5. Construction des « matrices » de données sous-tendant l'évaluation d’impact

458. Disposer de données fiables et pertinentes sur la localisation des activités économiques des entreprises multinationales (EMN) et des bénéfices qu’elles génèrent est essentiel pour étudier au mieux l’incidence de réformes de la fiscalité internationale des entreprises telles que les propositions au titre du Pilier Un et du Pilier Deux actuellement en cours d’examen par les membres du Cadre inclusif OCDE/G20 sur l’érosion de la base d’imposition et le transfert de bénéfices (BEPS). Or, malgré les diverses sources d'informations très précieuses sur les bénéfices et les activités des EMN, aucune n’est assez complète, en matière de couverture géographique ou de variables disponibles, pour permettre, lorsqu’elle est utilisée seule, une évaluation complète de l’impact des réformes, couvrant les 137 juridictions membres du Cadre inclusif OCDE/G20 sur le BEPS (Cadre inclusif).

459. Le Secrétariat de l’OCDE a donc entrepris de regrouper un ensemble de sources existantes en un cadre cohérent, qui sert d’outil central pour étayer l’analyse de l’évaluation d’impact présentée dans ce rapport. Ce cadre est constitué de quatre matrices : une pour les bénéfices, axée sur la localisation des bénéfices des EMN dans les différentes juridictions, et trois autres qui portent sur les indicateurs de l’activité économique des EMN (chiffre d’affaires, actifs corporels et coûts salariaux). Chaque matrice analyse les données par EMN et les ventile sur plus de 200 juridictions de l’entité mère ultime (chacune d'elles correspond à une colonne) et sur plus de 200 juridictions de la filiale (chacune d'elles correspond à une ligne). Une matrice se présente donc sous la forme d’un tableau de plus de 200 lignes et d’autant de colonnes. Ainsi, la cellule France/États-Unis de la matrice des bénéfices afficherait-elle les bénéfices réalisés en France par les EMN américaines (c’est-à-dire celles dont la société mère ultime est basée aux États-Unis).

460. Les matrices associent des données tirées de diverses sources et s’appuient sur des travaux antérieurs de mise en correspondance des bénéfices et de l’activité des EMN à des fins d’analyse du transfert de bénéfices (Tørsløv, Wier et Zucman, 2018[1]), ainsi que sur l’étude des chaînes de valeur mondiales (CVM) (Cadestin et al., 2018[2]). Elles utilisent comme principale source les statistiques anonymisées et agrégées tirées des déclarations pays par pays disponibles depuis peu1 ; ces données collectées à la suite de la mise en œuvre du Plan d’action BEPS de 2015 ont été publiées pour la première fois par l’OCDE en juillet 2020 (OCDE, 2020[3]). Elles puisent également dans la base de données ORBIS des états financiers par entreprise (pour les juridictions bénéficiant d’une bonne couverture dans ORBIS), la base de données AMNE de l’OCDE (associant des informations de la base de données FATS d’Eurostat et du Bureau of Economic Analysis du ministère américain du Commerce) et la base de données analytique AMNE de l’OCDE (Cadestin et al., 2018[2]), qui s’appuie sur la base de données AMNE, et la complète. Les données retenues portent essentiellement sur l’année 2016, à savoir la plus récente pour laquelle des sources sont disponibles parmi toutes celles utilisées.

461. Ces diverses sources se complètent mutuellement car leur couverture géographique ainsi que leurs variables sont différentes ; en d’autres termes, le jeu de données combiné obtenu est plus riche que chaque source prise individuellement. De plus, elles présentent des recoupements importants en termes de couverture. Pour leur comparaison, ceux-ci ont été mis à profit afin de prendre en compte et pallier leurs limites respectives et assurer la cohérence globale de l’approche mise en œuvre, comme expliqué plus loin. La méthodologie adoptée vise à optimiser la comparabilité des données des quatre matrices pour permettre leur utilisation conjointe (des matrices des bénéfices et des chiffres d’affaires pour calculer la rentabilité moyenne, par exemple). Des sources de données comparables ont par conséquent été utilisées dans la mesure du possible pour une même cellule des différentes matrices. Ainsi, si une cellule de la matrice des bénéfices est renseignée avec des statistiques des déclarations pays par pays (par exemple, les bénéfices générés par les EMN américaines en France), la cellule correspondante des autres matrices extrait des statistiques de ces déclarations (par exemple, le chiffre d’affaires réalisé par les EMN américaines en France).

462. Les cellules pour lesquelles aucune source de données « effectives » n’est disponible sont alimentées avec des estimations extrapolées à partir de données macroéconomiques (sur l’IDE, le PIB ou le PIB par habitant, etc.). La méthodologie d’extrapolation repose généralement sur les informations des cellules renseignées avec des données effectives, pour garantir la cohérence au sein de chaque matrice. Elle vise également à assurer une comparabilité optimale des données entre les quatre matrices. Par exemple, les extrapolations des matrices des actifs corporels et des coûts salariaux s’appuient sur les données de celle des chiffres d’affaires.

463. Des quatre variables analysées par les matrices, le bénéfice est sans doute celle qui rend l'extrapolation la plus difficile, car les juridictions où les EMN réalisent leurs bénéfices et celles où elles exercent leurs activités ne coïncident pas toujours. Pour résoudre le problème, une méthodologie d’extrapolation sophistiquée basée sur les données relatives à l’investissement direct étranger (IDE) a été mise au point. Inspirée des travaux de Damgaard et Elkjaer (2017[4]) et de Casella (2019[5]), elle comporte différentes étapes et vise à identifier, pour l’IDE vers une juridiction donnée, l’investisseur étranger ultime à l’aide d’itérations successives sur les données relatives aux investisseurs étrangers « immédiats » en éliminant les IDE dits « de transit ». En guise de résultat intermédiaire, on obtient une matrice complète des IDE par juridiction de l’investisseur ultime, elle-même intrinsèquement intéressante.

464. Grâce aux différentes extrapolations, toutes les cellules des différentes matrices sont renseignées et sont donc beaucoup plus faciles à utiliser à des fins d’analyse économique. Par ailleurs, les extrapolations ne représentent qu’une proportion modérée des totaux dans les matrices (25 % en moyenne pour les quatre), qui contiennent donc essentiellement des données effectives, préférables aux valeurs extrapolées, qui sont plus incertaines. Cette proportion de valeurs extrapolées présente toutefois des variations géographiques importantes. Elle est relativement faible dans les juridictions à revenu élevé, plus forte dans les juridictions à revenu intermédiaire et très importante dans les juridictions à faible revenu2. Dans les centres d’investissement, cette proportion, bien que substantielle (elle avoisine 40 % dans la matrice des bénéfices), est beaucoup plus faible qu’elle ne l’aurait été en l’absence des statistiques issues des déclarations pays par pays. Cela montre que ces déclarations constituent une nouvelle source essentielle de renseignements sur les bénéfices réalisés dans les centres d’investissement.

465. À l’instar de toute source de données économiques, toutes celles qui ont servi à élaborer les matrices présentent certaines limites. Un premier problème concerne le traitement ambigu des dividendes intragroupe et des entités dites « sans résidence fiscale » (ou apatrides) dans les données de bénéfice des déclarations pays par pays, dû au fait que c’est à partir de 2016 que ces statistiques ont été recueillies (OCDE, 2020[3]). Ce traitement peut occasionner dans certains cas la double comptabilisation de bénéfices ou de chiffre d’affaires3. Le fait que les données provenant des états non consolidés d’ORBIS ont une couverture inégale selon les juridictions est également un facteur limitant tenant aux sources de données. Pour en tenir compte, les données d'ORBIS ne sont utilisées dans les matrices que pour renseigner les cellules correspondant aux juridictions pour lesquelles sa couverture est jugée suffisamment bonne, mais même pour celles-ci, elle n’est pas toujours exhaustive. Quant à la base de données analytique AMNE, certaines valeurs sont basées sur des imputations ou tirées d’autres sources pour combler les lacunes en termes de couverture des données sous-jacentes (Cadestin et al., 2018[2]). Enfin, la base de données AMNE de l’OCDE n’inclut pas le secteur financier dans ses données sur les investissements entrants dans les juridictions européennes.

466. Afin d’évaluer les implications de ces limites, d’améliorer la qualité des données et d’assurer la cohérence entre les différentes données utilisées dans les matrices4, des analyses comparatives et des contrôles de qualité approfondis ont été exécutés en vertu du présent chapitre. Les analyses comparatives tirent parti du fait que de nombreuses cellules des matrices peuvent extraire simultanément leurs données de plusieurs sources, ce qui permet d’évaluer leur cohérence. Les données des matrices ont également été croisées aux fins de vérification avec d’autres sources pertinentes, notamment avec les données fiscales ou provenant des états financiers transmises au Secrétariat de l’OCDE par les représentants des juridictions. Dans l’ensemble, les contrôles de cohérence révèlent quelques discordances, mais suggèrent une bonne comparabilité globale des données entre les sources. Ainsi, la corrélation entre les statistiques des déclarations pays par pays et les estimations fondées sur ORBIS (calculées dans les cellules où ces deux sources sont disponibles) dépasse 90 % dans les matrices des bénéfices et des chiffres d’affaires. Quant à la corrélation entre les estimations basées sur des extrapolations et celles reposant sur des données effectives, elle varie entre 64 % et 96 % pour les quatre matrices ainsi que les différentes sources de données effectives prises en compte.

467. Le Secrétariat de l’OCDE a largement utilisé les quatre matrices dans le cadre de son évaluation des effets du Pilier Un et du Pilier Deux sur les recettes fiscales (chapitres 2 et 3 de ce rapport) et le comportement des EMN en matière d’investissement (chapitre 4). Dans le cas du Pilier Un, les matrices des bénéfices et des chiffres d’affaires ont servi à déterminer la localisation du bénéfice résiduel des groupes EMN (à l’aide d’une « matrice des bénéfices résiduels »), pour identifier les juridictions qui devraient accorder un ‘allégement visant à éliminer la double imposition’, c’est-à-dire en provenance desquelles le bénéfice résiduel serait réalloué dans le cadre du Pilier Un (voir chapitre 2).

468. Dans le cas du Pilier Deux, la matrice des bénéfices a été utilisée, associée à des données sur les taux effectifs d’imposition, pour évaluer les montants et la localisation des bénéfices « faiblement imposés » des EMN (c’est-à-dire actuellement imposés à un taux effectif inférieur au taux minimum d’imposition potentiel). La matrice des bénéfices et celle des chiffres d’affaires ont également été utilisées pour évaluer l’ampleur du transfert de bénéfices par les EMN, la manière dont l’introduction du Pilier Deux permettrait de réduire ce transfert (les matrices des actifs corporels et des coûts salariaux ont également être utilisées en lieu et place de la matrice des chiffres d’affaires à des fins d’évaluation de la robustesse) et, par conséquent, son incidence potentielle sur les recettes fiscales des juridictions (voir chapitre 3). De plus, la matrice des chiffres d’affaires a servi à déterminer, de manière indirecte, la juridiction à laquelle reviendrait une partie des recettes générées par l’impôt minimum (les matrices des actifs corporels et des coûts salariaux ont également être appliquées à des fins de vérification de la robustesse des résultats)5. Enfin, les matrices des actifs corporels et des coûts salariaux ont permis de modéliser les implications d’éventuelles « exceptions » à l’impôt minimum fondées sur la substance économique6.

469. Dans l’analyse d’impact sur l’investissement, les matrices ont servi à calibrer le cadre utilisé pour évaluer l’impact du Pilier Un et du Pilier Deux sur les taux effectifs d’imposition prospectifs (voir le chapitre 4 et Hanappi et González Cabral (2020[6])).

470. Ce chapitre contient une version préliminaire des quatre matrices, présentées dans un format agrégé (par groupes de revenu et grandes juridictions). À l’issue de vastes consultations avec les membres du Cadre inclusif, aucun consensus n’a été trouvé sur la question de savoir s’il conviendrait, ou non, de publier, dans le cadre de l’évaluation de l’impact économique, les données par juridiction figurant dans les quatre matrices. En l’absence de consensus, aucune donnée par juridiction n’apparaît dans ce chapitre.

471. À l’avenir, l’utilisation des matrices présentées ici pourrait être élargie, notamment au domaine de l’analyse des politiques fiscales et à d’autres fins, comme indiqué dans la conclusion de ce chapitre.

472. La localisation des bénéfices et de l’activité économique des EMN peut être déterminée à l’aide d’une série de sources de données, dont les avantages, les limites et la couverture varient, comme indiqué par exemple dans OCDE (2017[7]) et (OCDE, 2018[8]). Cette section propose un bref aperçu des principales sources disponibles afin de fournir des explications utiles concernant la méthodologie employée pour l’élaboration des matrices. Toutes les sources qu’elle décrit ont en effet été mises à profit, à des degrés divers, pour créer et évaluer les matrices présentées dans ce chapitre. Les statistiques provenant des déclarations pays par pays, les données issues d’ORBIS ainsi que les informations des bases de données AMNE et analytique AMNE de l’OCDE sont utilisées directement dans les matrices, mais aussi pour les comparer les unes aux autres. Les données relatives à l’IDE sont employées pour effectuer les extrapolations dans la matrice des bénéfices. Enfin, les données émanant du Bureau of Economic Analysis (BEA) des États-Unis sont réservées aux analyses comparatives. Cette section propose une description générale de ces sources, tandis que les sections suivantes s’intéressent à leurs modalités précises d’utilisation au sein des matrices (par ordre de préférence, méthodologie d’extrapolation, etc.).

473. L’obligation pour les groupes EMN dont le chiffre d’affaires annuel consolidé est supérieur à 750 millions d’euros de déposer des déclarations pays par pays renseignant leurs bénéfices et leurs activités économiques a été instaurée en 2016 dans le cadre de la mise en œuvre du Projet BEPS OCDE/G20, l’objectif étant de soutenir les juridictions dans la lutte contre l’érosion de la base d’imposition et le transfert de bénéfices. Si la principale finalité de ces déclarations est d’aider les administrations fiscales à identifier et à évaluer les risques liés aux prix de transfert et les autres risques en matière de BEPS, les données qu’elles permettent de recueillir peuvent également être très utiles pour l’analyse économique des pratiques BEPS et des EMN en général.

474. Les groupes EMN déposent leurs déclarations pays par pays auprès des administrations fiscales, généralement dans la juridiction de leur entité mère ultime. Bien qu’en règle générale, ces déclarations individuelles ne soient pas rendues publiques, il a été décidé, dans le cadre de l’Action 11 du Projet BEPS, que les administrations des juridictions les utiliseraient pour compiler des statistiques agrégées et anonymisées, qu’elles fourniraient à l’OCDE pour publication (OCDE, 2017[7]).

475. La première compilation de statistiques agrégées et anonymisées tirées des déclarations pays par pays a été publiée en juillet 2020 dans le cadre de l’édition 2020 des Statistiques de l’impôt sur les sociétés de l’OCDE (OECD, 2020[9]). Le jeu de statistiques porte sur l’année 2016 ainsi que sur près de 4 000 groupes EMN et sur les 26 juridictions de résidence de leur entité mère ultime (voir la liste fournie à l’Annexe 5.A). Il contient un large éventail d’informations sur les activités financières et économiques au niveau mondial de ces groupes EMN, concernant notamment le nombre de salariés, le chiffre d’affaires réalisé avec des parties liées et indépendantes, les bénéfices générés et les impôts acquittés (ces informations étant généralement basées sur des données de comptabilité financière), ainsi que les principales fonctions exercées au sein des juridictions ou des groupes de juridictions.

476. La méthode utilisée pour la collecte des données garantit que l’ensemble des activités et des bénéfices des groupes EMN couverts sont inclus, même lorsqu’il s’agit de juridictions pour lesquelles la couverture pose souvent problème (notamment les juridictions à fiscalité nulle et les centres d’investissement). Ainsi, les statistiques issues des déclarations pays par pays s’imposent comme une nouvelle source d’informations encore plus essentielle, en particulier pour l’analyse des pratiques BEPS. À l’instar de toute source, ces statistiques présentent certaines limites. Tout d’abord, leur première compilation est restreinte en cela que plusieurs pays, dont quelques grands, n’ont pas communiqué leurs statistiques agrégées à des fins de publication par l’OCDE. Ensuite, en raison du manque de clarté en ce qui concerne le traitement à appliquer aux dividendes intragroupe et aux « entités apatrides », les variables relatives aux bénéfices et, dans une moindre mesure, au chiffre d’affaires peuvent être sujettes à une double comptabilisation7. Pour une description complète du jeu de statistiques provenant des déclarations pays par pays, une présentation de la méthodologie de collecte et d’agrégation, et des explications sur les principales limites des données et les statistiques synthétiques tirées de celles-ci, voir le document OCDE (2020[3]).

477. Fournie par Bureau van Dijk (BvD), la base de données ORBIS est la plus importante ressource internationale d’informations sur l’actionnariat et les états financiers d’entreprises du monde entier. Ses informations proviennent de diverses sources sous-jacentes, proposées notamment par des agences de notation de crédit (telles que Cerved en Italie) et des banques nationales (dont la Banque nationale de Belgique). ORBIS contient des données par entreprise, tant pour les sociétés cotées en bourse que pour les entités privées. Ses variables concernent entre autres des éléments du bilan (actifs, passifs, etc.), des informations du compte de résultat (chiffre d’affaires, coût de la main-d'œuvre, résultat avant intérêts et impôts, bénéfice avant impôt, etc.), le nombre de salariés et des informations sur l’actionnariat (propriétaires directs et ultimes d’une entité, parts détenues, etc.).

478. ORBIS contient des données de comptabilité financière provenant à la fois des états consolidés (par groupe EMN) et des états non consolidés (par entité). Si la couverture des données des états consolidés est bonne dans la plupart des juridictions de l’entité mère ultime, celle des états non consolidés manque fortement d’uniformité d’une juridiction à l’autre. Ainsi, cette couverture est correcte dans de nombreuses juridictions européennes mais médiocre aux États-Unis et dans la plupart des économies en développement, des juridictions à fiscalité nulle et des centres d’investissement. Aux fins de ce chapitre, les données non consolidées d’ORBIS ont été utilisées uniquement pour les juridictions bénéficiant d’une bonne couverture (voir la liste à l’Annexe 5.A). Malgré les disparités en matière de couverture des données issues des états non consolidés, ORBIS offre des informations complètes sur l’actionnariat. Ainsi, le propriétaire ultime au niveau mondial de chaque entité y est généralement identifié, même s’il se trouve dans une juridiction où la couverture des états financiers non consolidés est faible8. Dès lors, la juridiction de la société mère ultime des entités des EMN peut être identifiée de façon précise dans ORBIS.

479. Étant donné que le but premier de la collecte des données ORBIS n’est pas l’analyse statistique, un important travail de traitement et d’épurement est nécessaire pour améliorer leur fiabilité (en éliminant les doublons et les erreurs de déclaration notamment). Dans le jeu de données ORBIS utilisé pour élaborer les matrices présentées ici, les informations sur l’actionnariat et les statistiques financières ont été corrigées de façon rigoureuse, en mettant à profit les solides connaissances d’ORBIS acquises par l’OCDE (pour plus de détails, voir l’Annexe 5 B).

480. Cette base de données contient des informations sur les activités exercées dans les pays de l’OCDE par les filiales détenues à l’étranger par les EMN (activité « domestique ») et sur les activités exercées à l’étranger par les filiales des EMN ayant leur siège dans un pays de l’OCDE (activité « à l’étranger »). Elle s’appuie sur les données communiquées à l’OCDE et à d’autres institutions dans le cadre d’enquêtes annuelles sur les activités des entreprises à capitaux étrangers et des filiales étrangères situées hors de leur juridiction et contrôlées par des résidents du pays déclarant. Il s’agit notamment d’Eurostat (données incluses dans la base de données FATS Eurostat) et du Bureau of Economic Analysis des États-Unis (données incluses dans la base de données AMNE américaine).

481. La base de données AMNE contient 17 variables avec ventilation par pays d’origine (investissements entrants) ou de destination (investissements sortants) et par secteur d’activité (50 au total) pour 31 pays membres de l’OCDE. Entre autres variables disponibles, citons la production, la valeur ajoutée, le nombre de personnes occupées, la rémunération des salariés, les dépenses en recherche et développement, les exportations, les investissements bruts en biens corporels et l’excédent brut d’exploitation. Parmi celles-ci, l’excédent brut d’exploitation est la mesure qui se rapproche le plus du bénéfice, mais il présente d’importantes dissimilitudes conceptuelles par rapport au bénéfice avant impôt tel que présenté dans les états financiers des entreprises. Il repose en effet sur une méthodologie comptable nationale afin de prendre en compte la dépréciation, et les intérêts versés ne sont pas soustraits du bénéfice.

482. Les principales limites de la base de données AMNE dans le cadre de la présente analyse sont les suivantes : (i) elle ne contient pas de données sur les entités détenues par les EMN dans leur juridiction et (ii) le secteur financier est exclu du champ d’application des données dans certaines juridictions (par exemple, les États membres de l’UE). En outre, les données AMNE bilatérales sont parfois incomplètes en raison essentiellement de problèmes de confidentialité car certaines valeurs au niveau de la paire de pays ne portent que sur un petit nombre d’EMN. Enfin, les données relatives à l’activité domestique et à l’activité à l’étranger n’offrent pas les mêmes variables ; ainsi, celles pour l’étranger ne comprennent pas l’excédent brut d’exploitation.

483. Cette base de données contient une matrice bilatérale complète sur la production des filiales étrangères des EMN dans 59 pays, ainsi que sur la production agrégée pour les autres pays du monde. Les données sont ventilées par pays d’accueil et de la société mère ainsi que par secteur (les 34 secteurs d’activité de la nomenclature NACE Rév. 2 sont représentés (Eurostat, 2008[10])). La base de données analytique AMNE comprend également des informations relatives à la valeur ajoutée, aux exportations et aux importations des intrants intermédiaires par pays d’accueil et par secteur, mais sans ventilation par pays de la société mère ultime. Ces données éclairent sur la manière dont les EMN étrangères contribuent à ces variables. En outre, une deuxième série de tableaux fournit des informations sur la production, la valeur ajoutée, les exportations et les importations des intrants intermédiaires pour les entreprises multinationales et non multinationales de la juridiction.

484. La base de données analytique AMNE de l’OCDE a été créée à partir de la base de données AMNE de l’OCDE (voir la section précédente). Il se peut qu’elle ne contienne pas les informations relatives à certains pays et secteurs ; des estimations ont alors été produites à l’aide de sources nationales supplémentaires et par l’application de diverses méthodologies statistiques (pour plus de détails, voir Cadestin et al. (2018[2])).

485. Le principal inconvénient de la base de données analytique AMNE au regard du présent chapitre est qu’elle offre un nombre limité de variables et ne contient aucun indicateur du bénéfice (contrairement à la base de données AMNE de l’OCDE, qui comporte des données sur l’excédent brut d’exploitation), ni sur les actifs corporels et les coûts salariaux. Par ailleurs, ses données AMNE sous-jacentes se concentrent sur les EMN à capitaux étrangers et, par conséquent, les informations qu’elle fournit au sujet des EMN à capitaux nationaux sont moins fiables car elles s’appuient davantage sur d’autres sources (parfois moins bien harmonisées) et sur des imputations.

486. Plusieurs organisations internationales (telles que l’OCDE, le FMI et la CNUCED) publient des données bilatérales sur l’IDE qui couvrent un large éventail de juridictions. Ces données sont généralement collectées pour les besoins des statistiques de la balance des paiements. Les données sur l’IDE concernent les positions (ou stocks) d’investissement et les flux d’investissement transfrontaliers ; il s’agit d’investissements caractérisés par une relation à long terme, un intérêt durable et un certain degré de contrôle (la participation au capital doit atteindre le seuil de 10 %). Les flux financiers se composent de prises de participation, de réinvestissements de bénéfices et de prêts intragroupe. Les données sur l’IDE portent également sur le revenu d’investissement (dividendes, intérêts) et les flux de redevances. Les données bilatérales sur l’IDE sont généralement communiquées par l’investisseur et la juridiction destinataire, mais des valeurs différentes peuvent être transmises pour un même point de données en raison de divergences méthodologiques entre les juridictions déclarantes9.

487. Aux fins de ce chapitre, les données sur l’IDE présentent l’avantage de bénéficier d’une large couverture géographique, qui s’étend à la plupart des paires de juridictions enregistrant des investissements transfrontaliers importants. Les données sur les stocks d’IDE et le revenu de l’IDE peuvent servir dans le cadre de mesures des bénéfices des EMN dans les juridictions étrangères. En revanche, les données sur l’IDE ne renseignent pas de manière directe sur le chiffre d’affaires, les actifs corporels ou les coûts salariaux. On sait que les comportements BEPS peuvent fausser les données sur l’IDE, ce qui est problématique pour l’analyse de l’activité d’investissement « réelle » fondée sur l’IDE (Damgaard, Elkjaer et Johannesen, 2019[11]). Néanmoins, une telle distorsion n’entrave pas nécessairement l’identification des juridictions où sont localisés les bénéfices, qui constitue la finalité de la matrice des bénéfices. Un avantage connu des données sur l’IDE est en effet qu’elles offrent des renseignements concernant la localisation des bénéfices transférés par les EMN (Bolwijn, Casella et Rigo, 2018[12]).

488. Un important point faible des données sur l’IDE est qu’elles se concentrent habituellement sur les investisseurs directs dans une juridiction, et non sur les investisseurs ultimes. Cela peut poser problème car certains investissements peuvent passer par plusieurs juridictions avant d’atteindre leur destination finale (Borga et Caliandro, 2018[13]), notamment dans le cas de montages de transfert de bénéfices. Ces dernières années, l’OCDE a commencé à publier des statistiques sur les positions d’IDE entrant par investisseur ultime (plutôt que par investisseur immédiat) pour un sous-ensemble de 15 juridictions destinataires. Aux fins du présent chapitre, ces données par investisseur ultime sont utilisées lorsqu’elles sont disponibles. Pour les autres juridictions destinataires, une méthodologie sophistiquée inspirée des travaux de Damgaard et Elkjaer (2017[4]) et de Casella (2019[5]) est appliquée. Celle-ci traite au moyen d’itérations les données sur les IDE directs et élimine les investissements « de transit » (ou « relais ») afin de mesurer les stocks d’IDE par investisseur ultime (voir l’Annexe 5 C).

489. Bien que dépourvues de la perspective transnationale des sources décrites précédemment, les sources nationales peuvent offrir des données supplémentaires sur l’activité et les bénéfices des EMN. Les données transmises par le Bureau of Economic Analysis (BEA) du ministère américain du Commerce constituent la source nationale la plus détaillée. Avec sa base de données sur les activités des entreprises multinationales américaines, le BEA fournit des statistiques relatives aux activités de ces multinationales dans le monde, notamment des données issues du bilan et du compte de résultat, relatives à l’effectif, aux salaires et charges sociales, sur les échanges de biens et services et les dépenses en recherche et développement. Les données sont ventilées à la fois par juridiction de la filiale et par secteur économique, avec différents niveaux de répartition (géographique et sectorielle) selon le tableau. Bien que les données AMNE de l’OCDE pour les États-Unis reposent sur une partie des données du BEA concernant les EMN américaines, ces dernières sont à bien des égards plus détaillées que celles de l’OCDE relatives aux activités des EMN américaines.

490. Les données du BEA comportent deux indicateurs du bénéfice : (i) le résultat net (net income), provenant du compte de résultat (tableau II.D 1 de la base de données du BEA), sujet à une double comptabilisation des bénéfices issus des participations (Blouin et Robinson, 2019[14]), et (ii) le rendement de type profit (profit-type return), issu de la décomposition de la valeur ajoutée (tableau II.F 1 de la base de données du BEA), qui correspond à l’indicateur le plus proche du bénéfice en comptabilité financière et n’est pas sujet au problème de la double comptabilisation (voir aussi Clausing (2020[15]). Les données fournies par le BEA comprennent également des indicateurs du chiffre d’affaires (« Sales », à savoir les ventes, correspondant au chiffre d’affaires dans le compte de résultat), des actifs corporels (« Property, plant and equipment » dans le tableau II.B 1-2 de la base de données du BEA, c’est-à-dire les immobilisations corporelles dans le bilan des filiales) et des coûts salariaux (« Compensation of employees », à savoir les salaires et charges sociales, dans la décomposition de la valeur ajoutée).

491. L’approche adoptée pour pallier les limites en matière de couverture inhérentes aux sources existantes consiste à combiner des données de différentes sources en un cadre cohérent (c’est-à-dire un ensemble de matrices). L’objectif est d’obtenir une couverture géographique mondiale des bénéfices et de l’activité économique des EMN, tout en utilisant pour chaque point de données la source la plus fiable disponible. De plus, l’approche a la particularité de tirer parti des cas où plusieurs sources peuvent s’appliquer à un même point de données pour les rapprocher entre elles et ainsi améliorer la qualité et la cohérence des données.

492. En pratique, chaque matrice analyse les données par EMN et les ventile sur plus de 200 juridictions de la filiale (lignes de la matrice) et sur plus de 200 juridictions de l’entité mère ultime (colonnes de la matrice). Elle se présente ainsi sous la forme d’un tableau carré de plus de 200 lignes et de plus de 200 colonnes (les mêmes juridictions sont représentées dans les lignes et les colonnes). Par exemple, la cellule France/États-Unis de la matrice des bénéfices indique les bénéfices réalisés en France par les EMN américaines (c’est-à-dire celles dont la société mère ultime est située aux États-Unis). Chaque cellule des matrices tire ses données d’une source spécifique mais, lorsque plusieurs sources sont disponibles, selon leur ordre de préférence prédéfini, comme expliqué ci-dessous.

493. Comme le montre le Graphique 5.1, qui présente de manière schématique les sources qui sous-tendent la matrice des bénéfices, les sources associées diffèrent en termes de couverture. En particulier, les statistiques tirées des déclarations pays par pays permettent de renseigner les colonnes et les données issues d’ORBIS, les lignes. En effet, ces statistiques contiennent généralement, pour une juridiction donnée de l’entité mère ultime, des informations détaillées portant sur les différentes juridictions où sont implantées les filiales. Quant aux données provenant des états non consolidés d’ORBIS, elles comprennent, pour les juridictions de la filiale qui bénéficient d’une bonne couverture dans ORBIS, des informations détaillées sur les entités des EMN de tous les pays où la société mère ultime est établie.

494. Les définitions des quatre variables analysées par les matrices (bénéfices, chiffre d’affaires, actifs corporels et coûts salariaux) sont indiquées dans le Tableau 5.1. Elles ont été formulées de façon à répondre aux besoins de l’évaluation d’impact du Pilier Un et du Pilier Deux, tout en tenant compte des contraintes liées aux sources de données existantes. Ainsi, ces quatre variables reposent sur des concepts qui sous-tendent les données de comptabilité financière (et non les données fiscales ou de comptabilité nationale). Les matrices portent sur 2016, à savoir la dernière année pour laquelle des données sont disponibles parmi toutes les sources utilisées.

495. Les définitions présentées au Tableau 5.1 constituent les « objectifs à atteindre », en ce sens que les quatre matrices sont renseignées à partir de variables aussi proches que possible de ces définitions. Toutefois, les valeurs exactes insérées dans les cellules peuvent s’écarter de ces définitions cibles en raison des limites inhérentes aux données disponibles utilisées pour renseigner les matrices (par exemple, les dividendes intragroupe sont partiellement inclus dans les statistiques issues des déclarations pays par pays). Les variables exactes analysées dans chacune des sources sous-jacentes sont présentées à la Section 5.4.

496. D’une manière générale, la même méthodologie est appliquée pour le remplissage des quatre matrices. Toutefois, comme les variables disponibles diffèrent selon les sources (ainsi, les bénéfices, le chiffre d’affaires et les actifs corporels sont inclus dans les statistiques issues des déclarations pays par pays, ce qui n’est pas le cas des coûts salariaux), les quatre matrices n’utilisent pas tout à fait la même combinaison de sources (voir le Tableau 5.2). Dans les quatre matrices, des extrapolations sont appliquées « en dernier recours » aux cellules pour lesquelles il n’est pas possible d’obtenir de données effectives. Même si les valeurs extrapolées comportent évidemment un plus grand degré d’incertitude que les valeurs tirées de données effectives, cette approche garantit que toutes les cellules sont finalement renseignées.

497. Comme plusieurs sources de données sont parfois disponibles pour un même point de données, les sources doivent être classées par ordre de préférence. Afin d’assurer la cohérence des quatre matrices, les sources ont été priorisées de la manière la plus homogène possible. Par ailleurs, en règle générale, les données effectives ont été privilégiées par rapport aux extrapolations. Une fois ces principes établis, il restait plusieurs possibilités en matière de classement, sans que l’on puisse déterminer avec certitude la meilleure option au vu des avantages et inconvénients inhérents aux sources disponibles (par exemple, les statistiques tirées des déclarations pays par pays ou les données issues d’ORBIS). Il a été décidé d’accorder la priorité aux statistiques issues des déclarations pays par pays, puisque c’est la source qui offre la plus large couverture géographique pour plusieurs des variables analysées. La base de données ORBIS occupe le deuxième rang car elle offre l’avantage de couvrir les quatre variables. Viennent ensuite la base de données analytique AMNE de l’OCDE (dans la matrice des chiffres d’affaires), la base de données AMNE de l’OCDE (dans les matrices des chiffres d’affaires et des coûts salariaux) et, enfin, les extrapolations propres à chaque matrice. Un test de robustesse qui consiste à modifier le classement des sources établi est présenté à la Section 5.8.5 pour en illustrer les implications potentielles.

498. La disponibilité de plusieurs sources couvrant les mêmes points de données est très utile pour comparer les sources entre elles et, plus largement, pour évaluer la qualité des données. Les analyses comparatives approfondies effectuées dans le cadre de la préparation des matrices sont présentées à la Section 5.8

499. Quatre sources de données effectives sont utilisées pour renseigner les matrices : (i) statistiques issues des déclarations pays par pays (toutes les matrices sauf celle des coûts salariaux), (ii) données issues d’ORBIS (les quatre matrices), (iii) données analytiques AMNE de l’OCDE (matrice des chiffres d’affaires) et (iv) données AMNE de l’OCDE (matrices des chiffres d’affaires et des coûts salariaux). Cette section décrit de façon plus précise les modalités d’utilisation de chacune de ces sources. Les méthodes d’extrapolation appliquées pour renseigner les cellules qui ne peuvent être alimentées avec des données effectives sont exposées à la section suivante.

500. Ces statistiques ont été utilisées directement, dans les cas où elles étaient disponibles, pour renseigner les cellules des matrices des bénéfices, des chiffres d’affaires et des actifs corporels. Les données sont extraites du cadre « Subgroups with positive profits » (Sous-groupes enregistrant des bénéfices positifs) du Tableau I. Les variables utilisées sont respectivement les suivantes : bénéfice (perte) avant impôts, chiffre d’affaires total, actifs corporels hors trésorerie et équivalents de trésorerie (OCDE, 2020[3]).

501. Les données sur les sous-groupes enregistrant des bénéfices positifs portent uniquement sur les entités appartenant à des groupes EMN qui enregistrent des bénéfices positifs dans la juridiction considérée et excluent donc les entités qui sont en perte dans cette juridiction. Il aurait également été envisageable d’utiliser les données pour tous les sous-groupes EMN, qu’ils soient bénéficiaires ou déficitaires. Dans ce cas, les bénéfices cumulés auraient été plus faibles, car les bénéfices des sous-groupes enregistrant des bénéfices positifs auraient été déduits des pertes des sous-groupes déficitaires. En revanche, les totaux des chiffres d’affaires et des actifs corporels auraient été plus élevés, car un plus grand nombre de groupes EMN auraient été pris en compte dans leur calcul10.

502. Le choix de privilégier les sous-groupes enregistrant des bénéfices positifs a été motivé par la finalité des matrices, à savoir éclairer l’évaluation de l’impact du Pilier Un et du Pilier Deux. Cette approche accroît la pertinence des matrices aux fins de cette évaluation étant donné que, de toute évidence, les deux piliers auront essentiellement un effet sur l’imposition des groupes EMN dans les pays où ils sont bénéficiaires (voir chapitres 2 et 3). Elle a été appliquée de manière systématique aux matrices des bénéfices, des chiffres d’affaires et des actifs corporels pour garantir leur cohérence en cas d’utilisation conjointe. Dans la mesure du possible et sur la base de postulats semblables, la priorité a été accordée aux sous-groupes enregistrant des bénéfices positifs pour d’autres sources (i.e. ORBIS) et implicitement pour les extrapolations, comme expliqué plus loin.

503. Les statistiques issues des déclarations pays par pays ont été utilisées pour 25 juridictions de l’entité mère ultime, c'est-à-dire pour renseigner les colonnes des matrices (voir la liste des juridictions dans l’Annexe 5.A)11. Certaines de ces juridictions ont fourni ces statistiques pour chaque juridiction de résidence de leurs filiales. Dans d’autres, elles les ont communiquées pour des groupes de juridictions (par exemple, par continent, ou, dans les cas extrêmes de consolidation, uniquement en séparant leur propre juridiction des juridictions étrangères), ou pour une combinaison de juridictions individuelles et de groupes (« autres juridictions européennes », « autres juridictions africaines », etc.). La raison de ce regroupement est généralement d’éviter d’enfreindre les règles relatives à la confidentialité des informations des contribuables. Pour renseigner les matrices, les données relatives aux groupes de juridictions n’ont pas été utilisées car il est impossible de les attribuer directement à des juridictions individuelles. Par conséquent, les statistiques issues des déclarations pays par pays ont été considérées comme étant manquantes pour ces cellules, et ces dernières ont été renseignées à l’aide des autres sources disponibles (ou par des extrapolations) en respectant l’ordre de préférence établi (voir le Tableau 5.2).

504. Les statistiques issues des déclarations pays par pays portent sur 2016 : c’est (pour le moment) la seule année pour laquelle l'on dispose de statistiques pour la majorité des juridictions de l’entité mère ultime, à l’exception des États-Unis qui ont déjà publié celles de 2017. Aux États-Unis, le dépôt de ces déclarations, à titre volontaire en 2016, est devenu obligatoire en 2017, ce qui a entraîné une augmentation de plus de 40 % du nombre de groupes EMN déclarants12. Cela étant, il a été décidé d’utiliser les statistiques de 2017 pour les États-Unis au lieu de celles de 2016. Bien que cette exception engendre une légère incohérence temporelle par rapport aux autres sources des matrices, il a été jugé qu’elle se justifiait par le fait qu’elle assure une meilleure couverture des groupes EMN.

505. Les statistiques issues des déclarations pays par pays ne portent que sur les groupes EMN dont le chiffre d’affaires annuel consolidé est supérieur à 750 millions d’euros, vu que ceux qui n’atteignent pas ce seuil sont exemptés de l’obligation déclarative. Dans le cadre de l’évaluation de l’impact du Pilier Un et du Pilier Deux, il pourrait être intéressant d’exclure des données les groupes EMN de plus petit calibre, afin de rendre les estimations plus précises dans l’hypothèse à visée illustrative où le Pilier Un et le Pilier Deux prévoiraient un seuil de chiffre d’affaires consolidé d’un montant semblable à celui fixé pour les déclarations pays par pays. Toutefois, ce seuil de chiffre d’affaires comporte une part d’incohérence par rapport à d’autres sources de données ne permettant pas de l’appliquer directement. Une analyse détaillée basée sur les données issues des états consolidés d’ORBIS (telle que celle décrite au chapitre 2) suggère que plus de 90 % du total des bénéfices des EMN proviennent de groupes EMN dont le chiffre d’affaires est supérieur au seuil fixé pour l’obligation de déclaration pays par pays. Il en va de même pour les autres variables analysées (chiffre d’affaires, actifs corporels et coûts salariaux). Il est donc probable que l’incohérence créée par le seuil de chiffre d’affaires consolidé afférent aux statistiques provenant des déclarations pays par pays n’ait qu’un impact global limité sur les matrices.

506. Comme expliqué à la Section 5.2.1 ci-dessus, les statistiques issues des déclarations pays par pays présentent un certain nombre de limites13. Premièrement, la déclaration au titre de bénéfices des dividendes reçus des filiales peut être incohérente (ils peuvent être inclus ou non). Les analyses approfondies comparant les statistiques issues des déclarations pays par pays aux autres sources présentées ci-dessous indiquent toutefois qu’une telle incohérence ne semble pas affecter outre mesure la qualité globale de ces données. Pour autant, l’impact peut être plus problématique dans certaines juridictions selon les orientations qui leur sont fournies concernant la déclaration et l’importance de leurs dividendes intragroupe. Deuxièmement, la présence dans ces statistiques de bénéfices et d’activités affichant la mention « stateless » (entité sans résidence fiscale) peut notamment correspondre à des entités « intermédiaires » dont les activités et les bénéfices figurent déjà ailleurs dans les données. Par conséquent, les activités et bénéfices de ces entités sans résidence fiscale ont été exclus des matrices afin d’éviter le risque de double comptage.

507. Dans les statistiques provenant des déclarations pays par pays, la variable des actifs corporels comprend les immobilisations corporelles, mais aussi éventuellement les stocks. En d’autres termes, elle ne correspond pas exactement à la définition des actifs corporels indiquée dans le Tableau 5.1 et n’est pas en totale adéquation avec les données correspondantes d’autres sources, qui excluent les stocks. Pour régler ce problème, les valeurs d’actifs corporels extraites des statistiques issues de ces déclarations ont été réduites en excluant les stocks ; pour ce faire, la part que ces derniers représentent dans les actifs corporels des EMN américaines (qui sont supposées être représentatives des EMN des autres juridictions), calculée à l’aide des données fournies par le BEA14.

508. Utilisées pour renseigner les cellules des matrices des bénéfices, des chiffres d’affaires, des actifs corporels et des coûts salariaux, les données issues d’ORBIS ont été extraites des états financiers non consolidés des entreprises appartenant à des groupes EMN (identifiés grâce aux données sur l’actionnariat provenant d’ORBIS, décrites en détail dans l’Annexe 5.B). La qualité de la couverture des données provenant de ces états financiers non consolidés a été jugée suffisante pour qu’ORBIS soit utilisé pour renseigner les matrices dans 24 juridictions de la filiale (voir la liste à l’Annexe 5.A)15. Pour chacune de ces juridictions, ORBIS contient des informations financières relatives aux entités des EMN de toutes les juridictions de la société mère ultime (même lorsque cette société se trouve dans une juridiction pour laquelle la couverture des données issues des états non consolidés d’ORBIS est faible). Par conséquent, les données issues d’ORBIS peuvent être utilisées pour renseigner les lignes qui correspondent à ces juridictions. Les variables utilisées pour les quatre matrices sont respectivement les suivantes : bénéfice (perte) avant impôts, résultat d’exploitation, actif immobilisé et coût de la main-d’œuvre.

509. Avant d’être utilisées, les données issues d’ORBIS ont été épurées et vérifiées en profondeur en mettant à profit les solides connaissances acquises par l’OCDE grâce à toute une série de projets antérieurs. Ce travail de correction est nécessaire pour améliorer la fiabilité des données car, fondamentalement, les données issues d’ORBIS ne sont pas recueillies à des fins d’analyse statistique. Les données sur l’actionnariat issues d’ORBIS utilisées dans ce projet ont été soumises à une révision minutieuse (y compris par l’identification des liens de propriété manquants dans la base de données ORBIS d’origine) mise en œuvre par la Direction de la science, de la technologie et de l’innovation (STI) de l’OCDE, conformément à la méthodologie de Bajgar et al. (2019[16]). En ce qui concerne les données issues des états financiers, la procédure appliquée pour les épurer a quant à elle été inspirée des travaux de Gal (2013[17]), Johansson et al. (2017[18]) et de ceux de Bailin et al. (2019[19]). La procédure détaillée de correction des données relatives à l’actionnariat et des données provenant des états financiers d’ORBIS est présentée à l’Annexe 5 B.

510. Les données issues d’ORBIS contiennent deux mesures du bénéfice : (I) le bénéfice avant impôt (PBT) et (ii) le résultat avant intérêts et impôts (EBIT). Ces mesures sont différentes en cela que le bénéfice avant impôt inclut les dividendes reçus mais pas les intérêts versés, alors que l’EBIT n’inclut pas les dividendes et n’est pas net des intérêts. Ni l’une ni l’autre ne correspond de manière exacte au concept de bénéfice tel qu’il est constaté dans les statistiques issues des déclarations pays par pays (qui est net des intérêts et peut inclure ou non les dividendes). Bien que ces deux mesures constituent des indicateurs pertinents des bénéfices, il a été décidé d’utiliser le bénéfice avant impôt, plus pertinent pour l’évaluation de l’impact du Pilier Un et du Pilier Deux, dans la matrice des bénéfices. Par exemple, le bénéfice avant impôt est la mesure du bénéfice considéré comme la base pouvant être retenue pour définir le bénéfice résiduel dans le cadre du Pilier Un. Pour autant, comme le résultat avant intérêts et impôts constitue également une mesure informative, il a été préféré au bénéfice avant impôt en tant que référence lors des contrôles de cohérence des données issues d’ORBIS (voir la Section 5.8.2).

511. Afin d’améliorer la cohérence avec les statistiques issues des déclarations pays par pays, qui, comme indiqué précédemment, se focalisent sur les « sous-groupes enregistrant des bénéfices positifs » (c’est-à-dire les entités d’une EMN qui enregistrent un bénéfice positif dans la juridiction visée), la même approche a été adoptée pour les données issues d’ORBIS16. Toujours par souci de cohérence avec ces statistiques, l’appartenance d’une entité à un groupe donné est déterminée en tenant compte d’un seuil de participation au capital fixé à 50 %. En revanche, le seuil de chiffre d’affaires annuel total de 750 millions d’euros n’a pas été appliqué, dans la mesure où les informations financières consolidées du groupe EMN auquel chaque entité appartient n’apparaissent pas toujours dans les données17.

512. Dans les données issues des états non consolidés d’ORBIS, les actifs corporels et les coûts salariaux ont une couverture moins étendue que le chiffre d’affaires. Pour les 24 juridictions où les données issues d’ORBIS sont utilisées pour renseigner les matrices, le chiffre d’affaires des entités des EMN pour lesquelles il manque des informations sur les actifs corporels représente en moyenne environ 16 % du chiffre d’affaires total des entités des EMN, les chiffres exacts dépendant de la juridiction analysée. Dans ORBIS, la couverture des coûts salariaux est généralement moins bonne que celle des autres variables examinées dans le présent chapitre. Par conséquent, les données issues d’ORBIS ne sont utilisées pour renseigner la matrice des coûts salariaux que dans 18 juridictions, contre 24 juridictions pour les autres variables (voir la liste à l’Annexe 5.A). Dans ces 18 juridictions, la proportion moyenne d’informations manquantes sur les coûts salariaux est de 26 %. Pour éviter que ces écarts de couverture n’introduisent un biais négatif dans les données issues d’ORBIS, les valeurs d’actifs corporels et de coûts salariaux tirées d’ORBIS ont été revues à la hausse proportionnellement au taux de sous-couverture estimé en fonction de la juridiction et de la variable concernées18.

513. Les informations extraites de la base de données AMNE de l’OCDE ont servi à renseigner les cellules des matrices des chiffres d’affaires et des coûts salariaux, où elles font office respectivement de quatrième et de deuxième source possible (voir le Tableau 5.2). Cette base de données contient des informations sur le chiffre d’affaires (« Chiffre d’affaires ») et les coûts salariaux (« Dépenses de personnel ») pour les paires de juridictions « entité mère ultime - filiale », principalement dans les économies de l’OCDE. Ses sources sous-jacentes sont la base de données FATS d’Eurostat et celle sur les activités des multinationales du BEA des États-Unis. Les matrices utilisent tant les données sur l’activité domestique que celles sur l’activité à l’étranger d’AMNE, et une préférence a été accordée aux premières dans les cas où les deux sont disponibles pour une même cellule.

514. Cependant, les données AMNE de l’OCDE ne sont pas représentatives de l’ensemble de l’économie ; par exemple, le secteur financier est exclu des statistiques sur les investissements entrants vers les pays européens. S’agissant du chiffre d’affaires, les données AMNE ont été utilisées pour remplir la matrice des chiffres d’affaires uniquement lorsqu’elles couvrent l’ensemble de l’économie. En ce qui concerne la matrice des coûts salariaux, pour laquelle les autres sources de données sont moins nombreuses, les données AMNE ont été utilisées même lorsqu’elles ne couvrent pas l’ensemble de l’économie, moyennant des réajustements destinés à les rendre aussi cohérentes que possible avec les données relatives à l’ensemble de l’économie. Plus précisément, les valeurs qui en sont extraites ont été multipliées par le rapport entre le chiffre d’affaires global pour tous les secteurs (tiré de la cellule pertinente de la matrice des chiffres d’affaires) et le chiffre d’affaires des secteurs couverts par les données AMNE. Par exemple, les coûts salariaux des EMN américaines établies en France tirés des données AMNE ont été multipliés par le rapport entre le chiffre d’affaires de ces EMN extrait de la matrice des chiffres d’affaires et leur chiffre d’affaires issu des données AMNE. Lorsque la base de données AMNE et les données sous-jacentes à la matrice des chiffres d’affaires présentent la même couverture sectorielle, le rapport est proche de 1 et l’ajustement n’est pas significatif. Si la couverture sectorielle d’AMNE est plus restreinte, le rapport est supérieur à 1, et le recalcul garantit le remplissage de la matrice des coûts salariaux avec des données représentatives de l’ensemble de l’économie, du moins de manière approximative, et cohérentes avec la matrice des chiffres d’affaires19.

515. Les données analytiques AMNE de l’OCDE ont été utilisées uniquement dans la matrice des chiffres d’affaires, où elles constituent la troisième source par ordre de préférence, après les statistiques issues des déclarations pays par pays et les données issues d’ORBIS. Au niveau de ventilation requis pour les matrices (par paire de juridictions), la base de données analytique AMNE contient des informations sur la production brute des EMN, mais pas directement sur leur chiffre d’affaires. Ses données à un niveau plus agrégé (par juridiction), qui rendent compte à la fois de la production brute et du chiffre d’affaires, suggèrent que ces deux variables sont généralement étroitement liées, sauf dans certains secteurs spécifiques (en particulier, le commerce de gros et la vente au détail ; voir Graphique 2 in Cadestin et al. (2018[2]).

516. Afin de « convertir » la production brute en une mesure du chiffre d’affaires par paire de juridictions, la production brute constatée dans un secteur et une paire de juridictions donnée a été multipliée par le ratio production brute/chiffre d’affaires pour ce secteur et cette paire de juridictions, déterminé à partir des données (non publiées) sous-jacentes à la base de données analytique AMNE. Dans le cas des paires de juridictions pour lesquelles ce ratio n’était pas disponible, le ratio moyen production brute/chiffre d’affaires a été appliqué, soit au niveau « juridiction du marché - secteur », soit au niveau du secteur, en fonction des données disponibles.

517. La méthodologie d’extrapolation varie selon la matrice, car la nature des données effectives manquantes ainsi que les substituts disponibles à des fins d’extrapolation dépendent de la variable considérée. À titre d’exemple, les données sur l’IDE peuvent être utilisées pour extrapoler la localisation des bénéfices, mais elles conviennent moins à l’extrapolation des autres variables étudiées.

518. L’approche générale adoptée présente toutefois des similitudes importantes entre les quatre matrices. Le principal point commun est que la méthodologie d’extrapolation couvre l’ensemble des cellules d’une même matrice, de sorte que toutes sont complètement renseignées une fois finalisées. En outre, elle s’appuie souvent sur les informations présentes dans les cellules renseignées avec des données effectives afin d’assurer une cohérence optimale entre les valeurs extrapolées et les données de ces cellules. Enfin, les extrapolations visent à optimiser la comparabilité des données des quatre matrices, en tenant compte du fait que ces dernières devront peut-être être utilisées conjointement. Par exemple, les extrapolations des matrices des actifs corporels et des coûts salariaux reposent sur les données de la matrice des chiffres d’affaires.

519. Dans cette matrice, des méthodes d’extrapolation différentes ont été appliquées aux cellules de la diagonale (bénéfices des EMN dans la juridiction de l’entité mère ultime) et aux cellules hors diagonale (bénéfices des EMN dans les juridictions étrangères). Ce choix s’explique par le fait que les données disponibles diffèrent. Pour les cellules hors diagonale, l’extrapolation est principalement basée sur les données bilatérales sur l’IDE, qui sont indisponibles pour les cellules de la diagonale car, par définition, l’IDE représente l’investissement étranger. C’est pourquoi la méthodologie d’extrapolation utilisée pour les cellules de la diagonale recourt à d’autres données macroéconomiques agrégées, comme expliqué plus loin.

520. Dans ces cellules, les bénéfices sont extrapolés sur la base des stocks d’IDE bilatéraux et d’un postulat concernant le taux de rendement de l’IDE, qui tient compte des hétérogénéités de ce taux de rendement entre juridictions investisseuses et destinataires. Cette section propose un aperçu de cette méthodologie et l’Annexe 5 C décrit en détail toutes ses composantes.

521. Les stocks d’IDE pris en compte sont basés sur la localisation de l’investisseur ultime (par opposition à l’investisseur immédiat) dans une juridiction, par souci de cohérence avec les autres sources sous-jacentes à la matrice des bénéfices, qui s’appuient également sur le concept d’investisseur ultime (plus précisément, la localisation de la société mère ultime du groupe EMN investisseur). L’investisseur ultime apparaît dans les données disponibles de l’OCDE pour 15 juridictions. Pour les autres juridictions, sa localisation est identifiée au moyen d’itérations sur les données relatives aux IDE immédiats, en respectant et en affinant la méthodologie de Casella (2019[5]).

522. Cette méthodologie est affinée de deux manières : (I) la probabilité que l’IDE en provenance d’une juridiction donnée soit un investissement de transit (c'est-à-dire que l’investisseur ultime ne soit pas situé dans cette juridiction) – un élément qui lui est capital – est estimée sur la base des données dont dispose l’OCDE sur l’IDE par investisseur ultime, et non par investisseur immédiat, comme expliqué dans l’Annexe 5 C. Cette mesure, plus directe et bénéficiant d’une couverture géographique plus large que celle utilisée dans les études précédentes (Damgaard et Elkjaer, 2017[4] ; Casella, 2019[5] ; Damgaard, Elkjaer et Johannesen, 2019[11]), est basée sur la part que représentent les entités à vocation spéciale (EVS) dans l’investissement étranger direct sortant d’une juridiction; (ii) après identification de l’investisseur ultime correspondant à une position d’IDE donnée, les positions intermédiaires correspondant aux IDE « de transit » (ou « relais ») sont éliminées des données, comme illustré au Graphique 5.2 – cette étape vient s’ajouter à celles de la méthodologie de Casella (2019[5]).

523. Les données sur l’IDE par investisseur ultime proviennent des statistiques de l’OCDE sur l’IDE, et les données sur l’IDE par investisseur immédiat sont issues des statistiques de l’OCDE sur l’IDE et de l’Enquête coordonnée sur l’investissement direct (ECID) du FMI. Dans le cas des paires de juridictions pour lesquelles aucune donnée sur les IDE immédiats n’est disponible, les stocks d’IDE sont imputés en utilisant un modèle gravitationnel standard reposant sur des variables telles que la distance qui sépare les juridictions investisseurs et destinataires, leur PIB et leur PIB par habitant. Ces imputations fondées sur le modèle gravitationnel garantissent le remplissage complet de la matrice contenant les données sur les IDE immédiats et, ensuite, de la matrice qui comporte les estimations des IDE ultimes. Bien que ces imputations soient plus incertaines que les données effectives sur l’IDE, leur impact global est limité car elles ne représentent qu’environ 2 % des stocks d’IDE dans la matrice finale des IDE par investisseur immédiat.

524. En suivant cette méthodologie, deux matrices complètes des stocks d’IDE ont été créées : (i) une pour les stocks d’IDE par investisseur immédiat et (ii) une pour les stocks d’IDE par investisseur ultime. La matrice par investisseur ultime, avec valeurs agrégées par groupes de juridictions, est présentée au Tableau 5.3 (la matrice par investisseur immédiat est présentée en Tableau 5.C.3). Même si, aux fins du présent chapitre, ces deux matrices ont uniquement servi d’intermédiaires pour les extrapolations de la matrice des bénéfices, elles présentent un intérêt intrinsèque et pourraient donc faire l’objet de futures études (ou y contribuer de manière utile). Ainsi, il est intéressant de noter que l’élimination des « IDE de transit » a pour principal effet de réduire l’importance relative des centres d’investissement (en tant que juridictions de l’investisseur et du destinataire) dans la matrice des IDE (voir l’Annexe 5 C).

525. Le taux de rendement supposé de l’IDE est basé sur un rendement global « standard » de l’IDE, qui est calculé comme le rapport médian entre les bénéfices et les IDE extraits des cellules de la matrice des bénéfices renseignées avec des données effectives (ce qui donne une valeur de 7,9 %). Grâce à cette approche, la méthodologie d’extrapolation assure une cohérence optimale avec les données effectives de la matrice des bénéfices. Outre ce rendement « standard », le taux de rendement tient compte de l’écart (positif ou négatif) du taux de rendement moyen des IDE par rapport à la moyenne mondiale, tant dans les pays investisseurs que dans les juridictions destinataires. Cet écart est calculé sur la base des données disponibles sur les revenus d’IDE20 (voir l’Annexe 5 C pour plus de détails).

526. En règle générale, les données disponibles au sujet de l’activité et des bénéfices sont moins nombreuses pour les multinationales à capitaux nationaux que pour les multinationales à capitaux étrangers. Cette différence peut s’expliquer par le fait que ces dernières suscitent généralement un intérêt plus vif de la part des pouvoirs publics que les entreprises qui concentrent leur actionnariat dans leur pays. En outre, il peut être difficile, dans le cadre de la collecte de statistiques, de distinguer l’activité des entités des EMN détenues par une entreprise de leur juridiction de celle des entreprises non multinationales. En effet, pour identifier une telle entité, il faut connaître la localisation de son propriétaire ultime (pour s’assurer qu’elle n’est pas sous contrôle étranger), mais aussi disposer d’informations sur les activités des autres filiales détenues par ce même propriétaire (pour vérifier qu’au moins l’une d’entre elles est située à l’étranger). C’est pourquoi les extrapolations des cellules de la diagonale de la matrice sont globalement moins affinées que celles des cellules hors diagonale, de sorte que leurs valeurs peuvent être considérées comme plus incertaines.

527. Pour les cellules de la diagonale de la matrice des bénéfices, l’extrapolation repose sur le bénéfice total des entreprises dont l’entité mère est située dans leur juridiction (multinationales et non multinationales), estimé par Tørsløv et al. (2018[1]). Pour renseigner ces cellules (c’est-à-dire les bénéfices des EMN détenues par une entreprise de leur juridiction), les bénéfices réalisés par les entreprises dont l’entité mère est située dans leur juridiction doivent être répartis entre les entités de type multinationale et non multinationale. Pour ce faire, une méthode de régression est appliquée pour déterminer la part que représentent les bénéfices des EMN détenues par une entreprise de leur juridiction dans le bénéfice total des entreprises dont l’entité mère est située dans leur juridiction. Elle est estimée pour les quelque 30 juridictions où des données effectives sont disponibles dans les cellules de la diagonale de la matrice des bénéfices (statistiques tirées des déclarations pays par pays ou données issues d’ORBIS) pour le numérateur (bénéfices des EMN détenues par une entreprise de leur juridiction) et dans l’étude de Tørsløv et al. (2018[1]) pour le dénominateur (bénéfice total des entreprises dont l’entité mère est située dans leur juridiction), ainsi qu’en utilisant le PIB et le PIB par habitant comme variables explicatives.

528. Dans le cas des juridictions non couvertes par l’approche de Tørsløv et al. (2018[1]), pour lesquelles les données disponibles sont encore plus restreintes, le bénéfice sur la diagonale est directement extrapolé à l’aide d’une régression exécutée sur le PIB et le PIB par habitant. Les résultats de la régression indiquent qu’en général, le bénéfice des EMN détenues par une entreprise de leur juridiction est proportionnel au PIB par habitant, ce qui confirme la thèse selon laquelle les pays riches abritent plus de sièges de multinationales que les pays pauvres. De manière générale, ces extrapolations sur la diagonale de la matrice des bénéfices reposent sur des informations relativement limitées (par rapport à celles des cellules hors diagonale), et leur méthodologie sous-jacente vise principalement à garantir que les valeurs insérées dans ces cellules soient à la fois plausibles et cohérentes avec les données effectives dans le reste de cette même matrice.

529. Conjuguant quatre sources de données effectives (statistiques issues des déclarations pays par pays, ORBIS, base de données analytique AMNE de l’OCDE et base de données AMNE de l’OCDE), la matrice des chiffres d’affaires est, des quatre matrices, celle qui recourt le moins aux extrapolations. Sa méthodologie d’extrapolation repose sur un principe semblable à celle appliquée à la matrice des bénéfices, en ce sens que l’approche diffère selon qu’il s’agit de cellules de la diagonale ou hors diagonale. Dans les cellules hors diagonale, le chiffre d’affaires est extrapolé à l’aide d’un modèle gravitationnel reliant le chiffre d’affaires bilatéral à des variables macroéconomiques, à la distance physique entre les pays et, lorsqu’elles sont disponibles, aux données bilatérales sur l’IDE. Dans les cellules de la diagonale, il est extrapolé à partir de variables macroéconomiques qui tiennent compte des valeurs des cellules de la diagonale déjà obtenues d’autres sources de données.

530. Les extrapolations de chiffre d’affaires dans les cellules hors diagonale sont basées sur une équation gravitationnelle. Les niveaux de chiffre d’affaires bilatéral des EMN sont obtenus à l’aide d’un estimateur de pseudo-maximum de vraisemblance avec une loi Gamma (Santos Silva et Tenreyro, 2006[20]) ; Head and Mayer, 2014[21]) qui rapporte ce niveau à la distance entre les deux juridictions (données essentiellement issues du CEPII (Mayer et Zignago, 2011[21])), à leur PIB et à leur PIB par habitant. Cette méthode d’estimation, souvent utilisée dans un contexte commercial, a été choisie car elle est particulièrement adaptée dans un cas complexe comme celui-ci, où les cellules de la matrice des chiffres d’affaires bilatéraux des EMN peuvent prendre des valeurs positives ou (fréquemment) nulles21. Les résultats, qui sont exposés dans le Tableau 5.4, confirment l’hypothèse selon laquelle la taille et les niveaux de revenu des juridictions investisseur et destinataire sont proportionnels au chiffre d’affaires bilatéral des EMN, tandis que la distance lui est inversement proportionnelle.

531. L’extrapolation des valeurs sur la diagonale de la matrice des chiffres d’affaires repose sur une méthode semblable à celle employée dans la matrice des bénéfices. Une régression du rapport entre le chiffre d’affaires des EMN détenues par une entreprise de leur juridiction et le PIB en utilisant comme variables le PIB et le PIB par habitant est appliquée aux quelque 30 cellules de la diagonale précédemment renseignées à l’aide des statistiques issues des déclarations pays par pays et d’ORBIS.22 Les résultats de la régression sont utilisés à des fins d’extrapolation des valeurs des cellules de la diagonale pour lesquelles aucune de ces sources n’est disponible. Tout comme dans les résultats relatifs aux bénéfices des EMN détenues par une entreprise de leur juridiction, le rapport entre leur chiffre d’affaires et le PIB affiche ici une forte corrélation positive avec le PIB par habitant, reflétant le fait qu’en général, les pays riches concentrent davantage de sièges de multinationales que les pauvres.

532. Dans la matrice des actifs corporels, les extrapolations sont basées sur la matrice des chiffres d’affaires. Le principe est que, comme les actifs corporels constituent généralement un intrant important dans la production, ils sont probablement corrélés avec le chiffre d’affaires. Bien entendu, l’intensité capitalistique varie d’une entreprise à l’autre, de sorte que le rapport actifs corporels/chiffre d’affaires dépendra de la juridiction, du secteur économique et de l’EMN considérés23. Pour tenir compte de cette hétérogénéité, du moins dans la mesure où les données disponibles le permettent, l’approche s’intéresse aux variations du rapport moyen actifs corporels/chiffre d’affaires entre les juridictions de l’entité mère ultime et celles de la filiale (c’est-à-dire entre les colonnes et les lignes de la matrice des actifs corporels), comme décrit dans le Graphique 5.3.

533. Prenons l’exemple d’une juridiction A dont l’économie est principalement axée sur des secteurs à forte intensité capitalistique (p. ex., extraction de matières premières ou fabrication) : son ratio actifs corporels/chiffre d’affaires sera probablement relativement élevé. Ce ratio relativement élevé sera visible dans les données relatives aux filiales de la juridiction A tirées des statistiques des déclarations pays par pays des juridictions de l’entité mère ultime répertoriées dans l’Annexe 5.A. En extrapolant les actifs corporels détenus dans la juridiction A par les EMN dont l’entité mère ultime se trouve dans une autre juridiction, la méthodologie repose sur l’hypothèse que ces EMN ont également un ratio relativement élevé dans la juridiction A (en supposant implicitement que la nature de leurs activités est similaire à celle des autres EMN dans la juridiction A). Plus concrètement, la composante « Delta 1 » telle que présentée dans le Graphique 5.3 sera positive pour la juridiction A. De même, si les EMN dont l’entité mère ultime est établie dans une juridiction donnée affichent généralement un ratio actifs corporels/chiffre d’affaires élevé, cette tendance sera également prise en compte dans l’extrapolation, grâce à la composante « Delta 2 ». La composante « Delta 2 » est calculée à partir des données issues des états consolidés d’ORBIS, qui présentent une bonne couverture mondiale24.

534. Le ratio moyen mondial actifs corporels/chiffre d’affaires, calculé sur la base des statistiques issues des déclarations pays par pays (après ajustement des stocks, comme indiqué précédemment) est de 33 %. C’est également le ratio moyen constaté dans les données provenant des états consolidés d’ORBIS. Pour éviter que le ratio ajusté ne prenne des valeurs extrêmes en raison de la combinaison des composantes « Delta 1 et « Delta 2 » et d’éventuelles informations parasites dans les données sous-jacentes, les ajustements sont plafonnés. Ainsi, les ajustements individuels (de « Delta 1 » ou de « Delta 2 ») sont prévus de telle sorte que le rapport actifs corporels/chiffre d’affaires imputé après chaque ajustement reste dans une fourchette comprise entre 15 et 100 %, et l’ajustement combiné final (de « Delta 1 » plus « Delta 2 ») est plafonné afin que le ratio final se situe lui aussi dans cette plage.

535. La méthodologie d’extrapolation appliquée dans la matrice des coûts salariaux est très semblable à celle utilisée dans la matrice des actifs corporels. S’appuyant sur la matrice des chiffres d’affaires, elle lui applique un ratio moyen coûts salariaux/chiffre d’affaires qui tient compte des hétérogénéités observées entre ses lignes et ses colonnes (Graphique 5.4). Le ratio moyen mondial coûts salariaux/chiffre d’affaires, calculé sur la base des données ORBIS non consolidées, s’élève à 15,3 %25. Comme dans la matrice des actifs corporels, les ajustements des paramètres « Delta 1 » et « Delta 2 » sont plafonnés aux niveaux individuel et combiné, de manière à ce que les ratios imputés restent dans la fourchette comprise entre 5 % et 25 %.

536. Les matrices complètes comptent plus de 200 lignes et colonnes chacune. Pour avoir un aperçu des matrices, il est utile d’examiner leurs versions compactes, agrégées par grands groupes de juridictions, qui sont présentées dans le Tableau 5.5. . Ainsi, le Tableau 5.5. montre les matrices avec résultats agrégés par grands groupes de juridictions, qui sont au nombre de quatre : juridictions à revenu élevé, à revenu intermédiaire et à faible revenu, et centres d’investissement. Des versions plus détaillées des matrices, qui croisent la dimension des revenus et la dimension géographique, sont présentées à l’Annexe 5 D.

537. Les totaux des colonnes des matrices présentées au Tableau 5.5. confirment que les groupes EMN dont l’entité mère ultime se trouve dans une juridiction à revenu élevé concentrent la majorité de l’activité et des bénéfices des groupes EMN dans le monde (ils représentent 71 % du chiffre d’affaires total et 74 % du bénéfice total). Quant aux totaux des lignes (du Tableau 5.5. également), ils montrent que la majorité des bénéfices et de l’activité des groupes EMN dans le monde sont localisés dans les juridictions à revenu élevé (64 % du chiffre d’affaires et 61 % des bénéfices) et, dans une moindre mesure, dans celles à revenu intermédiaire (28 % du chiffre d’affaires et 22 % des bénéfices). Il est intéressant de noter que la part du total mondial des bénéfices réalisés par les EMN dans les centres d’investissement (17 %) est sensiblement plus élevée que la part de leur activité dans ces zones (8 % du chiffre d’affaires, 5 % des actifs corporels et 4 % des coûts salariaux), ce qui corrobore les preuves antérieures des pratiques des EMN en matière de transfert de bénéfices (Johansson et al., 2017[18] ; Beer, de Mooij et Liu, 2019[22]).

538. L’importance relative que présentent les différentes sources de données dans chacune des matrices est exposée de façon synthétique dans le Tableau 5.6. Cette importance est exprimée à la fois (i) en pourcentage du nombre total de cellules de chaque matrice et (ii) en pourcentage du total de la variable envisagée (par exemple, en pourcentage du total des bénéfices dans la matrice des bénéfices). Cette seconde mesure est généralement plus utile sur le plan informatif. En effet, le nombre total de cellules que compte chaque matrice est très important (près de 50 000) étant donné le large éventail de juridictions couvertes (222 au total, dont certaines sont très petites ; voir la liste complète dans le Tableau 5.D.2 en annexe). Par conséquent, la grande majorité des cellules contiennent des valeurs très faibles et ont une importance limitée, soit parce que peu d’EMN ont leur société mère ultime dans la juridiction de l’entité mère ultime concernée (comme c’est le cas pour un grand nombre de petites économies et d’économies en développement), soit parce que les juridictions de la paire « entité mère ultime - filiale » visée entretiennent peu de relations économiques (par exemple, lorsqu’elles sont très éloignées géographiquement). Ainsi, même si plus de 90 % des cellules sont renseignées par extrapolation, celles-ci ne représentent en moyenne qu’environ 25 % des totaux dans les quatre matrices.

539. Les taux affichés dans le Tableau 5.6 indiquent que les statistiques issues des déclarations pays par pays constituent la principale source des matrices des bénéfices, des chiffres d’affaires et des actifs corporels, en cela qu’elles représentent environ 60 % des totaux de chacune de ces variables dans leurs matrices respectives. La part des extrapolations est beaucoup plus faible dans la matrice des chiffres d’affaires (4 %) que dans les trois autres (entre 27 et 36 %), ce qui donne à penser que cette matrice devrait être la plus fiable des quatre.

540. L’importance relative des extrapolations par groupes de juridictions est présentée au Tableau 5.7. En règle générale, les extrapolations sont relativement peu utilisées pour les données relatives aux juridictions à revenu élevé, tant dans les lignes des matrices (entités EMN de juridictions à revenu élevé) que dans leurs colonnes (entités EMN dont la société mère ultime est située dans une juridiction à revenu élevé). Ainsi, dans la matrice des bénéfices, elles ne représentent que 14 % des données à la fois dans les lignes et les colonnes des juridictions à revenu élevé. La part des extrapolations est beaucoup plus élevée pour les juridictions à revenu intermédiaire (elle dépasse 50 % pour toutes les variables sauf le chiffre d’affaires, pour lequel elle est inférieure à 10 %), et elle est proche de 100 % dans les juridictions à faible revenu – des taux qui reflètent les fortes disparités en termes de données effectives disponibles pour ces juridictions. Enfin, la part des bénéfices extrapolés dans les lignes correspondant aux centres d’investissement est inférieure à 40 %. Bien que ce pourcentage demeure élevé, il montre bien l’importance des statistiques des déclarations pays par pays – disponibles depuis peu – en tant que source sur les bénéfices (et d’autres variables) localisés dans les centres d’investissement, ces derniers étant généralement insuffisamment couverts par les autres sources.

541. Comme les matrices combinent des données provenant de diverses sources, ainsi que des extrapolations, assurer un degré suffisant de cohérence des données tant au sein des matrices qu’entre elles constitue un défi majeur. Bien que les sources qu’elles utilisent soient toutes axées sur la mesure de variables similaires (telles que les bénéfices des EMN), elles présentent inévitablement certaines discordances sur le plan conceptuel. Ces différences peuvent concerner en particulier : la couverture (par exemple, les statistiques issues des déclarations pays par pays n’incluent que les groupes EMN dont le chiffre d’affaires consolidé est supérieur à 750 millions d’euros – seuil à partir duquel la déclaration devient obligatoire – et les données AMNE excluent le secteur financier) ; les définitions de variables (les bénéfices provenant des déclarations pays par pays peuvent inclure certains dividendes intragroupe reçus, alors que tous les dividendes sont inclus dans le bénéfice avant impôt d’ORBIS et exclus de la mesure résultat avant intérêts et impôts) ; et les taux de participation minimum associés au statut de multinationale (les statistiques issues des déclarations pays par pays et les données issues d’ORBIS appliquent un seuil de participation de 50 % et les données sur l’IDE, un seuil de 10 %).

542. Si la méthodologie appliquée pour renseigner les matrices vise à aplanir certaines de ces divergences (notamment en assurant un meilleur alignement des extrapolations sur les données effectives, puisqu’elles sont basées sur les données disponibles pour ces cellules), il est inévitable que des incohérences subsistent dans une certaine mesure. Afin d’évaluer l’ampleur de ces incohérences et de limiter leur impact potentiel sur les résultats finaux, des analyses comparatives et des contrôles de qualité approfondis ont été réalisés. Ils sont décrits dans les sections suivantes.

543. La corrélation des données entre les sources utilisées dans chaque matrice a fait l’objet de tests systématiques portant sur les cellules pour lesquelles plusieurs sources sont disponibles. Comme les méthodologies d’extrapolation présentées dans ce chapitre génèrent des valeurs pour toutes les cellules, il est possible de comparer toutes les cellules renseignées avec des données effectives au moins aux résultats des extrapolations. En outre, les sources de données effectives présentent des recoupements importants en termes de couverture, ce qui permet leur corrélation également.

544. Les résultats, présentés au Tableau 5.8, indiquent que la corrélation par paire de sources est bonne, en particulier entre sources de données effectives. Ainsi, le niveau de corrélation entre les statistiques tirées des déclarations pays par pays et les données issues d’ORBIS atteint 92 % dans la matrice des bénéfices et 93 % dans celle des chiffres d’affaires. La corrélation entre les données effectives et les valeurs extrapolées est généralement plus faible, comme on pouvait s’y attendre (entre 64 % et 96 % selon la variable et la source de données analysées), mais toujours suffisamment élevée pour considérer que les extrapolations sont pertinentes. Même dans la matrice des bénéfices, où l’extrapolation est sans doute plus délicate que dans les trois autres car la localisation des bénéfices d’une EMN est compliquée par le fait qu’elle ne les réalise pas forcément là où elle exerce son activité économique, le taux de corrélation des valeurs extrapolées avec les données effectives atteint 75 %.

545. Le calcul des taux de corrélation moyens, présentés au Tableau 5.8, a été complété par une analyse plus approfondie de la cohérence entre les sources, fondée sur un vaste ensemble de diagrammes de dispersion. Pour rester lisibles, de tels diagrammes doivent généralement être axés sur la comparaison d’une seule source de données avec une autre, au niveau d’une ligne ou colonne donnée. La description exhaustive et l’insertion de ces diagrammes de dispersion dans ce chapitre seraient trop longues. C’est pourquoi des exemples sont fournis à titre indicatif dans le Graphique 5.E.1 (en annexe). Ce dernier propose une comparaison des statistiques issues des déclarations pays par pays et des données provenant d’ORBIS entre les colonnes des matrices des bénéfices, des chiffres d’affaires et des actifs corporels qui correspondent aux juridictions de l’entité mère ultime dont ces statistiques comportent plus de dix entrées bilatérales (la matrice des coûts salariaux ne figure pas dans le tableau car cette variable est absente des statistiques des déclarations pays par pays).

546. Cette analyse détaillée des données a permis au Secrétariat de l’OCDE d’identifier un certain nombre de valeurs suspectes, définies comme étant des valeurs pour lesquelles plusieurs sources indiquaient des résultats très différents. Ces valeurs ont été corrigées manuellement si nécessaire, après une enquête plus approfondie afin de déterminer la source de données la plus pertinente (notamment grâce à des échanges avec les représentants des juridictions). Étant donné que cette analyse s’est principalement appuyée sur une version préliminaire des statistiques issues des déclarations pays par pays, elle a permis d’y relever, avant la publication en juillet 2020, quelques erreurs de déclaration et de les corriger après consultation des représentants des juridictions.

547. Différentes sources n’ont pas été utilisées directement pour renseigner les matrices ; elles représentent malgré tout des références utiles pour évaluer la qualité des données et identifier les problèmes susceptibles d’affecter leur cohérence dans les matrices. Les trois autres sources possibles envisagées aux fins du présent chapitre sont les suivantes :

  • Le résultat avant intérêts et impôts (au lieu du bénéfice avant impôt) en tant que mesure du bénéfice dans les données issues d’ORBIS : Comme expliqué à la Section 5.4.2, deux mesures du bénéfice sont disponibles dans ORBIS : le résultat avant intérêts et impôts (EBIT) et le bénéfice avant impôt (PBT). Le bénéfice avant impôt a été choisi en tant que variable pour renseigner les cellules de la matrice des bénéfices utilisant comme source les données issues d’ORBIS, mais le résultat avant intérêts et impôts n’en demeure pas moins un point de comparaison intéressant. En effet, comme le résultat avant intérêts et impôts exclut les dividendes reçus, sa comparaison avec les statistiques issues des déclarations pays par pays (où les dividendes intragroupe sont partiellement inclus) et les données sur le bénéfice avant impôt d’ORBIS (où ces dividendes sont entièrement inclus) permet de rendre compte de l’influence des dividendes dans la matrice des bénéfices. Comme le montre le Tableau 5.9 (ligne 1), la corrélation du résultat avant intérêts et impôts avec les statistiques provenant des déclarations pays par pays est élevée (92 %) et sa corrélation avec les données de bénéfice avant impôt d’ORBIS l’est encore plus (98 %). En d’autres termes, l’inclusion (partielle ou totale) des dividendes dans ces sources n’a, en moyenne, que des conséquences limitées sur la matrice des bénéfices globale, même si l’effet peut être plus marqué sur certaines cellules (du fait notamment que les dividendes sont susceptibles d’être plus élevés dans les juridictions où la proportion de sociétés mères ou holding est plus importante).

  • Données AMNE de l’OCDE sur l’excédent brut d’exploitation : Comme indiqué à la Section 5.2.3, la base de données AMNE de l’OCDE (activités domestiques et à l’étranger) contient des données bilatérales sur l’excédent brut d’exploitation des EMN. Celles-ci n’ont pas été utilisées pour renseigner la matrice des bénéfices pour plusieurs raisons : elles apportent un faible gain en termes de couverture par rapport aux statistiques tirées des déclarations pays par pays et à ORBIS, elles ne couvrent pas l’ensemble des secteurs économiques et l’excédent brut d’exploitation présente des discordances d’ordre conceptuel, liées notamment à des règles d’amortissement différentes, avec la mesure du bénéfice provenant des états financiers. Les données sur l’excédent brut d’exploitation fournissent toutefois un point de comparaison utile. Pour améliorer la comparabilité avec d’autres sources, des ajustements inspirés de la méthode de Tørsløv et al. (2018[1]) sont appliqués afin de tenir compte de l’amortissement26. La corrélation de la variable ajustée avec les statistiques agrégées provenant des déclarations pays par pays dépasse 80 % pour les données AMNE relatives à l’activité domestique et à l’activité à l’étranger, et sa corrélation avec les données issues d’ORBIS est supérieure à 85 % (Tableau 5.9, lignes 2 et 3). Ces corrélations sont globalement moins bonnes que celles observées entre les statistiques issues des déclarations pays par pays et ORBIS dans le Tableau 5.8 (c’est-à dire 92%), ce qui semble confirmer que l’excédent brut d’exploitation ajusté basé sur les données AMNE de l’OCDE aurait été un choix moins judicieux que ces deux sources pour renseigner la matrice des bénéfices.

  • Données du Bureau of Economic Analysis (États-Unis) sur les multinationales américaines : Comme indiqué à la Section 5.2.6, le BEA fournit des données détaillées sur l’activité à l’étranger des EMN américaines. Les données du BEA sur les bénéfices (« profit-type return », ou rendement de type profit), sur le chiffre d’affaires (« sales of US affiliates », ou recettes des filiales américaines), sur les actifs corporels (« property, plant and equipment », ou immobilisations corporelles) et sur les coûts salariaux (« compensation of employees », ou salaires et charges sociales) ont été comparées aux statistiques tirées des déclarations pays par pays (hormis pour les coûts salariaux comme cette variable est absente de ces déclarations) ainsi qu’aux données issues d’ORBIS sur les filiales des EMN américaines à l’étranger. Comme les données du BEA ne font pas la distinction entre les bénéfices « positifs » (c’est-à-dire les bénéfices des entités appartenant à des sous-groupes EMN enregistrant des bénéfices positifs dans la juridiction envisagée) et les bénéfices nets, la comparaison porte sur les seconds (alors que seuls les « sous-groupes enregistrant des bénéfices positifs » extraits des statistiques issues des déclarations pays par pays et les données issues d’ORBIS sont pris en compte dans les matrices). Dans l’ensemble, la corrélation des statistiques tirées des déclarations pays par pays et les données issues d’ORBIS avec les informations pertinentes du BEA est élevée (Graphique 5.5). La comparaison a également permis d’identifier quelques valeurs aberrantes, correspondant à des erreurs de déclaration ou à des événements exceptionnels dans les données sous-jacentes de la matrice des bénéfices ; ces aberrations ont été corrigées en les remplaçant par les valeurs correspondantes tirées des données du BEA.

548. Les totaux des colonnes des matrices ont été comparés aux informations tirées des états financiers consolidés des groupes EMN. Ainsi, le bénéfice total des groupes EMN américains, obtenu de leurs états financiers consolidés, devrait en théorie correspondre au total de la colonne correspondant aux États-Unis dans la matrice des bénéfices. Cette comparaison est toutefois imparfaite et ce, pour plusieurs raisons : (i) les matrices visent les sous-groupes EMN enregistrant des bénéfices « positifs » (c’est-à-dire les entités appartenant à des sous-groupes EMN enregistrant des bénéfices positifs dans la juridiction envisagée), tandis que les données des états financiers consolidés des EMN prennent en compte toutes les entités des EMN, bénéficiaires ou déficitaires, dans des juridictions spécifiques ; par conséquent, le bénéfice global devrait être plus élevé dans la matrice des bénéfices que dans les états financiers consolidés (où le bénéfice est net des pertes des entités déficitaires) ; (ii) la matrice des chiffres d’affaires rend compte des ventes aux entités indépendantes ainsi qu’aux entités liées, tandis que les ventes réalisées auprès d’entités liées ne sont pas incluses dans les états financiers consolidés.

549. Les états financiers consolidés d’ORBIS ont une couverture relativement bonne des EMN à l’échelle mondiale (contrairement aux états non consolidés, qui présentent une couverture inégale selon les juridictions). Pour améliorer encore la couverture, le jeu de données provenant d’ORBIS a été complété par le Secrétariat de l’OCDE par : (i) des informations issues de la base de données Worldscope, qui contient les états financiers de sociétés du monde entier, pour la plupart cotées en bourse, (ii) des données du Tableau de bord des investissements dans la R&D industrielle compilé par l’UE, qui couvre les 2 500 sociétés dont les dépenses mondiales de R&D sont les plus élevées (Hernández et al., 2017[23]) et (iii) des données provenant du classement Fortune Global 500 (c’est-à-dire les 500 plus grandes entreprises au niveau mondial par le chiffre d’affaires) (voir l’Annexe 2.A du Chapitre 2 pour plus de détails).

550. Globalement, il existe une corrélation entre les totaux des colonnes des matrices et les données financières des états consolidés, mais elle est imparfaite pour les motifs énumérés ci-dessus (Annexe Graphique 5.E.2). Si les différences entre les deux sources sont généralement modérées, leur importance dans certaines juridictions de l’entité mère ultime paraît peu plausible, même en tenant compte d’éventuelles lacunes en matière de couverture des données des états consolidés. De telles divergences peuvent être liées à des faiblesses des extrapolations dans les cellules de la diagonale des matrices des bénéfices et des chiffres d’affaires – extrapolations qui, comme expliqué précédemment, souffrent d’une moindre disponibilité des données et sont donc plus incertaines que les valeurs et extrapolations présentes dans les autres cellules. Pour résoudre ce problème, les estimations dans les cellules de la diagonale de ces deux matrices ont été ajustées (lorsqu’elles reposaient sur des extrapolations et si la différence entre le total de la colonne de la matrice des bénéfices et le total correspondant tiré des données des états financiers consolidés était jugée invraisemblable) pour ramener cette différence à un niveau plus plausible27. Bien qu’inévitablement imparfait en raison des limites inhérentes aux données, cet ajustement vise à réduire le risque de présence de valeurs non plausibles dans les matrices28.

551. Des consultations bilatérales avec les représentants des juridictions ont permis d’affiner les données des matrices de deux manières essentiellement. Premièrement, les données contenues dans les matrices ont été comparées aux données fiscales et de comptabilité financière relatives aux bénéfices et à l’activité des multinationales détenues par une entreprise de leur juridiction et celles détenues par une société étrangère communiquées confidentiellement au Secrétariat de l’OCDE par le biais d’un questionnaire rempli par les délégués du Groupe de travail n° 2 du Comité des affaires fiscales de l’OCDE en 2019. Cette comparaison a permis la mise au jour d’incohérences potentielles avec les données des matrices.

552. Deuxièmement, les valeurs de certaines cellules spécifiques des matrices ont fait l’objet de discussions bilatérales avec les représentants des juridictions à diverses fins : pour identifier la source de données la plus pertinente en cas de signaux contradictoires entre sources (comme exposé ci-avant), pour éliminer des données l’effet d’opérations exceptionnelles (tel que celui de grandes fusions-acquisitions sur le montant des bénéfices et les juridictions où ils sont localisés), ou encore pour pallier les limites des sources existantes (notamment en résolvant la problématique des dividendes intragroupe dans les statistiques issues des déclarations pays par pays). Dans ce cadre et au terme d’une analyse approfondie de leurs données nationales, certains représentants ont pu fournir au Secrétariat de l’OCDE leurs estimations pour des cellules spécifiques des matrices (notamment celles de la diagonale de la matrice des bénéfices correspondant à leur juridiction). Ces estimations ont été intégrées dans les matrices pertinentes dans la mesure où elles ont été jugées plus précises que celles fondées sur les sources présentées dans ce chapitre, et ce, malgré d’éventuels problèmes de cohérence avec d’autres sources utilisées dans les matrices.

553. Comme leurs sources de données sous-jacentes se recoupent dans une certaine mesure, les matrices les utilisent dans un ordre de préférence déterminé lors de leur conception et présenté au Tableau 5.2. Un test de robustesse intéressant consiste à modifier l’ordre de priorité des sources et à comparer le résultat obtenu avec les matrices d’origine. Le résultat de ce test est présenté à l’Annexe 5 F, à un niveau relativement agrégé (qui correspond au niveau d’agrégation des matrices illustrées au Tableau 5.5. ) pour évaluer les effets de l’inversion de l’ordre de préférence des deux premières sources de chaque matrice. Par exemple, dans la matrice des bénéfices, l’ordre de préférence d’origine est le suivant : (i) statistiques issues des déclarations pays par pays, (ii) données issues d’ORBIS, (iii) extrapolations. Le test exposé à l’Annexe 5 F consiste à appliquer l’ordre suivant en lieu et place : (i) données issues d’ORBIS, (ii) statistiques issues des déclarations pays par pays, (iii) extrapolations.

554. Dans l’ensemble, les résultats du test de robustesse sont rassurants car (au niveau d’agrégation présenté dans l’Annexe 5 F), la plupart des valeurs subissent une modification de moins de 10 % lorsque l’ordre des sources de référence est modifié.

555. Ce chapitre décrit la méthodologie et les sources de données sous-jacentes à un ensemble de matrices permettant la cartographie des bénéfices et de l’activité des entreprises multinationales dans le monde. Ces matrices constituent des instruments essentiels dans le cadre de l’évaluation de l’impact du Pilier Un et du Pilier Deux exposée dans ce rapport. Elles combinent une série de sources de données existantes en un cadre cohérent, qui permet une évaluation plus précise et complète de l’impact des propositions de réformes qu’avec n’importe quelle source prise isolément. Bien que les matrices ne puissent faire l’économie de certaines extrapolations, des méthodes élaborées ont été appliquées pour que les valeurs extrapolées soient aussi précises que possible. La méthodologie offre également l’avantage de rendre ces extrapolations explicites, ce qui permet d’évaluer leur qualité.

556. Compte tenu des limites inhérentes aux sources de données sous-jacentes, la méthodologie ne saurait produire une estimation précise et certaine pour chacun des points de données de chaque matrice. L’objectif a donc plutôt été de garantir la justesse des points de données en termes d’ordre de grandeur et une bonne cohérence des données, tant dans les matrices qu’entre elles. Aux fins de l’évaluation d’impact exposée dans ce rapport, la cohérence globale est encore plus importante que l’exactitude de chaque donnée car cette évaluation nécessite généralement la combinaison de données dans les matrices, à la fois interne et transversale. Pour garantir une cohérence optimale, des vérifications de données et des analyses comparatives approfondies ont été réalisées, en consultant les représentants des juridictions.

557. À l’avenir, les matrices présentées dans ce chapitre pourraient être utilisées à diverses autres fins. Elles pourraient notamment servir à l’analyse du comportement des multinationales en matière de transfert de bénéfices dans la mesure où elles permettraient d’appréhender ces pratiques de façon plus globale et plus précise que les études antérieures à la publication des statistiques issues des déclarations pays par pays (Johansson et al. (2017[18]), Tørsløv et al. (2018[1]), Beer et al. (2019[22]), par exemple) ou que les études récentes ayant recourt à de telles statistiques librement accessibles relatives aux EMN américaines (Clausing (2020[15]), par exemple)29. Si les premières estimations sur le transfert de bénéfices produites à l’aide des matrices présentées dans ce chapitre dans le cadre de l’analyse de la potentielle réponse comportementale des EMN au Pilier Deux (présentée au chapitre 3) suggèrent que l’intensité de ce transfert concorde globalement avec les résultats de ces études antérieures, elles offrent néanmoins une cartographie plus détaillée des flux de transfert de bénéfices. Les matrices pourraient également être appliquées à l’analyse de potentielles réformes fondamentales de l’impôt sur les sociétés. Outre leur utilisation à des fins d’analyse fiscale, leur combinaison avec des informations de la base de données analytique AMNE de l’OCDE permettrait d’évaluer les liens entre les chaînes de valeur mondiales et la rentabilité des multinationales, notamment afin d’éclairer de futures analyses sur la restructuration de ces chaînes de valeur dans un environnement post-COVID-19.

558. Une autre piste pour des travaux futurs consisterait à mettre à jour et à affiner les matrices à mesure que de nouvelles données seront disponibles et compte tenu de l’évolution constante de la situation économique, et en premier lieu de la crise du COVID-19. Les matrices actuelles se concentrent principalement sur l’année 2016, qui, au moment de leur conception, était le dernier exercice pour lequel les statistiques tirées des déclarations pays par pays et les données issues d’ORBIS étaient disponibles. En ce qui concerne les statistiques issues de ces déclarations, elles devraient progressivement couvrir un ensemble plus large de juridictions de l’entité mère ultime dans les années à venir, vu que leur collecte a débuté en 2016 et que certaines juridictions n’étaient alors pas encore en mesure de compiler leurs statistiques pour cet exercice et de les communiquer à l’OCDE aux fins de publication. La qualité de ces statistiques devrait également s’améliorer à l’avenir, puisque certains problèmes liés à leur collecte, mentionnés dans le présent chapitre, ont été identifiés et sont traités actuellement. À mesure que la qualité et la couverture de ces statistiques s’amélioreront, il devrait être possible de concevoir des matrices plus précises.

References

[19] Bailin Rivares, A. et al. (2019), Like it or not? The impact of online platforms on the productivity of service providers, Éditions OCDE, Paris, https://dx.doi.org/10.1787/080a17ce-en.

[26] Bajgar, M. et al. (2020), Coverage and representativeness of Orbis data, Éditions OCDE, Paris, https://dx.doi.org/10.1787/c7bdaa03-en.

[16] Bajgar, M. et al. (2019), Industry Concentration in Europe and North America, OCDE, https://www.oecd-ilibrary.org/economics/industry-concentration-in-europe-and-north-america_2ff98246-en.

[22] Beer, S., R. de Mooij et L. Liu (2019), « International Corporate Tax Avoidance: A Review of the Channels, Magnitudes, and Blind Spots », Journal of Economic Surveys, pp. 1-29, http://dx.doi.org/10.1111/joes.12305.

[14] Blouin, J. et L. Robinson (2019), « Double Counting Accounting: How Much Profit of Multinational Enterprises Is Really in Tax Havens? », SSRN Electronic Journal, http://dx.doi.org/10.2139/ssrn.3491451.

[12] Bolwijn, R., B. Casella et D. Rigo (2018), « An FDI-driven approach to measuring the scale and economic impact of BEPS », Transnational Corporations, vol. 25/2, pp. 107-143, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3422774.

[13] Borga, M. et C. Caliandro (2018), Eliminating the Pass-Through: Towards FDI Statistics that Better Capture the Financial and Economic Linkages between Countries, National Bureau of Economic Research, http://dx.doi.org/10.3386/w25029.

[2] Cadestin, C. et al. (2018), Multinational enterprises and global value chains: the OECD analytical AMNE database, Éditions OCDE, Paris, https://dx.doi.org/10.1787/d9de288d-en.

[5] Casella, B. (2019), « Looking Through Conduit FDI in Search of Ultimate Investors – A Probabilistic Approach », Transnational Corporations Journal, vol. 26/1, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3622003.

[15] Clausing, K. (2020), « Profit Shifting Before and After the Tax Cuts and Jobs Act », SSRN Electronic Journal, http://dx.doi.org/10.2139/ssrn.3274827.

[24] CNUCED (2018), World Investment Report 2018: Investment and New Industrial Policies, https://unctad.org/en/PublicationsLibrary/wir2018_en.pdf.

[25] Coppola, A. et al. (2020), Redrawing the Map of Global Capital Flows: The Role of Cross-Border Financing and Tax Havens, National Bureau of Economic Research, https://www.nber.org/papers/w26855.

[4] Damgaard, J. et T. Elkjaer (2017), The Global FDI Network: Searching for Ultimate Investors, Fonds monétaire international, https://www.imf.org/en/Publications/WP/Issues/2017/11/17/The-Global-FDI-Network-Searching-for-Ultimate-Investors-45414.

[11] Damgaard, J., T. Elkjaer et N. Johannesen (2019), « What Is Real and What Is Not in the Global FDI Network? », IMF Working Papers, vol. 19/274, http://dx.doi.org/10,5089/9 781 513 521 527,001.

[10] Eurostat (2008), NACE Rév. 2 - Nomenclature statistique des activités économiques dans la Communauté européenne, Eurostat, Luxembourg, https://ec.europa.eu/eurostat/documents/3859598/5902564/KS-RA-07-015-FR.PDF/0f229302-cf58-48dd-9190-f9552b115872.

[17] Gal, P. (2013), Measuring Total Factor Productivity at the Firm Level using OECD-ORBIS, Éditions OCDE, Paris, https://dx.doi.org/10.1787/5k46dsb25ls6-en.

[6] Hanappi, T. et A. González Cabral (2020), « The impact of the Pillar One and Pillar Two proposals on MNE’s investment costs: An analysis using forward-looking effective tax rates », OECD Taxation Working Papers, n° 50, OECD Publishing, Paris, https://dx.doi.org/10.1787/b0876dcf-en.

[27] Head, K. et T. Mayer (2014), « Gravity Equations: Workhorse,Toolkit, and Cookbook », Handbook of International Economics, vol. 4, pp. 131-195, http://dx.doi.org/10.1016/B978-0-444-54314-1.00003-3.

[23] Hernández, H. et al. (2017), The 2017 EU Industrial R&D Investment Scoreboard, Commission européenne, https://ec.europa.eu/jrc/en/publication/eur-scientific-and-technical-research-reports/2017-eu-industrial-rd-investment-scoreboard.

[18] Johansson, Å. et al. (2017), Tax planning by multinational firms: Firm-level evidence from a cross-country database, Éditions OCDE, Paris, https://dx.doi.org/10.1787/9ea89b4d-en.

[21] Mayer, T. et S. Zignago (2011), Notes on CEPII’s Distances Measures: The GeoDist Database, CEPII, http://dx.doi.org/10.2139/ssrn.1994531.

[3] OCDE (2020), Anonymised And Aggregate CbCR Statistics – Draft Brochure, CTPA/CFA/WP2/NOE2(2020)4/REV1.

[8] OCDE (2018), Multinational enterprises in the global economy: Heavily debated but hardly measured, Éditions OCDE, Paris, http://www.oecd.org/industry/ind/MNEs-in-the-global-economy-policy-note.pdf.

[7] OCDE (2017), Mesurer et suivre les données relatives au BEPS, Action 11 - Rapport final 2015, Projet OCDE/G20 sur l’érosion de la base d’imposition et le transfert de bénéfices, Éditions OCDE, Paris, https://dx.doi.org/10.1787/9789264282711-fr.

[9] OECD (2020), « Corporate Tax Statistics - Second Edition », OECD Publishing, https://www.oecd.org/tax/tax-policy/corporate-tax-statistics-second-edition.pdf.

[20] Santos Silva, J. et S. Tenreyro (2006), « The log of gravity », Review of Economics and Statistics, vol. 88/4, pp. 641-658, http://dx.doi.org/10.1162/rest.88.4.641.

[1] Tørsløv, T., L. Wier et G. Zucman (2018), The Missing Profits of Nations, http://www.nber.org/papers/w24701.pdf.

559. Fournie par Bureau van Dijk (BvD), ORBIS est la plus importante base de données internationale sur l’actionnariat et les états financiers d’entreprises du monde entier. Réunissant diverses sources d’informations sous-jacentes, elle contient des données relatives aux entreprises, qu’elles soient cotées en bourse ou privées.

560. Comme les données d’ORBIS ne sont pas essentiellement recueillies à des fins d’analyse statistique, il a été nécessaire d’améliorer leur fiabilité à l’aide d’un important travail de traitement et d’épurement (en éliminant les doublons et les erreurs de déclaration notamment), qui a porté sur les données financières et relatives à l’actionnariat. Pour chacun de ces deux domaines, les principales étapes de la correction des données s’appuient sur les solides connaissances d’ORBIS dont dispose l’OCDE et respectent autant que possible les procédures décrites dans les précédentes études de l’OCDE, sous réserve des adaptations nécessaires. Elles sont décrites en détail dans les sections ci-dessous.

561. La base de données historique ORBIS sur l’actionnariat regorge d’informations concernant les liens de propriété entre entreprises, qui permettent d’identifier les entités appartenant à un même groupe. Selon Bajgar et al. (2019[16]), l’affectation d’une entité à un groupe de sociétés dans ORBIS dépend des critères suivants : son propriétaire effectif au niveau mondial (GUO, Global Ultimate Owner), un seuil de participation minimum fixé à 50 % et le type de société de l’entité mère (société industrielle, banque, entreprise financière, compagnie d’assurance, etc.). Cela permet notamment d’éviter d’affecter au même groupe deux entreprises indépendantes détenues par une même entité privée ou publique.

562. Quant aux groupes d’EMN, ils sont définis comme étant des groupes de sociétés possédant des entités dans deux juridictions au minimum. Pour chacun d’eux, seuls les états consolidés du propriétaire effectif sont conservés dans l’échantillon, afin d’éviter un éventuel double comptage.

563. La procédure de correction et d’extension des liens de propriété dans ORBIS a été implémentée par la Direction de la Science, de la Technologie et de l’Innovation de l’OCDE, suivant la méthode de Bajgar et al. (2019[16]) et l’actualisant pour l’année 2016. Elle porte sur toutes les entités dont le chiffre d’affaires s’élève à 10 millions d’euros au minimum et sur tous les liens correspondant à une participation d’au moins 50 %. Les liens manquants sont identifiés ou (dans des cas plus rares) les liens existants sont corrigés, en procédant comme suit :

  • Utilisation de la base de données Zephyr de BvD sur les fusions-acquisitions pour identifier les changements de propriétaire direct (plutôt que de propriétaire effectif) non disponibles dans ORBIS

  • Identification des changements de propriétaire direct non disponibles dans la base de données ORBIS au moyen de ses liens de propriété historiques

  • Transposition des changements de propriétaire direct (identifiés lors des deux premières étapes ci-dessus) en changements de propriétaire effectif

  • Comblement des informations manquantes sur l’actionnariat au moyen des données sur les fusions-acquisitions ou changements de propriété des années précédentes ou ultérieures

  • Correction des propriétaires effectifs qui, en réalité, sont détenus majoritairement par une autre entreprise car, par définition, il ne peut s’agir de propriétaires effectifs

  • Suppression des changements de propriétaire effectif qui étaient provisoires (détention d’une durée d’un ou deux ans) vu que, dans les faits, une telle situation semble peu probable et est sans doute attribuable à des données sur l’actionnariat manquantes

  • Détection des liens de propriété manquants pour les grandes entreprises faisant l’acquisition d’un grand nombre de filiales alors qu’elles n’en possédaient pas l’année précédente

  • Identification des liens de propriété manquants pour les grandes entreprises qui n’ont jamais possédé de filiale et pour les grands groupes de filiales qui n’ont jamais appartenu à une entité mère publiant des états financiers

  • Utilisation d’algorithmes de comparaison de noms pour identifier les liens de propriété potentiels, associée à une inspection manuelle approfondie (comparaison avec les rapports annuels des entreprises, par exemple) pour vérifier si ces liens sont corrects ou non

  • Contrôle manuel des 300 plus grandes entreprises en croisant leur structure de détention de filiales (figurant dans leurs états financiers) avec les données sur l’actionnariat aux fins de vérification

564. Dans l’ensemble, cette procédure a permis d’identifier le propriétaire effectif d’environ 50 000 entités qui n’était pas signalé dans les données brutes d’ORBIS, mais aussi de corriger celui d’environ 4 000 entités. Ces entités (dont le propriétaire effectif a été ajouté et corrigé) représentent environ 4 % du chiffre d’affaires mondial des EMN (mesuré avec le jeu de données extrait des états consolidés de groupe d’EMN d’Orbis).

565. L’échantillon de données tiré des états non consolidés est limité aux entités appartenant aux groupes d’EMN, c’est-à-dire les groupes de sociétés possédant des entités dans deux juridictions au moins, tels qu’identifiés à l’aide des données sur l’actionnariat corrigées grâce à la procédure décrite ci-avant.

566. La procédure de correction des données des états non consolidés est composée des étapes suivantes, inspirées de celles préconisées par Gal (2013[17]), Johansson et al. (2017[18]) et Bailin et al. (2019[19]) qui sont pertinentes ici :

  • Sélection des comptes annuels dont la date de clôture se situe vers le mois de décembre 2016 (de juillet 2016 à juin 2017)

  • Filtrage des observations entreprise-exercice en double, en privilégiant celles dont les variables financières clés ne sont pas manquantes et où la clôture est fixée au 31 décembre ou est proche de cette date

  • Élimination des valeurs non plausibles : valeurs négatives pour les actifs corporels, le chiffre d’affaires ou les coûts salariaux, bénéfices ou chiffre d’affaires invraisemblablement élevés, valeurs des actifs corporels supérieures à celles de l’actif immobilisé ou du total des actifs

  • Élimination des fluctuations excessives de la variable du chiffre d’affaires, à savoir des occurrences où elle est multipliée ou divisée par un facteur supérieur à 5 sur une année entre 2014 et 2016

  • Suppression des valeurs non plausibles : charges fiscales supérieures au bénéfice avant impôt, bénéfice avant impôt déduit des charges fiscales incompatible avec le bénéfice après impôt

  • Élimination des valeurs aberrantes en fonction de ces ratios : EBIT / chiffre d’affaires, bénéfice avant impôt / chiffre d’affaires, actifs corporels / chiffre d’affaires et coûts salariaux / chiffre d’affaires (en conservant les observations comprises entre les 2,5e et 97,5e centiles de la distribution)

567. Comme expliqué dans le corps de ce document, la matrice des bénéfices est principalement remplie avec les statistiques provenant des déclarations pays par pays et les données issues d’ORBIS. Pour les cellules non couvertes par ces sources, des extrapolations basées sur des variables macroéconomiques (telles que les stocks d’IDE) sont utilisées. Cette annexe décrit en détail la procédure d’extrapolation élaborée utilisée pour remplir les cellules hors diagonale de la matrice des bénéfices, c’est-à-dire pour estimer les bénéfices des EMN situées hors de la juridiction de leur société mère ultime. Cette extrapolation s’effectue en quatre étapes, qui sont exposées de façon plus détaillée dans les sections suivantes :

  • Étape 1 : Création d’une matrice complète des stocks d’IDE par juridiction investisseuse immédiate, (i) en combinant les données disponibles dans les statistiques bilatérales sur l’IDE et (ii) en extrapolant les stocks d’IDE à l’aide d’un modèle gravitationnel standard pour compléter les statistiques sur l’IDE manquantes.

  • Étape 2 : Création d’une matrice complète des stocks d’IDE par juridiction investisseuse ultime. Les données dont dispose l’OCDE concernant les IDE par investisseur ultime sont utilisées dans le sous-ensemble de juridictions pour lesquels elles sont disponibles. Pour les autres juridictions, les estimations des IDE par investisseur ultime sont obtenues à partir de la matrice complète des stocks d’IDE par juridiction investisseuse immédiate créée à l’étape 1, en appliquant une méthodologie développée par Casella (2019[5]).

  • Étape 3 : Ajustement de la matrice obtenue à l’étape 2 pour éliminer le double comptage résultant des IDE « en transit » (c'est-à-dire les capitaux qui transitent pas une juridictionavant d’atteindre leur destination finale).

  • Étape 4 : Application d’un taux de rendement estimé des IDE dans chaque cellule de la matrice, en tenant compte des écarts du taux de rendement moyen des IDE par rapport à la moyenne mondiale observés à la fois dans les juridiction investisseuses et les juridictions destinataires.

568. La matrice bilatérale des stocks d’IDE par juridiction investisseuse immédiate est d’abord remplie avec les statistiques bilatérales sur l’IDE obtenues de l’OCDE et du FMI, en appliquant l’ordre de préférence suivant : (i) statistiques de l’OCDE sur l’IDE entrant, (ii) statistiques de l’OCDE sur l’IDE sortant, (iii) données sur l’IDE entrant tirées de l’ECID du FMI, (iv) données sur l’IDE sortant tirées de l’ECID du FMI.

569. Même une fois ces sources combinées, il reste des données manquantes dans la matrice des stocks d’IDE. Ces cellules vides sont remplies avec des valeurs extrapolées au moyen d’un modèle gravitationnel standard. L’estimation de l’équation gravitationnelle est effectuée à l’aide de la méthode du pseudo-maximum de vraisemblance de Poisson (Santos Silva et Tenreyro, 2006[20]), qui estime les IDE bilatéraux rapportés à la distance entre les deux juridictions, au PIB ainsi qu’au PIB par habitant de chacune et, enfin, au taux légal de l’IS de la juridictiondestinataire. Dans la régression, toutes les variables indépendantes subissent une transformation logarithmique (log). Les résultats sont présentés au  . Les valeurs apparaissant dans la troisième colonne sont celles utilisées pour l’extrapolation.

570. Les totaux des IDE tirés de chacune des sources de la matrice des stocks d’IDE par juridiction investisseuse immédiate sont présentés au Tableau 5.C.2. Par exemple, 61 % des cellules de cette matrice ont été remplies avec les données de l’OCDE sur l’IDE entrant, alors que seulement 2 % l’ont été à l’aide du modèle gravitationnel. Le Tableau 5.C.3 montre une version agrégée de cette matrice. Il apparaît que le total mondial des IDE est légèrement supérieur à 35 300 milliards USD, ce qui correspond plus ou moins au chiffre de 2016 fourni par Damgaard et al. (2019[11])30.

571. Pour remplir la matrice des bénéfices, il est préférable d’utiliser les stocks d’IDE par investisseur ultime et non par investisseur immédiat, c’est-à-dire en se basant sur la juridictionde l’entité mère ultime de l’EMN qui investit dans une juridiction(Graphique 5.C.1 en annexe). En effet, cette matrice est structurée par juridiction de l’entité mère ultime. Ainsi, chacune de ses colonnes correspond aux EMN établies dans une de ces juridictions. Les autres sources utilisées pour remplir la matrice des bénéfices (notamment les statistiques issues des déclarations pays par pays et les données provenant d’ORBIS) se fondent sur cette même approche axée sur l’investisseur ultime.

572. Alors que les données relatives à l’IDE sont habituellement communiquées par juridiction investisseuse immédiate, l’OCDE a récemment commencé à publier des statistiques sur l’IDE entrant par investisseur ultime pour un sous-ensemble de 15 juridictions d’accueil31, dont les IDE sortants combinés représentent 23 % du total mondial des IDE.

573. Les données sur l’IDE entrant présentent des différences importantes selon qu’elles sont analysées par investisseur immédiat ou par investisseur ultime, du fait qu’une partie des IDE peut transiter par une juridictionavant d’atteindre sa destination finale3233. Par exemple, les données de l’OCDE sur l’IDE indiquent que, pour les IDE réalisés en Islande en 2018, les États-Unis représentaient 3.2 % des investisseurs immédiats (0.3 milliard USD sur 9.5 milliards USD), mais 28.6 % des investisseurs ultimes (2.7 milliards USD sur ces mêmes 9.5 milliards USD). En d’autres termes, la majorité des investissements des États-Unis à destination de l’Islande sont passés par des juridictions tierces.

574. Pour créer une matrice complète des stocks d’IDE par juridiction investisseuse ultime, l’approche adoptée aux fins de ce chapitre a consisté à utiliser les données de l’OCDE pour les juridictions où elles sont disponibles et à les compléter par des extrapolations à l’aide de données sur les stocks d’IDE par investisseur immédiat, en appliquant la méthodologie développée par Casella (2019[5]).

575. Casella (2019[5]) utilise une méthode probabiliste pour dégager la répartition des investisseurs ultimes dans une juridictionspécifique des données relatives aux investisseurs immédiats. La procédure est la suivante. La première étape consiste à déterminer si une position d’IDE est une position « en transit » ou non (ou, plus précisément, à évaluer la probabilité que ce soit le cas). Si ce n’est pas le cas, l’investisseur immédiat est considéré comme l’investisseur ultime. S’il s’agit d’une position d’IDE en transit, la deuxième étape vise à identifier l’investisseur ultime dans la chaîne d’investissement, sur la base des données sur l’IDE par investisseur immédiat. Cette procédure est réitérée jusqu’à ce que l’investisseur ultime soit déterminé. L’identification de celui-ci peut nécessiter de remonter plusieurs niveaux dans la chaîne d’investissement si les fonds ont transité par plusieurs juridictions. Dans la pratique, cette procédure est appliquée en utilisant les chaînes de Markov absorbantes (pour plus de détails, voir Casella (2019[5])).

576. Par exemple, dans le Graphique 5.C.2, les juridictions B1 et B2 sont des investisseurs immédiats pour les IDE vers la juridictionC. B2 est également identifié comme une juridictionde transit d’IDE (sur la base des hypothèses décrites ci-dessous), ce qui n’est pas le cas de la juridictionB1. Par conséquent, B1 est considéré comme la juridiction investisseuse ultime pour l’investissement de B1 vers C observé dans les statistiques par investisseur immédiat. S’agissant de la juridiction B2, il faut remonter d’un niveau dans la chaîne d’investissement pour identifier les investisseurs ultimes, en l’occurrence A1 et A2. Les juridictions investisseurs ultimes pour les IDE vers la juridictionC sont finalement identifiés comme étant B1 (montant de 50), A1 (30) et A2 (20). Si la juridictionA1 avait elle-même servi au transit de fonds, il aurait fallu analyser les juridictions dont elle reçoit des investissements pour déterminer l’investisseur ultime.

577. Dans cet exemple simplifié, B1 et B2 sont respectivement lajuridictions investisseur ultime et la juridictionde transit des IDE, à part entière. Dans la réalité, cependant, de nombreuses juridictionssont à la fois des investisseurs ultimes (pour certains stocks d’IDE) et des zones de transit (pour d’autres stocks d’IDE). La méthodologie utilisée repose donc sur la probabilité qu’un stock d’IDE en provenance d’une juridictiondonnée corresponde à des capitaux en transit. Ainsi, si la probabilité que les stocks d’IDE provenant de la juridictionB soient des capitaux en transit est de 40 %, 60 % de ceux-ci sont considérés comme ayant la juridictionB comme investisseur ultime, et les niveaux supérieurs de la chaîne d’investissement sont examinés pour identifier l’investisseur ultime des 40 % restants.

578. Un élément clé de la procédure est donc la probabilité qu’un stock d’IDE corresponde à des capitaux en transit. Pour évaluer cette probabilité, plusieurs approches ont été proposées. En particulier, Bolwijn et al. (2018[12]), Casella (2019[5]) et Damgaard et al. (2019[11]) recommandent d’utiliser pour ce faire la part que représentent les entités à vocation spéciale (EVS) dans l’IDE sortant d’une juridiction34. Cette méthode présente toutefois un inconvénient en cela que seuls 30 juridictions environ communiquent des statistiques sur l’IDE séparément pour les EVS et que l’extrapolation de la part des EVS pour les autres juridictions comporte d’importantes incertitudes.

579. La présente analyse s’est appuyée sur une autre approche consistant à évaluer la probabilité que l’investissement en provenance d’une juridictiondonnée constitue des capitaux en transit en fonction des données relatives à l’IDE entrant par investisseur ultime (comparées à celles sur l’IDE par investisseur immédiat) pour le sous-ensemble des 15 juridictions destinataires pour lesquels elles sont disponibles. L’hypothèse est que, si une juridictionest souvent un investisseur immédiat mais pas un investisseur ultime, il est probable qu’une part importante de ses IDE sortants représente des capitaux en transit. On suppose donc que la part de l’investissement en provenance d’une juridictionne servant pas au transit de fonds correspond au rapport entre l’IDE sortant de cette juridictionen tant qu’investisseur immédiat et son IDE sortant en tant qu’investisseur ultime35. Pour garantir que le numérateur et le dénominateur du ratio soient comparables, seul l’IDE entrant dans les juridictions du sous-ensemble qui communiquent des statistiques sur l’IDE par investisseur ultime est pris en compte. Enfin, si le ratio est supérieur à 1, on suppose que la juridictionn’est jamais une zone de transit de capitaux.

580. Par exemple, dans le Graphique 5.C.3 ci-dessous, il est supposé que le groupe de juridictions C est l’ensemble des juridictions qui communiquent les données sur l’IDE par investisseur ultime. L’IDE sortant de la juridictionB en tant qu’investisseur immédiat vers le groupe de juridictions C s’élève à 110, investissement auquel la juridictionB participe en tant qu’investisseur ultime à hauteur de 10 et la juridictionA, en tant que zone de transit des fonds à hauteur de 100. La probabilité que B ne soit pas une juridictionpar lequel transitent les fonds est estimée à 10/110 = 9 %, et donc la probabilité que ce soit le cas est de 91 %. Ainsi, pour 9 % des positions d’IDE observées en provenance de la juridictionB, cette dernière sera considérée comme l’investisseur ultime. Pour les 91 % restants, il est supposé que la juridictionB n’est pas l’investisseur ultime, lequel est déterminé en remontant au niveau supérieur de la chaîne d’investissement, sur la base des données relatives aux investisseurs immédiats pour les IDE à destination de la juridictionB.

581. La matrice des IDE par juridiction investisseuse ultime obtenue en suivant la méthodologie décrite précédemment, agrégée par groupes de juridictions, est présentée en annexe dans le Tableau 5.C.4. La principale différence par rapport au Tableau 5.C.3 tient au fait que les centres d’investissement sont plus souvent des intermédiaires par lesquels circulent les IDE que des investisseurs ultimes. Le total agrégé des IDE présenté ici est légèrement inférieur à celui du Tableau 5.C.3, principalement en raison de l’élimination des opérations circulaires, à savoir le retour de fonds dans l’économie de la juridiction dont il est l’investisseur ultime (après leur acheminement vers des investisseurs immédiats situés à l’étranger)36. Ces opérations circulaires ont été exclues dans le Tableau 5.C.4. Cependant, la différence entre le total mondial des IDE du Tableau 5.C.3 et celui du Tableau 5.C.4 est relativement faible étant donné le volume de l’IDE en transit ; cette question n’a en effet pas été traitée entièrement à ce stade, d’où la nécessité de l’étape 3.

582. Par comparaison aux données sur l’IDE par juridiction investisseuse immédiate, l’analyse des données sur l’IDE par juridiction investisseuse ultime réalisée à l’étape 2 règle certaines questions liées aux IDE en transit, mais pas toutes. L’exemple fourni dans le Graphique 5.C.4 présenté en annexe l’illustre bien. En effet, l’investisseur ultime du flux vers la juridiction C a été correctement identifié comme étant la juridictionA. Or, s’agissant des IDE vers la juridictionB, on note que la position de la juridictionA vers la juridictionB est toujours considérée comme un investissement ultime, alors qu’elle devrait être éliminée car il s’agit d’IDE en transit dont la juridictionB n’est pas la destination finale.

583. La raison fondamentale de ce problème est que les données sur l’IDE par investisseur ultime ne tiennent pas compte du fait qu’un stock d’IDE donné ait pour destination finale la juridictionB ou soit en transit vers une autre juridiction (dans ce cas, la juridictionC).

584. Ce double comptage peut également être envisagé de la manière suivante : le total mondial des stocks d’IDE par juridiction investisseuse immédiate n’est que légèrement inférieur à celui des stocks d’IDE par juridiction investisseuse ultime (voir le Tableau 5.C.3 et le Tableau 5.C.4 présentés en annexe), alors que ce total par juridiction investisseuse ultime devrait être nettement moins élevé si la question des IDE en transit était entièrement résolue (voir également Damgaard et al. (2019[11])).

585. Pour régler ce problème, l’approche adoptée aux fins du présent chapitre consiste à ajuster à la baisse les stocks d’IDE entrant dans une juridictionen fonction de la probabilité qu’il s’agisse de capitaux en transit. Par exemple, si l’on estime qu’une juridictionconstitue une zone de transit pour 91 % de ses stocks d’IDE entrants (comme c’était le cas de la juridictionB dans l’exemple figurant dans le Graphique 5.C.3 ci-avant), ces derniers sont réduits de 91 % du fait que cette juridictionest la destination finale de l’IDE dans seulement 9 % des cas.

586. La matrice des IDE ainsi obtenue est présentée en annexe dans le Tableau 5.C.. Comme prévu, le total mondial des IDE est réduit, ramené de 35 300 milliards USD dans la matrice par investisseur immédiat à seulement 24 200 milliards USD dans le Tableau 5.C. présenté en annexe, ce qui représente une diminution de 32 %, qui peut être interprétée comme une indication suggérant que le total mondial des IDE est composé à hauteur de 32 % d’IDE en transit. Ces chiffres sont dans l’ensemble cohérents avec les estimations de Damgaard and Elkjaer (2017[4]) et de Damgaard et al. (2019[11]), qui, les uns et les autres, utilisent les données sur l’IDE à destination des entités à vocation spéciale pour identifier les IDE en transit. Damgaard and Elkjaer (2017[4]) estiment que 34 % des IDE sont des IDE en transit et Damgaard et al. (2019[11]) estiment que la part des investissements fantômes (autrement dit, des capitaux en transit) était d’environ 30 % en 2009 et a augmenté pour atteindre près de 40 % en 2017.

587. Une manière intéressante d’évaluer la qualité de la méthodologie permettant d’identifier les investisseurs ultimes consiste à comparer la répartition prévisible des investisseurs ultimes à leur répartition effective dans les juridictions où cette répartition est observée dans les données, à savoir dans les 14 juridictions notifiant des données sur l’IDE par investisseur ultime et sur le total mondial des stocks d’IDE entrants37. Les valeurs prévisibles dans ces 14 juridictions ne sont pas celles utilisées pour construire la matrice figurant dans le Tableau 5.C.5 du fait que les données effectives sont disponibles (et ce sont celles qui sont utilisées), mais la comparaison entre les données simulées et les données effectives est un moyen d’éprouver l’efficacité de la méthodologie aux fins de l’identification des investisseurs ultimes.

588. Cette comparaison est effectuée en calculant la « distance » entre la répartition prévisible et la répartition effective des investisseurs ultimes dans une juridiction, laquelle est mesurée, pour chaque juridiction destinataire, par la somme des déviations absolues sur les parts de chaque investisseur ultime dans l’IDE total entrant dans la juridiction destinataire considérée (autrement dit la norme L1), comme dans Casella (2019[5]). Les résultats sont présentés dans le Tableau 5.C.6 (colonne 2). Les distances sont positives, ce qui signifie que les répartitions prévisibles diffèrent des répartitions effectives, mais elles sont sensiblement plus faibles que les distances entre la répartition des investisseurs immédiats et la répartition des investisseurs ultimes (colonne 1), ce qui donne à penser que la méthodologie permet clairement de mieux identifier les investisseurs ultimes qu’une méthodologie reposant simplement sur l’hypothèse que la répartition des investisseurs ultimes est alignée sur la répartition des investisseurs immédiats. L’amélioration médiane pour l’ensemble des 14 juridictions figurant dans le Tableau 5.C.6 est de 34 %.

589. L’étape finale pour parvenir à une mesure du bénéfice utilisable pour remplir les cellules de la matrice des bénéfices consiste à appliquer un taux de rendement sur les stocks d’IDE bilatéraux obtenus à l’étape 3. Le taux de rendement de l’IDE peut varier selon la juridictioninvestisseur et la juridiction d’accueil pour toute une série de raisons, telles que la composition sectorielle des investissements, leur degré de risque et les stratégies de planification fiscale (par exemple, les rendements des IDE produits par les stratégies de transfert de bénéfices peuvent différer des rendements des investissements « réels »). Ainsi, au cours des cinq dernières années, les juridictions à faible revenu ont affiché des taux de rendement moyens relativement bas par rapport à d’autres groupes de juridictions (CNUCED, 2018[24]).

590. L’approche adoptée aux fins du présent chapitre tient compte du fait que les taux de rendement moyens peuvent différer de la moyenne mondiale tant dans la juridictioninvestisseur que dans la juridictiond’accueil. Elle consiste à d’abord calculer un taux de rendement moyen mondial des IDE, puis à appliquer à cette moyenne (i) un delta (positif ou négatif) correspondant à la différence entre le taux de rendement moyen des IDE de la juridictioninvestisseur et la moyenne mondiale (Delta 1), et (ii) un delta (positif ou négatif) correspondant à la différence entre le taux de rendement moyen des IDE de la juridictiondestinataire et la moyenne mondiale (Delta 2) (Graphique 5.C.5).

591. Par exemple, dans le cas des IDE d’une juridictionA vers une juridictionB, si le rendement moyen du total mondial des IDE en provenance de la juridctionA est supérieur de 3 points de pourcentage à la moyenne mondiale, mais que celui du total mondial des IDE à destination de la juridictionB lui est inférieur de 1 point de pourcentage, le taux de rendement des IDE de la juridictionA vers la juridictionB est supposé être égal à la moyenne mondiale plus 3-1=2 points de pourcentage. Pour éviter que des observations extrêmes n’influencent indûment les résultats, les deux deltas sont limités à +/- 5 points de pourcentage, et la somme des deux deltas également.

592. Par souci de cohérence avec les autres sources de données utilisées dans la matrice des bénéfices (statistiques tirées des déclarations pays par pays et données issues d’ORBIS), le taux de rendement moyen global des IDE est calculé sur la base des cellules de la matrice des bénéfices déjà remplies à partir de ces sources. Dans chacune de ces cellules, le bénéfice (mesuré à l’aide des données issues l’une de ces deux sources) est divisé par les stocks d’IDE bilatéraux obtenus à l’étape 3. Une fois exclues de l’échantillon les cellules contenant des taux de rendement aberrants (en fonction de la distance de Cook de chaque observation dans la régression bénéfices / IDE), un taux de rendement « standard » est calculé sur la base du ratio médian bénéfice bilatéral / stock d’IDE bilatéral sur les cellules restantes de la matrice. Le taux de rendement standard obtenu est de 7.8 %.

593. Les différentiels de rendement au niveau des juridictions investisseur et destinataire (Delta 1 et Delta 2) sont calculés sur la base des chiffres sur les stocks d’IDE et les revenus d’IDE tirés des statistiques de l’OCDE relatives à l’IDE38. Pour chaque juridiction investisseuse et chaque juridiction destinataire, un différentiel est calculé par année sur la période de 2013 à 2016 en comparant le taux de rendement de la juridiction au taux de rendement mondial. Le différentiel propre à chaque juridiction est la médiane de l’écart sur les quatre années, qui, pour réduire la volatilité, fait l’objet d’un plafonnement à -5 et +5 points de pourcentage, afin d’éviter d’obtenir des valeurs de résultat extrêmes, comme mentionné précédemment.

Notes

← 1. Dans le reste de ce chapitre, les données anonymisées et agrégées tirées des déclarations pays par pays sont simplement appelées données des déclarations pays par pays.

← 2. Dans ce rapport, les groupes de juridictions (à revenu élevé, à revenu intermédiaire et à faible revenu) sont basés sur la classification des pays par groupe de revenu de la Banque mondiale. On entend par centre d’investissement une juridiction dont le total des stocks d’IDE entrants représente plus de 150 % de son PIB.

← 3. Pour une analyse détaillée de ces problèmes, voir le document OCDE (2020[3]) et https://www.oecd.org/tax/tax-policy/anonymised-and-aggregated-cbcr-statistics-disclaimer.pdf.

← 4. À titre d’exemple, un facteur d’incohérence possible entre sources est que les statistiques des déclarations pays par pays portent uniquement sur les groupes EMN dont le chiffre d’affaires annuel consolidé est supérieur à 750 millions d’euros, ce qui n’est pas le cas des autres sources abordées dans ce rapport. Comme plus de 90 % des bénéfices et du chiffre d’affaires au niveau mondial des groupes EMN sont générés par les groupes qui dépassent ce seuil, cette différence ne devrait pas être trop importante — une hypothèse confirmée par les analyses comparatives effectuées pour les besoins du présent rapport.

← 5. Plus précisément, la matrice des chiffres d’affaires a permis de dégager des mesures pour identifier la juridiction dans laquelle devrait être perçues les recettes assujetties à la « règle relative aux paiements insuffisamment imposés ». Les destinataires potentiels des recettes assujetties à la « règle d’inclusion du revenu », qui reviendraient à la juridiction de l’entité mère ultime de l’EMN, ont été identifiés directement à l’aide des informations de la matrice des bénéfices.

← 6. La substance économique pourrait par exemple donner lieu à une exception correspondant à une réduction du bénéfice faiblement imposé soumis à l’impôt minimum, et ce en fonction du niveau de l’activité économique de l’EMN dans la juridiction où ce bénéfice est généré. Le volume d’activité économique pourrait être mesuré sur la base de critères tels que la dépréciation des actifs corporels et les coûts salariaux (voir chapitre 3).

← 7. Voir l’analyse dans l’encadré 3 du document OCDE (2020[3]) ainsi que https://www.oecd.org/tax/tax-policy/anonymised-and-aggregated-cbcr-statistics-disclaimer.pdf.

← 8. Pour un examen détaillé de la couverture et la représentativité des données dans ORBIS, voir Bajgar et al. (2020[26]).

← 9. Pour plus de détails sur les données et la méthodologie relatives aux IDE, voir http://www.oecd.org/corporate/mne/statistics.htm.

← 10. Pour un nombre relativement restreint de cellules, les données issues du cadre des sous-groupes enregistrant des bénéfices positifs sont manquantes, mais pas celles provenant du cadre relatif à l’ensemble des sous-groupes. Les données de ce second cadre y ont été utilisées à la place du premier, sauf dans les quelques cas où le bénéfice déclaré dans le cadre qui concerne tous les sous-groupes était négatif. Il a alors été considéré que les statistiques provenant des déclarations par pays étaient manquantes aux fins de l’élaboration des matrices.

← 11. Sur les 26 juridictions de l’entité mère ultime incluses dans la publication par l’OCDE des statistiques tirées des déclarations pays par pays pour l’année 2016, seules les données de la Chine n’ont pas été utilisées lors de l’analyse exposée dans ce chapitre. En effet, les données chinoises pour 2016 ne sont basées que sur un sous-échantillon de 82 déclarations alors que, d’après les estimations, les déclarations déposées en Chine pour l’exercice fiscal 2016 sont beaucoup plus nombreuses.

← 12. En 2016, 1 101 groupes EMN américains ont déposé leur déclaration pays par pays, contre 1 575 en 2017. Leur chiffre d’affaires cumulé pour ces années respectives s’élevait à 16 300 milliards de dollars et à 21 600 milliards de dollars.

← 13. Voir l’analyse dans l’encadré 3 du document OCDE (2020[3]) ainsi que https://www.oecd.org/tax/tax-policy/anonymised-and-aggregated-cbcr-statistics-disclaimer.pdf.

← 14. Ce calcul a été effectué sur la base du tableau II.B 1-2 des données du BEA relatives aux activités des EMN, qui comprend des chiffres issus du bilan des filiales étrangères des EMN américaines et, en l’occurrence, sépare les stocks des immobilisations corporelles. On constate que les stocks représentent en moyenne 24 % du total des stocks et des immobilisations corporelles des EMN américaines en 2016 et en 2017. Par conséquent, dans la matrice des actifs corporels, une diminution de 24 % a été appliquée aux statistiques issues des déclarations pays par pays, sauf dans le cas des EMN américaines pour lesquelles l’ajustement a pris en compte la part exacte de leurs stocks dans chaque juridiction du marché, lorsqu’elle était disponible dans les données du BEA.

← 15. La qualité de la couverture offerte par ORBIS a été évaluée en comparant ses variables clés aux statistiques issues, d’une part, des déclarations pays par pays et, d’autre part, de la base de données analytique AMNE. Pour 22 juridictions, ORBIS est utilisé à la fois pour les entités détenues par les EMN dans leur juridiction et celles détenues à l’étranger. Pour 2 juridictions, cette source est uniquement employée pour les entités qu’elles détiennent à l’étranger. Voir les listes détaillées à l’Annexe 5.A.

← 16. La sélection a été opérée de la manière suivante. Pour chaque groupe EMN, son bénéfice total dans une juridiction donnée a été calculé en additionnant les bénéfices de toutes les entités lui appartenant dans cette juridiction, sur la base des données issues d’ORBIS. Toutes les entités des groupes EMN déficitaires dans une juridiction donnée ont été éliminées du jeu de données ORBIS final utilisé comme source pour les quatre matrices.

← 17. Une amélioration envisageable serait d’appliquer un seuil de chiffre d’affaires total de 750 millions d’euros aux entités appartenant à des groupes EMN lorsque les informations nécessaires sur le chiffre d’affaires consolidé à l’échelle du groupe sont disponibles dans ORBIS.

← 18. Par exemple, si la valeur d’actifs corporels est manquante pour 10 % des entités des EMN (taux pondéré par le chiffre d’affaires) dans une juridiction donnée, le total estimé des actifs corporels des entités des EMN dans cette juridiction a été augmenté de 1/(1-10 %)=11,1 %.

← 19. L’approche utilisée s’inspire de celle proposée par Tørsløv et al. (2018[1]), qui applique le ratio excédent brut d’exploitation/rémunération du travail (base de données FATS), rapporté aux salaires et charges sociales (comptabilité nationale). Le principal facteur limitant dans le cadre de cette approche tient au fait que le ratio coûts salariaux/chiffre d’affaires peut varier selon les secteurs d’activité, ce dont les données disponibles ne permettent pas de rendre compte.

← 20. Une variante possible de la méthodologie d’extrapolation aurait été d’utiliser comme point de départ les données sur les revenus d’IDE plutôt que celles relatives aux stocks d’IDE. Cette approche, bien que plus directe de prime abord, aurait posé d’importants problèmes d’extrapolation (les revenus d’IDE étant plus fluctuants que les stocks d’IDE) et, surtout, compliqué l’identification des investisseurs ultimes, car les données disponibles sur l’IDE par investisseur ultime ne portent que sur les stocks d’IDE et non sur les revenus d’IDE.

← 21. Les auteurs d’ouvrages récents utilisant des méthodes de pseudo-maximum de vraisemblance dans des modèles gravitationnels ont souvent utilisé une méthode fondée sur la distribution de Poisson telle que décrite pour la première fois par Santos Silva and Tenreyro (2006[20]). Head and Mayer (2014[27]) comparent différentes méthodes utilisables pour atteindre les mêmes objectifs (en particulier un meilleur traitement des zéros pour la variable d’intérêt), et suggèrent que les méthodes fondées sur la distribution de Poisson et la distribution de Gamma sont les plus performantes et qu’il n’y a aucune raison évidente de préférer une méthode à l’autre sachant que leurs performances relatives dépendront de la structure du terme d’erreur. Sans aucun a priori marqué sur cette structure, la méthode fondée sur la distribution de Gamma a été choisie dans ce chapitre pour l’extrapolation des chiffre d’affaires car elle convenait mieux eu égard aux chiffres de référence disponibles (à savoir eu égard aux autres sources de données comme les statistiques issues des déclarations pays par pays et les données du BEA) pour les catégories de juridictions pour lesquelles les extrapolations jouent un rôle important (notamment les juridictions à faible revenu). Les deux méthodologies produisent des coefficients largement similaires dans l’estimation et des données agrégées globalement similaires : par exemple, le chiffre d’affaires global obtenu dans la matrice à l’aide de la méthode fondée sur la distribution de Gamma est supérieur de 0.6 % à celui obtenu à l’aide de la méthode fondée sur la distribution de Poisson.

← 22. Les données de la base AMNE et de la base analytique AMNE ne figurent pas dans cette régression parce que la base AMNE ne contient pas d’éléments sur les diagonales, et les éléments sur les diagonales dans la base analytique AMNE sont généralement basés sur des extrapolations.

← 23. Une difficulté supplémentaire apparaît, qui tient au fait que le montant du chiffre d’affaires peut être faussé par un comportement relevant du transfert de bénéfices, auquel cas il peut ne pas donner une bonne indication du niveau de l’activité économique, et, par ricochet, des actifs corporels dans une juridiction. C’est là un facteur limitant l’intérêt de l’approche, difficile à dépasser complètement au vu des données disponibles.

← 24. Pour les juridictions comptant moins de dix groupes EMN dans les données issues des états consolidés d’ORBIS, les données sont considérées comme insuffisamment représentatives et aucun ajustement n’est effectué (ce qui signifie que « Delta 2 » = 0). De même, pour les groupes EMN présents dans moins de trois juridictions de l’entité mère ultime dans les statistiques issues des déclarations pays par pays, on suppose que « Delta 1 » = 0. Aux fins du calcul de la composante « Delta 2 », le chiffre d’affaires tiré des données issues des états consolidés d’ORBIS est ajusté pour tenir compte du fait que le chiffre d’affaires consolidé n’inclut pas les ventes intragroupe, lesquelles sont en revanche incluses dans la matrice des chiffres d’affaires. Cet ajustement est effectué sur la base du ratio global chiffre d’affaires avec des parties non liées/chiffre d’affaires total extrait des statistiques issues des déclarations pays par pays, lequel s’élève à 69 %.

← 25. Le rapport coûts salariaux/chiffre d’affaires calculé à partir des données AMNE agrégées relatives aux activités domestiques et à l’étranger des multinationales (13,5 %) est globalement similaire à la moyenne observée dans ORBIS. Des différences peuvent s’expliquer par plusieurs facteurs : une couverture sectorielle restreinte dans la base de données AMNE (qui exclut souvent le secteur financier), une couverture géographique qui diffère entre les deux sources et le fait que le calcul du ratio ORBIS se fonde sur les sous-groupes enregistrant des bénéfices positifs alors que les données AMNE ne font pas une telle distinction.

← 26. Plus spécifiquement, l’ajustement est basé sur la part de l’amortissement dans l’excédent brut d’exploitation par juridiction du marché, conformément à la méthode de calcul de Tørsløv et al. (2018[1]). Dans les juridictions pour lesquelles aucune donnée ne peut être obtenue à l’aide de l’approche de Tørsløv et al. (2018[1]), le ratio correspondant au « reste du monde » est utilisé.

← 27. En pratique, lorsque le total d’une colonne de la matrice des bénéfices pour une juridiction de l’entité mère ultime donnée était inférieur à 50 % du bénéfice consolidé total des groupes EMN de cette juridiction, comme observé dans le jeu de données des états consolidés d’ORBIS, la cellule de cette juridiction sur la diagonale de la matrice (lorsqu’elle est basée sur une extrapolation) a été corrigée à la hausse de telle sorte que la différence ne puisse pas dépasser 50 %. De plus, si la cellule d’une juridiction sur la diagonale de la matrice des bénéfices contenait une valeur supérieure à 100 % du bénéfice consolidé total des groupes EMN de cette juridiction de l’entité mère ultime, comme observé dans le jeu de données des états consolidés d’ORBIS, cette cellule a été corrigée à la baisse et ramenée à 100 % de ce total. Des ajustements similaires ont été effectués dans la matrice des chiffres d’affaires. Ces ajustements concernent principalement les plus petites juridictions dans lesquelles on rencontre parfois plus fréquemment des problèmes de qualité des données et pour lesquelles les matrices reposent davantage sur des extrapolations que pour les juridictions de plus grande taille. Dans la matrice des chiffres d’affaires, cet ajustement concerne 48 juridictions (sur 222) et le chiffre d’affaires total inscrit dans les cellules concernées représente 0.5 % du chiffre d’affaires total de la matrice des chiffres d’affaires. Dans la matrice des bénéfices, il concerne 51 juridictions et le bénéfice total inscrit dans les cellules concernées représente 4.4 % du bénéfice total de la matrice des bénéfices.

← 28. Les matrices des actifs corporels et des coûts salariaux ne font pas l’objet d’ajustements similaires car les valeurs qui y sont imputées reposent sur la matrice des chiffres d’affaires, laquelle a déjà été ajustée.

← 29. L’une des limites des matrices aux fins de l’analyse des transferts de bénéfices tient à ce qu’elles prennent uniquement en considération les sous-groupes d’EMN enregistrant des bénéfices positifs et qu’elles ne rendent donc pas compte d’éventuelles pratiques relevant du transfert de pertes.

← 30. Bien que, dans leur étude, les auteurs fassent uniquement état d’un chiffre non corrigé pour l’année 2017, le Graphique 6 indique un total mondial des stocks d’IDE légèrement en deçà de 35 000 milliards USD.

← 31. Allemagne, Autriche, Canada, Estonie, États-Unis, Finlande, France, Hongrie, Islande, Italie, Lituanie, Pologne, République tchèque, Suisse et Turquie.

← 32. Borga et Calandro (2018[13]) par exemple définissent les capitaux de transit comme des capitaux entrant dans une économie pour être investis ultérieurement dans une autre économie.

← 33. Dans un document récent, Coppola et al. (2020[25]) montrent que des schémas similaires sont observés en ce qui concerne l’émission de titres. Ils observent par exemple que la classification des titres en fonction de l’émetteur ultime (société-mère) plutôt qu’en fonction de l’émetteur immédiat (filiale) a pour effet de gonfler sensiblement le niveau des flux d’investissements de portefeuille allant des économies développées vers les économies émergentes.

← 34. Les EVS sont des entités qui n’emploient pas de personnel ou ont un effectif très réduit, n’exercent que peu d’activités voire aucune et ont une présence physique limitée voire nulle dans leur juridiction, mais qui fournissent des services importants à l’EMN dont elles relèvent, comme détenir des actifs et des passifs ou lever des capitaux (voir https://www.oecd.org/daf/inv/How-MNEs-channel-investments.pdf).

← 35. En l’espèce, l’expression d’IDE « sortant » ne fait pas référence au principe selon lequel les données sont notifiées sachant que les données sur l’IDE par investisseur ultime ne sont disponibles que dans les rapports que certaines juridictions établissent sur leurs IDE entrants. Le terme « sortant » est utilisé ici pour préciser l’orientation des flux : par exemple, les IDE entrants notifiés par la France comme en provenance des États-Unis constituent des flux sortants des États-Unis vers la France.

← 36. Par exemple, les données de l’OCDE montrent qu’en 2016, la France était l’investisseur ultime, à hauteur de 42 milliards USD, de ses propres stocks d’IDE (soit 6.1 % de ses IDE entrants au niveau mondial), tandis que les États-Unis étaient l’investisseur ultime, à hauteur de 73 milliards USD, de leurs propres stocks d’IDE (1.9 % de leurs IDE entrants au niveau mondial).

← 37. Parmi les 15 juridictions notifiant des données sur l’IDE par investisseur ultime, seule l’Autriche n’indique pas le total des stocks d’IDE entrants dans les données communiquées à l’OCDE.

← 38. Les résultats par juridiction sont similaires lorsque l’on considère les données issues des statistiques de la balance des paiements du FMI pour les revenus d’IDE et le jeu de données tirées de l’ECID du FMI pour les stocks d’IDE.

Mentions légales et droits

Ce document, ainsi que les données et cartes qu’il peut comprendre, sont sans préjudice du statut de tout territoire, de la souveraineté s’exerçant sur ce dernier, du tracé des frontières et limites internationales, et du nom de tout territoire, ville ou région. Des extraits de publications sont susceptibles de faire l'objet d'avertissements supplémentaires, qui sont inclus dans la version complète de la publication, disponible sous le lien fourni à cet effet.

© OCDE 2020

L’utilisation de ce contenu, qu’il soit numérique ou imprimé, est régie par les conditions d’utilisation suivantes : http://www.oecd.org/fr/conditionsdutilisation.