suivante :

Il est intéressant de noter que la vitesse d'ajustement est plus grande dans le cas de l'IPP que dans le cas du PrI. Deux interprétations sont possibles. D'une part, on peut attribuer cela au fait que la base imposable de l'IPP, le revenu du contribuable [12], est plus mobile q ue celle du PrI, le revenu cadastral de l'immeuble [13]. D'autre part, nous pouvons y voir un indice du fait que l'interaction fiscale en matière d'IPP et l'interaction fiscale en matière de PrI ne passent pas par les mêmes canaux de transmission et ne donnent donc pas lieu aux mêmes rythmes d'ajustement.

Pour les mêmes raisons que celles invoquées dans le cas du précompte immobilier, nous ne creusons pas l'aspect de court terme. Nous devons cependant faire un commentaire concernant la variable explicative « densité de population », qui apparaît aussi bien dans les effets de court terme que dans ceux de long terme mais avec des coefficients de signes opposés. Lorsque la densité augmente, le modèle prédit que le taux IPP s'ajuste à court terme à la baisse ; à long terme cependant, la pression sur le taux d'équilibre est à la hausse. On peut y voir un rôle ambigu joué par la densité de population sur les besoins en biens publics : une plus forte densité peut avoir un impact à la baisse sur la fiscalité en raison des économies d'échelle qu'elle permet dans l'offre de services ; mais une forte densité peut entraîner aussi de nouveaux besoins liés à la congestion, l'insécurité, etc.

En ce qui concerne les variables socio-économiques ayant un impact sur le taux préféré de long terme, trois sont significatives : la densité de population, le nombre d'habitants et la variable dichotomique régionale wallonne. Quand les deux premières de ces variables changent de niveau de manière permanente, le taux préféré de long terme est modifié.

Ainsi, lorsque toutes choses égales par ailleurs, DEN_i augmente de 100 hab/km2, alors , T_{i t} augmente de Ï•_ii ×1 ×9. Pourla commune xl qui a un Ï•_{xl xl} égal à 0,38, le , T_{i t} augmente de 3,5. Cela signifie que si son taux préféré était de 6 %, le nouveau taux préféré, après hausse de la densité de population, passe à 6 + 1,7 = 7,7 % (remarque : les unités pour le taux d’IPP sont de 1/2 % ; c'est pourquoi, pourl'interprétation, il faut encore diviser le T_i par 2). Attention, il s'agit là du nouveau taux préféré de long terme. La commune ne s'y ajustera qu'à un rythme de 10 % par an puisque que le v estimé est de 0,1055.

D'autre part, si, toutes choses égales par ailleurs, POP_i augmente de 1000 habitants, alors , T_{i t} augmente deÏ•_ii ×0,01×9,59. Si la commune i a un Ï•_ii moyen, soit 0,38, le , T_{i t} augmente de 0,038. Cela signifie que si le taux préféré était de 6 %, le nouveau taux préféré après hausse de la population passe à 6,019 % (même remarque que plus haut). À nouveau, la commune ne s'ajustera à ce nouveau taux de long terme qu'à un rythme de 10 % par an.

Pour l'interprétation du coefficient de la variable dichotomique régionale, rappelons qu'il s'agit d'une différence entre une commune wallonne et une commune d'une autre région. Nous pouvons alors dire qu'en moyenne, si la commune i est wallonne et a un Ï•_ii moyen, soit 0,14, alors son taux préféré de long terme sera supérieur de (0,14 × 1 × 11,53)/2 = 0,807 au taux d'une commune non wallonne qui aurait le même Ï•_ii. L'introduction de variables dichotomiques régionales nous apprend donc que le fait qu'une commune appartienne à la Région wallonne implique des taux systématiquement plus élevés que dans les autres Régions, toutes autres choses étant égales. Il se pourrait que DEN et POP soient en moyenne plus faibles pour les communes wallonnes que pour les communes flamandes et bruxelloises. Dans ce cas, l'effet WAL pourrait ne servir qu'à contrebalancer ces différences. Ce résultat pourrait aussi indiquer que d'autres caractéristiques propres à la Région wallonne n'ont pas été prises en compte dans nos variables explicatives, comme par exemple des besoins particuliers de ces communes en matière de protection sociale.

Un modèle dynamique a été spécifié, et estimé sur la base des données en panel des 589 communes belges sur une période de 15 ans.

Les résultats obtenus portent essentiellement sur deux points. D'une part, ils révèlent l'existence certaine d'une interaction entre les communes, au cours de la période étudiée, dans leurs choix des taux de chacun des deux impôts. Cette interaction est d'autant plus importante que les communes sont proches et - nouveauté de la présente contribution - semblables : en matière d'IPP c'est la similitude en termes de revenu par habitant qui importe ; en matière de PrI c'est la similitude en termes de densité de population qui compte.

D'autre part, grâce à la spécification dynamique introduite ici, il s'est révélé possible de constater que les ajustements en réaction aux taux des autres communes se font au cours du temps à un rythme lent :

On peut en conclure tout d'abord que si la concurrence fiscale entre communes - la seule observable en Belgique à ce jour- n'est pas absente dans ce pays en matière d'IPP et de PrI, son ampleur s'avère être d'une importance faible, trop faible sans doute pour constituer un obstacle évident et majeur à la mise en œuvre de politiques de décentralisation fiscale en général.

En second lieu, le modèle qui a été construit est susceptible d'autres utilisations, notamment aux fins de simulation de politiques fiscales communales coordonnées. C'est là un prolongement d'intérêt majeur aux travaux dont il est rendu compte ici, car il ferait servir les résultats méthodologiques de cette recherche à la préparation de décisions de coo péra tion insti tutionnelle visa nt à l'harmonisation fiscale, perspective dont semblent manquer cruellement bien des débats actuels.

Enfin, le modèle est susceptible d'améliorations dans sa spécification, principalement pour mieux appréhender le caractère « discret » (dans le temps) du processus de décision fiscale, mais aussi en recourant à une estimation simultanée des équations qui modélisent les deux impôts. Ces prolongements accroîtraient la valeur explicative du modèle.