LE CHANGE-IN-CHANGE

MODELE : PRINCIPE,
APPORT ET CAS DE
MAYOTTE.
Mémoire de Recherche de Master 2 économie et politique publiques

Réalisé par Nourdine SAID (Université de Montpellier).

Directeur de Mémoire : Emmanuelle LAVAINE (Maître de conférences, Center for

environmental economics - Montpellier (CEE-M)).

Rapporteur : Antoine PIETRI (Maître de conférences, Center for environmental economics -

Montpellier (CEE-M)).

© Nourdine SAID. Septembre 2020. Tous droits réservés.

Cet écrit n’engage que la responsabilité de son auteur.

2
"Tous les changements, même les plus souhaités, ont leur mélancolie"

Anatole France

3
SOMMAIRE
Remerciements .......................................................................................................................... 6

Résumé ....................................................................................................................................... 7

Abstract ...................................................................................................................................... 8

Liste des sigles ............................................................................................................................ 9

Introduction.............................................................................................................................. 12

1) Contexte ............................................................................................................................... 14

2) Problématique et méthodologie .......................................................................................... 16

2.1) Présentation de la problématique ................................................................................ 16

2.2) Méthodologie de l’état de l’art ..................................................................................... 18

3) La méthodologie générale de l’évaluation de la politique publique ................................... 19

3.1) Structuralistes versus expérimentalistes ...................................................................... 19

3.2) Le cadre de Rubin .......................................................................................................... 20

4) Le modèle des doubles différences : Présentation et critiques........................................... 22

4.1) Une brève présentation ................................................................................................ 22

4.2) Critiques ........................................................................................................................ 24

5) Le modèle Change-In-Change : Présentation et analyse empirique.................................... 26

5.1) Présentation synthétique .............................................................................................. 26

5.1.1) Principes de base ................................................................................................... 26

5.1.2) Particularités par rapport au DID ........................................................................... 31

5.2) Analyse de la littérature empirique .............................................................................. 32

5.2.1) Un complément aux Doubles Différences standard .............................................. 32

5.2.2) Un substitut aux Doubles Différences standard .................................................... 38

5.2.3) Meta-synthèse et apport de l’analyse empirique.................................................. 41

6) Le cas de Mayotte : Caractérisation et tendances ............................................................... 45

6.1) Caractérisation de l’économie et de la société mahoraise ........................................... 45

6.1.1) Caractéristiques particulières de l’économie ........................................................ 45

4
 6.1.2) Caractéristiques particulières de la société ........................................................... 47

6.2) Politique publique agricole, et tendance économico-environnementale et sociale .... 48

6.2.1) Politiques publiques agricoles mises en œuvre ..................................................... 49

6.2.2) Développement d’une économie verte ................................................................. 50

6.2.3) Une modification des comportements de consommation .................................... 53

7) Doubles différences non linéaires appliquées au cas de Mayotte : présentation, contrainte

et application ............................................................................................................................ 55

7.1) Les doubles différences non linéaires associées au cas de Mayotte ............................ 55

7.1.1) Implication de l’analyse de la littérature empirique du CIC pour Mayotte ........... 55

7.1.2) Presentation de méthodes des doubles différences non linéaires adaptées aux
données en coupes transversale répétées ...................................................................... 56

7.2) Mise en place d’une expérience naturelle : Contraintes et application ....................... 59

7.2.1) L’indisponibilité des données individuelles ........................................................... 59

7.2.2) Mise en place d’une expérience naturelle simplifiée ............................................ 62

8) Conclusion ............................................................................................................................ 63

Bibliographie ............................................................................................................................ 66

Webographie ............................................................................................................................ 70

Table des illustrations / annexes / tableaux ............................................................................ 70

ANNEXE .................................................................................................................................... 71

5
REMERCIEMENTS

Un remerciement pour les enseignants et étudiants du Master 2 économie et politique

publiques, au conseil départemental de Mayotte et à ma famille pour leur soutien, ainsi qu’au
directeur de mémoire pour ses conseils pertinents.

6
RESUME

Ce mémoire de recherche s’intéresse au sujet des méthodes d’évaluation de la politique

publique non structurelles concernant le cas particulier du département de Mayotte. Il est
question de justifier que le Change-In-Change (CIC) modèle constitue une méthode
d’évaluation plus pertinente que les doubles différences standard, pour ce territoire. C’est
alors que la méta-synthèse de la littérature empirique met en avant que le CIC soit, dans la
majorité des domaines d’études, une méthode plus pertinente dans le cas où on souhaite
calculer l’effet de traitement distributionnel. Etant donné que le département de Mayotte
développe un besoin en évaluation ex post de la politique publique - à cause des nombreux
programmes mis en place, depuis 2014, censés le mener vers un modèle économique
moderne et autonome préservant son environnement - ce recueil nous donne les outils
nécessaires, adaptés à la situation institutionnelle, pour ce faire.

7
ABSTRACT

This research paper focuses on non-structural public policy evaluation for the particular case
of Mayotte Department. The aim is to justifying that the Change-In-Change (CIC) model
constitutes a more relevant evaluation method than the standard double differences, for this
territory. Thus a meta-synthesis of the empirical literature shows that the CIC is, mostly, a
more relevant method in the case of calculating the distributional treatment effect. Knowing
that Department of Mayotte gain a need for ex post evaluation of public policy - because of
many programmes implemented since 2014, supposed to lead it towards an modern and
autonomous economic model which preserves environment - This collection therefore gives
us the necessary tools, adapted to the institutional situation, to do so.

8
LISTE DES SIGLES

ARS : Agence Régionale de la Santé

ARSOI : Agence Régionale de Santé Océan Indien
ATC : Average Traitement Effect for the Control
ATE : Average Traitement Effect
ATT : Average Traitement Effect for the Treated
BHPS : British Household Panel Survey
BTP : bâtiment et travaux publics
CHM : Centre Hospitalier de Mayotte
CK : Card et Krueger
CIC : Change-In-Change
CTE : Coopération territoriale européenne
DAAF : Direction de l’Alimentation, de l’Agriculture et de la Forêt
DD : Doubles Différences
DID : Difference-In-Differences
DIDID : Difference-In-Difference-In-Differences
DOM : Département d’Outre-mer

EURO-PERISTAT : European perinatal information system

FEDER : Fonds européen de développement régional
FEADER : Fonds européen agricole pour le développement rural
FSE : Fonds social européen
HDHPs : Hight Deductible Healt Plans
HMO : Health maintenance organizations
ICHN : Indemnité compensatrice de handicaps naturels
INSEE : Institut National de la Statistique et des Etudes Economiques
LTECV : Loi sur la Transition énergétique pour la croissance verte

MFPA : Mesures en faveur de la production agricole

NLDID : Nonlinear Difference-In-Differences

9
NLDIDID : Nonlinear Difference-In-Difference-In-Differences
NOC : Negative Outcome Control
NOCNOC : Difference-In-Difference-In-Differences applied for NOC
OMR : Ordures ménagères résiduelles

PDR : Programme de développement rural

PGTD : Plan global de transport et de déplacement

PIB : Produit Intérieur Brut

PMI : Protection Maternelle Infantile
PMSI : Programme de médicalisation des systèmes d'information
PNUE : Programme des Nations Unies pour l’environnement
POSEI : Programme d’options spécifiques à l’éloignement et à l’insularité
PPE : Programmation pluriannuelle de l’énergie
PPI : Programmation pluriannuelle d’investissement

QDID : Quantile Difference-In-Differences

QTE : Quantile Traitement Effect
REPEMA : Réseau Périnatal de Mayotte
RSA : Régime spécifique d’approvisionnement
RUP : Région Ultrapériphérique
SAR : Schéma d’aménagement régional

SIEAM : Syndicat intercommunal de l’eau et de l’assainissement de Mayotte

SUTVA : Stable Unit Traitement Value Assumption

TVB : Trame verte et bleue

URSEC : Urgences - Réanimation - SAMU/SMUR - Evacuation Sanitaire - Caisson

Hyperbare/Chambre Mortuaire
VIH : virus de l'immunodéficience humaine

10
11
INTRODUCTION

Le modèle de doubles différences est l’une des méthodes d’identification d’un effet propre la
plus populaire dans le cadre de l’évaluation de l’impact d’une politique publique en économie
appliquée (Angrist and Krueger, 1999 ; Athey and Imbens, 2006 ; Bertrand et al., 2004 ;
Blundell and Costa Dias, 2009 ; Heckman et al., 1999 ; Lechner, 2011 ; Meyer, 1995 ; Puhani,
2012).

Elle se base sur les données observables, non randomisées contrairement aux
expériences contrôlées, afin d’estimer l’effet causal d’une politique publique. Pour ce faire, la
construction d’un contrefactuel nous indiquant la variation potentielle de la variable d’intérêt
(le revenu par exemple) sans le traitement est alors nécessaire. On utilise ainsi un groupe de
contrôle en qualité de contrefactuel, à comparer avec le groupe de traitement pour ressortir
l’effet causal du traitement.

De ce fait Imbens et Woodridge (2008) nous explicitent cette catégorie de méthode

d’évaluation de la politique publique, fondée sur l’hypothèse « uncounfoundness » 1 . En
d’autres termes, la méthode des doubles différences est à considérer comme une quasi-
expérimentation ou une expérience naturelle se distinguant par la mise en place d’hypothèses
prenant en compte, essentiellement, la non-observabilité de certaines caractéristiques
individuelles. Dans le sens où l’assignation des individus au traitement ne sera que
conditionnellement aléatoire.

Ce dernier est une hypothèse théorique simplificatrice qui se heurte à la non-

observabilité de certains éléments. Malgré le fait qu’on puisse contrôler les spécificités
individuelles et les tendances temporelles grâce aux effets fixes et temporels, il est nécessaire
de poser tout de même l’hypothèse d’un effet de traitement constant entre les individus grâce
à une distribution des caractères non observables similaires entre les deux groupes (a), en plus

1
Voir section 3.1.2 pour plus de détails.

12
d’une évolution linéaire de la tendance temporelle de la variable d’intérêt entre les deux
groupes (b).

Ce sont des hypothèses difficiles à vérifier dans la réalité puisqu’il est plus probable
d’avoir des groupes d’individus très différents de par leur propension à consommer (non
observable), par exemple, entre les deux groupes et un effet de traitement différent sur la
consommation.

L’exemple de Mayotte (département français) correspond exactement à ce cas, avec

une population très différente du reste de la population française, des individus très différents
entre eux-mêmes et une évolution sociale, avec un changement du mode de vie et du niveau
de vie, qui se distingue par sa rapidité. Cela peut donc remettre en cause l’hypothèse (a) et
(b).

Par ailleurs, Athey et Imbens (2006) proposent une nouvelle hypothèse plus réaliste
que l’hypothèse (a) et (b) pour le modèle des doubles différences, consistant en la non-
linéarité dans la prise en compte des caractéristiques non observables, dans le sens où il est
possible d’avoir un effet de l’inobservable différent entre les individus sur la variable d’intérêt
à travers le temps, et un impact du traitement qui diffère les uns des autres.

Ainsi, cette modélisation appelée change-in-change méthode (CIC) autorise que l’effet
de traitement à travers l’impact des éléments non observables sur la variable d’intérêt soit
différent entre les individus à travers le temps. Comme par exemple, lorsque les inégalités
dans les revenus liés aux compétences augmentent à travers le temps ou qu’un nouveau
médicament bénéficie différemment des patients les plus malades (Athey et Imbens, 2006).

Ce mémoire de recherche souhaite analyser le CIC à travers la thématique de Mayotte,

un récent département français – depuis 2011 - qui rencontre de nombreuses difficultés
économiques et sociales traduisant une transformation sociale. Dans un contexte de crise

13
sanitaire mondiale, le CIC sera présenté empiriquement dans un souci d’un besoin
d’adaptation des méthodes d’évaluation de la politique publique au cas de Mayotte.

De manière précise, après avoir introduit le contexte 1), la problématique et la

méthodologie 2), la méthodologie générale de l’évaluation de la politique publique sera
présentée en 3). Le modèle de doubles différences standard 4) et le change-in-change modèle
5) seront explicités afin de repérer l’utilité supplémentaire apportée par le CIC. Dans un
sixième temps, sera exposé le cas de Mayotte pour ressortir en quoi ce territoire est
l’illustration même de la nécessité d’améliorer les méthodes d’évaluation empiriques en 7) et
finir par conclure en 8).

1) CONTEXTE

L’actualité récente de la crise sanitaire mondiale du COVID-19 2 qui a eu un impact non

négligeable sur l’économie mais aussi la santé des populations touchées nous montre
l’importance d’avoir une population ayant une grande capacité d’adaptation. Tous les pays
n’ont pas réagi de la même manière face à cette crise, les décisions publiques ont été
différentes selon le territoire concerné.

C’est alors qu’en Chine, là où l’épidémie a commencé, le gouvernement a effectué un

confinement très tôt de la ville de Wuhan, Huanggang et Ezhou (le 22 janvier 2020), pour
ensuite l’élargir à tout le pays. Au contraire, la Corée du Sud quant à elle a préféré réagir de
manière différente en mettant en place des tests de dépistage massif sans pour autant
confiner la population. Ce sont deux gestions complètement différentes, qui ont eu des
résultats plus ou moins différentes sur le court et long terme.

Pour autant en France, le gouvernement a réagi de manière tardive par rapport aux
pays asiatiques en procédant à un confinement (le 17 mars 2020) sans tester la population de

2
Le premier cas a été recensé en Novembre 2019 en chine.

14
manière massive, sous couvert d’une politique visant à ne pas surpasser la capacité d’accueil
des hôpitaux.

Il s’agit ici d’une gestion économique plutôt qu’humaine de la situation qui a été plus
ou moins efficace aussi. C’est une politique publique qui avait pour objectif, en quelque sorte,
de limiter l’impact économique de la crise. L’après crise se traduit donc aujourd’hui avec des
analyses ex post des décisions prises au moment où la pandémie a commencé.

L’évidence est telle qu’il va falloir évaluer les politiques publiques mises en place par
le gouvernement pour en mesurer leur impact. Ce travail commence à se faire à travers le
monde par le biais de sujets de thèse de doctorat et de publications scientifiques. Voir par
exemple Kamdem 20203 et Sardar et al 20204.

Par ailleurs, le champ de recherche concernant l’évaluation des effets d’une politique
publique est en pleine expansion. Cela se voit avec les dernières publications en la matière
telles que Abadie et Gardeazabal 2003 ; Abadie et al 2010 ; Bifulco et al 2017 ; Bohn et al
2014 ; Borjas 2017 ; Card 1990 ; Gutiérrez 2016 ; Jardim et al 2017 ; Peri et Yasenov, 2019 ;
Pieters, 2016, Samartsidis et al 2019, mais surtout par l’expansion de l’économie
expérimentale portée par Ester Duflo et Abhijit Banerjee (colauréats du prix de la Banque de
Suède en sciences économiques en mémoire d'Alfred Nobel 2019).

Ces derniers auteurs ont aussi des publications qui ont marqué la littérature
économique et révolutionnée l’économie du développement comme Banerjee, A. V., et al
2011 ; Banerjee, A. V., et al 2015 ; Banerjee, A. V., et al 2007.

Toutefois, l’intérêt de ce mémoire de recherche est porté sur les expériences

naturelles et notamment les nouvelles avancées censées rendre plus crédibles les résultats

3
Sujet de thèse de doctorat proposé à l’EDEG de Montpellier, intitulé : Contribution sur la prévention et
l'évaluation durables des risques de pandémie : cas du covid-19 en France.
4
Sardarn nadim, rana, chattopadhyay, Assessment of Lockdown Effect in Some States and Overall India : A
Predictive Mathematical Study on COVID-19 Outbreak ; Chaos, soliton, fractals, 2020.

15
obtenus via l’estimation en doubles différences standard (DD) qui est sujet à de nombreuses
critiques d’ordre pratique depuis Bertrand et al (2004).

2) PROBLEMATIQUE ET METHODOLOGIE

Il s’agit pour cette partie de justifier de l’intérêt porté au thème de la non-linéarité dans le
modèle de doubles différences. Le thème sera abordé dans la perspective du cas de Mayotte,
un département français avec des caractéristiques propres très distinctes des autres
départements et une évolution sociale particulière.

2.1) Présentation de la problématique

La détermination des effets propres en ce qui concerne une décision publique à mettre
en place est primordiale pour le bon déroulement de cette politique. Que ce soient les
politiques d’adaptations censées limiter les conséquences du COVID-19 ou simplement des
politiques de développement des zones rurales comme le PDR, la demande en évaluation ex
post est de plus en plus croissante dans un monde en mutation.

Certains territoires ont tellement développé des caractéristiques propres dans leur
processus d’évolution, qu’il est dorénavant très complexe de mettre en place des évaluations
ex post par manque de territoire de référence très similaire en qualité de groupe de contrôle.

Mais surtout du fait des individualités qui se distinguent de plus en plus et des
processus d’évolution sociale qui sont très différentes, que ce soit la re-primarisation, la
tertiarisation ou l’économie d’autosubsistance, autant de phénomènes qui se distinguent
entre les territoires de ce monde. Cela peut rendre complexe la stratégie d’identification de
l’effet propre.

16
 C’est le cas de Mayotte, le 101e département français, qui fait face à une crise
économique (explosion de la pauvreté) et sociale (explosion de la délinquance) ces dernières
années. S’est ajoutée cette année 2020 la crise sanitaire du COVID-19 laissant le département
dans le rouge jusqu’au mois de juin - malgré un déconfinement le 18 mai - avec une circulation
active du virus tandis que les autres territoires avaient pu couper cette circulation bien
auparavant.

Il apparaît donc que la politique nationale était inadaptée à cette région qui se
distingue fortement des autres, puisque les résultats d’atténuation de la circulation du virus
ont été absents. Il convient donc sur le plan théorique de développer des outils spécifiques à
l’évaluation publique de ce type de territoire pour remédier à ce problème.

Il est clair que le fait juste de contrôler les caractéristiques individuelles dans une
évaluation utilisant le modèle de doubles différences est insuffisant pour traiter de
l’endogénéité éventuel qui sera présente dans un modèle avec comme groupe de traitement
la population mahoraise et comme groupe de contrôle la population guyanaise, par exemple,
sera insuffisant.

L’hypothèse d’un effet de traitement constant entre les individus, d’une distribution
des éléments non observables similaires entre les groupes et d’une tendance temporelle
linéaire tiennent très peu pour la population mahoraise qui est très spécifique, avec une forte
identité culturelle, des populations d’origine diverse et qui se tournent vers un mode de vie
occidental. Ces 20 dernières années il y a eu de nombreuses transformations, traduisant une
mutation vers une société capitaliste.

Il s’agira donc pour cette étude de situer le change-in-change méthode de Athey &
Imbens (2006) par rapport aux doubles différences standard de Mayer (1995). Est-ce qu’un
outil complémentaire aux doubles différences standard ou sinon un mode d’évaluation de
l’impact des politiques publiques plus performant. De plus, permet-il de surpasser les
problèmes rencontrés lors de l’évaluation de politiques publiques concernant le département
de Mayotte.

17
 2.2) Méthodologie de l’état de l’art

Pour notre étude, on se penchera sur la littérature peu abondante concernant le

change-in-change méthode afin d’en ressortir les principaux attraits de cette méthode par
rapport aux doubles différences standard. Il s’agira par une synthèse de la littérature
correspondante de justifier l’apport principal de cette méthode, mais aussi ses limites par
rapport aux doubles différences standard.

Les textes scientifiques utilisés recouvrent la période 1995 à 2019 présentent

globalement des méthodes des doubles différences standard et de change-in-change, afin de
réaliser des évaluations ex post de politiques publiques les plus conformes à chaque situation.
Le nombre de textes scientifiques analysés pour ce mémoire de recherche se situe autour de
50 (voir bibliographie).

Parmi ces derniers, ceux concernant le CIC peuvent être classés en 2 catégories : textes
théoriques, textes empiriques. Les textes empiriques sont composés de 2 sous-catégories :
CIC complémentaire, CIC substitut (voir annexe 1). L’illustration 1 nous montre la structure
complète de l’analyse des textes.

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

Limites et
Résumé Apport dans la littérature Catégorie Numéro
manquement

Illustration 1 : Structure du tableau d’analyse des textes

Il est question de ressortir de ces textes des éléments concernant notre sujet et notre
problématique. Mais aussi trouver leurs apports dans la littérature de la catégorie identifiée
et leurs manquements, afin de mieux comprendre l’état de l’art à propos de la méthode CIC.

18
 Il sera ainsi question de voir si le change-in-change méthode constitue un outil adapté
à l’évaluation de l’impact de politiques publiques concernant le département de Mayotte.
Mais aussi, si cette méthode doit remplacer l’estimation de doubles différences standard (DD)
ou ne rester qu’un outil complémentaire.

3) LA METHODOLOGIE GENERALE DE L’EVALUATION DE LA

POLITIQUE PUBLIQUE

Pour cette partie, on introduira la méthodologie de l’évaluation des impacts d’une politique
publique en général. Des structuralistes aux expérimentalistes, les méthodes d’évaluation de
l’impact d’une politique publique ont chacune leurs particularités tout en étant fondées
théoriquement, avec un cadre conceptuel plus ou moins clair.

3.1) Structuralistes versus expérimentalistes

Il est en général considéré qu’il existe deux grandes classes de méthodes d’évaluation,
celles structurelles et celles non structurelles.

Les méthodes structurelles regroupent des méthodes d’évaluation donnant plus

d’importance à la définition d’un cadre conceptuel clair justifiant le comportement des agents
concernés. Une illustration de cette approche est donnée par le modèle de Roy (1951) où le
choix d’une variable d’exclusion est toutefois nécessaire afin de traiter les problèmes
d’identification.

À l’opposé l’approche non structurelle porte une attention plus particulière à

l’identification, plutôt qu’à l’interprétation, d’un effet causal « propre ». En donnant plus
d’importance à la variabilité exogène qu’il y a dans les données.

19
 En réalité, comme le souligne Keane (2009) il s’agit d’une fausse dichotomie entre les
« structuralistes » et les « expérimentalistes ». La différence entre ces deux approches n’est
pas tant dans le fait qu’elles soient basées plus ou moins sur des hypothèses théoriques, mais
plutôt dans le fait que ces hypothèses soient plus ou moins explicitées.

Ainsi, les méthodes d’évaluation empiriques ont de manière implicite, une crédibilité
autre que celle basée sur les données et la recherche d’un effet propre. Notre étude pourra
donc se pencher sur cette classe de méthode sans se soucier du fait qu’elle soit qualifiée d’
« athéorique ».

De manière plus précise, plusieurs méthodes sont regroupées dans cette classe non
structurelle, à savoir les expériences contrôlées, la méthode des doubles différences, les
variables instrumentales et la régression par discontinuité, entre autres.

Ces méthodes se distinguent de par leur processus d’identification de l’effet propre

recherché. Il s’agit plus précisément de traiter de l’endogénéité qui se trouve quand on
souhaite inférer un « effet causal » via les données. Puisqu’il est souvent, voire toujours, très
difficile de trouver des individus similaires en tout point et comparables.

En effet, la plupart du temps il y a une présence d’éléments non observables dans les
caractéristiques individuelles donnant une hétérogénéité entre les individus bénéficiant de la
politique publique, pouvant créer un biais de sélection si l’assignation au traitement n’est pas
effectivement aléatoire et donc une estimation biaisée de l’effet causal.

Elles ont toutes le point commun d’être fondées sur le cadre de Rubin (1983).

3.2) Le cadre de Rubin

Le cadre de Rubin (1983), par lequel ces dites méthodes empiriques se fondent, permet
de bien comprendre ce phénomène de sélectivité dans le traitement. Par ailleurs, on parle

20
d’un effet de traitement pour désigner l’effet causal de la politique publique sur la variable
résultat, qui peut représenter le bien-être individuel ou autre.

Ce cadre (de Rubin) stipule qu’on peut évaluer l’effet d’une politique publique par la
comparaison de deux populations données, une qui bénéficie de la politique et l’autre non. Il
s’agit donc d’évaluer l’effet d’un traitement D sur une variable de résultat Y : Y = DY1 + (1-D)
Yo.

Cela nous donne des « résultats potentiels » (Yo et Y1), et défini pour chaque individu
une situation contrefactuelle. C’est la situation observée, quand un individu a été traité, s’il
n’avait pas été traité (Yo). De manière plus précise, selon Imbens et Wooldridge (2008), c’est
une affaire de résultats potentiels, de mécanisme d’assignation et d’interaction.

La notion de résultats potentiels a essentiellement l’intérêt de permettre une

distinction entre le résultat non observable (Yo) et le mécanisme d’assignation. Pour ainsi
définir un effet causal sans se soucier des problèmes créés par la non-observabilité dans
l’assignation.

Le mécanisme d’assignation représente la probabilité conditionnelle à recevoir le

traitement, en tant que fonction des résultats potentiels et des variables individuelles
concernées.

C’est alors que trois grandes classes d’assignations peuvent être distinguées :

• L’assignation aléatoire dans le cadre d’expériences contrôlées, consistant à créer un

groupe de contrôle et de traitement le plus similaire en tout point, ex ante. Ce qui
donne une indépendance entre le fait de recevoir le traitement ou pas.
• L’assignation aléatoire conditionnellement à des variables explicatives X, grâce au
respect de l’hypothèse « uncounfoundness » (Rubin, 1990), qui permet une sélection
sur observable. Ce dernier se traduit la plupart du temps, de manière statistique, par
un appariement fondé sur le score de propension (Rubin, 1974).
21
 • Et enfin la sélection sur inobservable grâce à des instruments expliquant l’assignation
D et non le résultat Y.

Concernant les interactions, il est question de l’hypothèse « Stable Unit Traitement Value
Assumption (Rubin, 1978) » (SUTVA), où on admet en général que l’effet de traitement
n’affecte que les traités et non pas les non-traités dans leur résultat. Cette hypothèse est
évidemment bien plus crédible dans les sciences biomédicales, plutôt que dans l’économie du
travail, par exemple.

Ainsi soit-il pour le cadre de Rubin qui encadre toutes les méthodes d’évaluation
empiriques susmentionnées. D’ailleurs, Angrist et Pischke (2010) parlent d’une « credibility
revolution » pour désigner l’essor de l’utilisation de ces vingt dernières années des études
s’appuyant sur des quasi-expériences, voire des expériences contrôlées (Angrist et Pischke,
2010 ; Roux, 2015).

4) LE MODELE DES DOUBLES DIFFERENCES : PRESENTATION

ET CRITIQUES

La méthode des doubles différences (DD) est celle qui nous intéressera le plus dans cette
étude, parmi les méthodes empiriques. Elle a certaines critiques dont on en explicitera les
principaux attraits.

4.1) Une brève présentation

Contrairement aux expériences contrôlées constituant la méthode d’évaluation

empirique la plus crédible. Le mécanisme d’assignation utilisé étant l’assignation aléatoire
consistant à créer un groupe de contrôle et de traitement le plus similaire en tout point, ex
ante (comme vu précédemment), et basé sur l’hypothèse SUTVA. Mais cette méthode a un
coût financier élevé et requiert des moyens matériels conséquents.

22
 La méthode DD - désignée aussi comme une « quasi-expérimentation » ou une
« expérience naturelle » - se base sur l’hypothèse « uncounfoundness » avec donc une
assignation conditionnellement aléatoire, en plus du SUTVA. Pour traiter de l’hétérogénéité
non observable entre les individus, il est admis en général pour la méthode DD qu’il y a une
évolution linéaire de ces éléments non observables dans le temps. Ce qui permet la
comparaison des deux ou plusieurs groupes de traitement et de contrôle, sans qu’ils soient
similaires.

Cette méthode – celle avec la plus de variante - tire son origine de la médecine où pour
tester un nouveau médicament les chercheurs avaient l’habitude de comparer son effet en
administrant ce médicament à un groupe dit le groupe de traitement, pour le comparer à
l’effet d’un placebo administré à un autre groupe dit le groupe de contrôle (Imbens et
Woodridge, 2008).

On a bien deux différences à comparer, à savoir la différence de santé entre avant et

après la prise du médicament à comparer avec la différence de santé entre avant et après la
prise du placebo. Nous donnant le réel effet qu’a le médicament sur les patients, car élimine
l’effet dit effet placebo (Imbens et Woodridge, 2008).

Il est admis que le modèle de double différence est l’une des méthodes la plus
populaire d’identification dans le cadre de l’évaluation de l’impact d’une politique publique,
en économie appliquée (Angrist and Krueger, 1999 ; Athey and Imbens, 2006 ; Bertrand et al.,
2004 ; Blundell and Costa Dias, 2009 ; Heckman et al., 1999 ; Lechner, 2011 ; Meyer, 1995 ;
Puhani, 2012), pour la raison qu’on puisse en inférer des effets causaux grâce à quelques
hypothèses simplificatrices facilitant l’identification de l’effet propre.

Il s’agit d’estimer l’effet de traitement moyen en considérant le groupe de contrôle

comme le contrefactuel du groupe de traitement. De ce fait, il est souvent admis qu’on fait
une estimation sur des données expérimentales, c’est-à-dire que théoriquement, c’est une

23
expérience (conditionnellement) aléatoire au vu des conditions susmentionnées. Toutefois,
de manière empirique, il n’est pas sûr que l’estimation de l’ATE (Average Traitement Effect)
obtenue ne soit pas biaisée (voir Huynh et al, 2011).

4.2) Critiques

Premièrement, le modèle est limité sur certains points en l’occurrence sur le fait que
le résultat de l’estimation de l’effet causal n’est pas invariant à l’unité de mesure. Ce problème
est connu dans la littérature comme le « logs versus levels problem ». C’est-à-dire que
considérer la variable d’intérêt par son taux de croissance ou par son niveau fait
considérablement changer l’estimation DID.

Comme l’a démontré Meyer et al (1995) dans leur étude, il n’y a pas d’effet significatif des
indemnités de blessures sur la durée des blessures, alors que l’effet est significatif sur le
logarithme de la durée de blessure.

Aussi comme le souligne Mayer (1995), le modèle de doubles différences standard peut
donner des estimations biaisées de l’effet propre de la politique publique mise en place, dans
le cas où cet effet varie entre les individus selon leurs caractéristiques non observables et/ou
si le groupe de traitement diffère du groupe de contrôle selon certaines caractéristiques.

Deuxièmement, c’est une méthode qui n’est pas exempte de critiques à cause des
nombreuses hypothèses admises. D’autres sciences ont repris cette méthode pour inférer des
effets causaux (biologie, par exemple), mais pourtant, c’est Bertrand et al (2004) qui
remettent en cause nombre de papiers en économie utilisant la méthode des doubles
différences (DD).

En effet, selon ces auteurs, les résultats des études considérées (60 sur 65) ignorent le fait que
les erreurs types ne soient pas cohérentes. La critique ici se penche sur un aspect
paramétrique se traduisant par des problèmes de corrélation en série, sur les données de
24
panel. Plus précisément, les auteurs remarquent que la plupart des estimations en DD se
basent sur de longues périodes (16,5 périodes en moyenne). Mais aussi, le plus souvent, la
variable dépendante (résultat) Y a des problèmes de corrélation en série. Enfin, il y a des
modifications mineures de la variable de traitement elle-même à travers le temps, pour chaque
Etat.

C’est ce dernier élément qui nous intéresse, car même si cela n’a pas été traité par les auteurs,
ils remarquent empiriquement des changements temporels pas du tout pris en compte dans
les modèles à ce moment-là.

Tous ces éléments pris ensemble renforcent le fait que l’erreur type de l’effet causal sous-
estime fortement l’écart-type de ce même effet causal. Cela affectant donc son niveau de
significativité en la surestimant. C’est une critique parmi tant d’autres nous montrant les
limites de la méthode des doubles différences à ce moment-là, qui admet de nombreuses
hypothèses simplificatrices pour identifier un effet causal, contrairement aux expériences
contrôlées.

De ce fait, cette méthode est beaucoup étudiée et donne lieu à de nombreuses

innovations telles que la méthode du Synthetic Control et les doubles différences non
linéaires. Ces deux innovations ont été présentées ensemble par Athey et Imbens (2017) car
ils prennent en compte le fait qu’un groupe de contrôle ne représente pas systématiquement
le contrefactuel de manière authentique.

La méthode du Synthetic Control consiste à créer un groupe de contrôle synthétique

ayant le plus de vraisemblance avec le groupe de traitement. Ainsi, contrairement à la
méthode DID standard - qui traite chaque individu du groupe de contrôle comme ayant le
même poids qu’un individu du groupe de contrôle - Abadie et al. (2010) proposent de choisir
une moyenne pondérée des individus du groupe de contrôle.

25
Les poids sont choisis de manière à ce que le groupe de contrôle synthétique ressemble le plus
au groupe de traitement en termes de valeur et de tendance temporelle du résultat avant le
traitement (Abadie et al. 2010 ; Havnes et Mogstad, 2015).

Cela permet de surpasser l’hypothèse de l’assignation conditionnellement aléatoire qui n’est

pas toujours vérifiée a posteriori, concernant les expériences naturelles.

Les doubles différences non linéaires quant à elles, dépassent l’hypothèse d’une prise
en compte linéaire des caractéristiques non observables des individus entre les groupes et
temporellement, qui est moins réaliste qu’une hypothèse de non linéarité dans certains cas
précisés dans les sections suivantes.

5) LE MODELE CHANGE-IN-CHANGE : PRESENTATION ET

ANALYSE EMPIRIQUE

Le change-in-change modèle est une méthode plus générale par rapport aux doubles
différences standard, mais pourtant elle n’est utilisée essentiellement qu’en qualité d’outil
complémentaire.

5.1) Présentation synthétique

Le change-in-change modèle présente des caractéristiques propres permettant de le

distinguer des doubles différences standard.

5.1.1) PRINCIPES DE BASE

Le change-in-change modèle est un cas plus général - proposé par Athey et Imbens
(2006) – concernant le modèle des doubles différences. Il s’agit principalement de permettre
un effet de traitement qui diffère entre le groupe de traitement et le groupe de contrôle. C’est
26
donc un modèle qui se veut être plus réaliste dans certains cas, en l’occurrence dans le cas où
la distribution des caractères non observables entre les deux groupes est différente.

De manière plus précise, l’effet de traitement moyen est a priori constant entre les
deux groupes. Ce qui fait qu’a posteriori elle peut différer, c’est la présence d’éléments non
observables différents entre les deux groupes. La différence de l’effet de traitement sur les
traités entre les individus est due simplement à la différence des caractères non observables
entre ces mêmes individus.

Les auteurs justifient cette nouvelle hypothèse par le fait qu’il soit possible que les
individus composant le groupe de traitement adoptent la politique en question car y
attendent de meilleurs bénéfices par rapport au groupe de contrôle.

Par ailleurs, concernant la prise en compte de la dimension temporelle dans cette

modélisation particulière. Les auteurs n’émettent aucune hypothèse sur la distribution des
caractères non observables à travers le temps. Ils soulignent seulement qu’il y a une
indépendance entre les caractères non observables et la dimension temporelle,
conditionnellement au groupe d’appartenance de l’individu.

La tendance temporelle de la variable d’intérêt ne peut être différente entre les

groupes que parce que la variable d’intérêt (revenu, par exemple) d’un individu qui n’a pas
reçu le traitement sera différente selon qu’il soit avant le traitement et après le traitement.
Seul dans ce cas, on a un effet de la non observabilité sur la variable d’intérêt qui peut changer
à travers le temps et donc une possibilité d’avoir une tendance temporelle de la variable
d’intérêt qui diffère entre les deux groupes.

Autrement dit, le CIC modèle permet de trouver la distribution entière de l’effet de

traitement sur les traités et non pas seulement l’effet moyen de traitement, concernant les
variables continues (Shimshack et Ward, 2010). Pour les variables discrètes, Athey et Imbens
(2006) proposent l’estimation d’intervalles où se trouve l’effet de traitement.

27
 On pose YiN la variable d’intérêt pour l’individu i qui n’a pas reçu le traitement, YiI la
variable d’intérêt pour l’individu i qui a reçu le traitement, Ui les caractères non observables
pour l’individu i, T la variable binaire représentant la période (avant ou après traitement), et
G la variable binaire représentant le groupe et FYgt (y) la fonction de répartition de la variable
Y pour le groupe g à la période t.

La méthode CIC se base sur les quatre propriétés suivantes : « model », « strict
Monotonicity », « support restriction » et « Time Invariance Within Groups » :

• Model : La variable d’intérêt d’un individu en l’absence d’intervention satisfait la

relation YN = h(U_T)

• Strict monotonicity : la fonction de production h (u_ t), où h : U × {0_ 1} →R, est

strictement croissant en u pour t ∈ {0_ 1}

• Support restriction : U1 ⊆ U0

• Time Invariance Within Groups : U ⊥T|G.

Formellement, de manière synthétique, Athey et Imbens (2006) proposent une

formule qui permet d’estimer la fonction de répartition du contrefactuel (FYN_11(y)) pour le

groupe de traitement après la période du traitement (Shimshack et Ward, 2010), sous les
hypothèses susmentionnées :

FYN_11(y) = FY_10(F−1Y_00(FY_01(y))) (c)

28
 Ainsi, le CIC estimé pour chaque point de la distribution, par exemple, est la différence
entre la valeur réelle observée de la variable d’intérêt pour le groupe de traitement après
traitement et le contrefactuel estimé correspondant. L’effet de traitement moyen pour les
traités (ATT(CIC)) correspondra à la moyenne de ces différences.

ATT(CIC) = E [YI_11] – E[F−1Y_01(FY_00(Y_10))] (d)

Ainsi, le CIC modèle est capable de capturer la différence moyenne de non-

observabilité entre le groupe de traitement et le groupe de contrôle, grâce à la construction
d'un contrefactuel (Huynh et al, 2011). L’illustration 2 montre bien la différence entre le
contrefactuel estimé et le groupe de contrôle.

Par ailleurs, le CIC modèle permet de définir la variable d’intérêt pour chaque individu,
en l’absence du traitement, comme étant seulement dépendant du couple formé par les
caractères non observables U et du temps T via une fonction h monotone croissante. Cela
permettant par la même occasion l’existence d’une tendance temporelle différente entre les
deux groupes du fait qu’il soit possible que h(u,0) soit différent de h(u,1).

YiN = h (Ui ; Ti) (e)

Comme le soulignent Shimshack et Ward (2010), cette dernière formule peut être
interprétée comme étant la restriction selon laquelle les mêmes caractéristiques individuelles
mènent aux mêmes individus, en l’absence du traitement.

Pour résumer, Athey et Imbens (2006) montrent qu’il est possible d’identifier la
distribution du contrefactuel pour la variable d’intérêt, si on assume que dans le groupe de
traitement et dans le groupe de contrôle, le traitement n’affecte pas la distribution des
caractères non observables u (Canon, 2011).

29
Illustration 2 : visuel du contrefactuel et des effets de traitement (tiré de Athey et Imbens, 2006).

Légende d’illustration 2 : CDF (fonction de réparation) en ordonnée, variable d’intérêt

(Y) en abscisse, groupe 0 (groupe de contrôle), groupe 1 (groupe de traitement), q (quantile),
Δ QDID (effet de traitement pour quantile DID), Δ CIC (effet de traitement CIC). En blanc, la
distribution du contrefactuel.

30
 5.1.2) PARTICULARITES PAR RAPPORT AU DID

L’exemple d’application utilisé par Athey et Imbens (2006) souhaite démontrer la

différence de résultats obtenus selon le modèle choisie (DID ou CIC). En utilisant les données
fournies par Meyer, Viscusi, and Durbin (1995) lors de l’analyse des effets d’une augmentation
des pensions d’invalidité dans l’Etat du Kentucky pour les hauts revenus, les auteurs (Athey et
Imbens, 2006) mettent en évidence certaines particularités du CIC.

Le cas en question traite, avec comme variable d’intérêt le nombre de semaines passées en
invalidité par les travailleurs, d’un possible effet de traitement dû à l’augmentation des
pensions d’invalidité.

Ainsi, deux hypothèses sont requises pour utiliser le CIC modèle. À savoir que la distribution
du caractère non observable U reste constante à travers le temps dans un groupe et que la
« fonction du revenu » pour une personne qui n’a pas reçu le traitement est monotone en u
et similaire entre les deux groupes. Contrairement à la méthode du DID standard qui ne
requière pas de l’hypothèse support pour identifier l’effet de traitement, le modèle CIC en a
besoin (Athey et Imbens, 2006).

À noter que le caractère non observable U est ici représenté par le nombre de semaines qu’un
individu aimerait rester en invalidité, en prenant en compte le salaire individuel, la sévérité de
l’invalidité et le coût d’opportunité.

Les résultats de l’étude montrent une différence significative à 95 % de l’effet de traitement

entre les deux groupes, quand on utilise le CIC modèle. De plus, les estimations apportées par
le modèle CIC par rapport au modèle DID sont différentes de par leur ampleur et leur
significativité. Mais surtout, le choix du modèle (DID ou CIC) influe fortement sur les
prédictions qu’ils peuvent apporter et donc sur les implications des politiques publiques.

31
 Une autre particularité, selon Yu (2013), est que le CIC modèle par rapport aux autres
modèles DID ne requière pas d’expliciter la spécification de la variable d’intérêt puisque tous
les autres modèles (score de propension, par exemple) requièrent une modélisation explicite
qui implique des formes fonctionnelles.

Par ailleurs, dans ce cas, le change – in – change (CIC) modèle se résume en une simple
différence transversale entre le groupe de traitement et le contrefactuel, à l’image des
doubles différences standard (DD) et cette différence correspond exactement au coefficient
de la modélisation.

Toutefois, dans certains cas où la modélisation est non linéaire telle qu’en Logit, Probit, Tobit,
la différence de traitement a le même signe que le coefficient de la régression si et seulement
s’il s’agit d’une transformation monotone croissante (Ai et Norton, 2003 ; Puhani, 2012).

De plus, cette différence ne se résume plus à une simple différence transversale mais plutôt à
une double différence transversale, à savoir la différence transversale de l’espérance
conditionnelle de la variable observée moins la différence transversale de l’espérance
conditionnelle du contrefactuel correspondant (Puhani, 2012).

5.2) Analyse de la littérature empirique

Pour cette partie on explicitera de manière empirique l’apport de la méthode change-in-

change dans l’évaluation de l’impact d’une politique publique, grâce à une synthèse de la
littérature empirique5 - peu abondante - correspondante.

5.2.1) UN COMPLEMENT AUX DOUBLES DIFFERENCES STANDARD

5
Chaque texte a sa propre notation qui peut être différente d’un texte à l’autre (notation non harmonisée).

32
 Le change-in-change modèle se révèle être une méthode complémentaire aux doubles
différences standard. Les textes de Shimshack et Ward (2010), Borah et al (2011), Huynh et al
(2011), Havnes et Mogstad (2015), Pieroni et Salmasi (2016) et Boes et Gerfin (2016) illustrent
ce caractère de complémentarité.

5.2.1.1) Shimshack et Ward (2010)

Le premier texte est celui de Shimshack et Ward (2010), où les auteurs souhaitent
évaluer la mise en place du "2001 Mercury Advisory" aux USA sur le bien-être social.
Premièrement, ils estiment grâce au CIC, l'entière distribution de l'effet de traitement sur le
groupe de traitement (ménage à risque) avec comme variables d'intérêt l'exposition au
mercure, en oméga-3 et le niveau de consommation de poissons. On a une très nette
diminution de ces variables tout au long de la distribution de manière uniforme, sauf pour le
niveau mercure qui chute beaucoup plus pour les quantiles supérieurs. Et il y a globalement
une perte (de bien-être) de 30 dollars par ménage à risque.

Deuxièmement, la robustesse est à l’honneur dans ce texte puisque les auteurs trouvent que
l'exposition au mercure, la concentration en oméga-3 et le niveau de consommation de
poissons a diminué de 20 %, 27 %, 23 % respectivement pour l’ATE (DID) ; et 17 %, 21 %, 21 %
respectivement pour l’ATT (CIC). Globalement les estimations de l'effet moyen de traitement
(ATT et ATE) ne sont pas différentes. On en déduit que les caractères non observables sont
assez similaires entre le groupe de contrôle et le groupe de traitement.

5.2.1.2) Huynh et al (2011)

Concernant le texte de Huynh et al (2011) il s’agit plutôt de se focaliser sur le calcul de

l’ATT (CIC) et de l’ATE (DID). Par cette comparaison l’objectif est de démontrer qu’il y a une
différence dans la distribution des caractères non observables entre le groupe de traitement
et le groupe de contrôle.

33
Les auteurs appliquent le CIC modèle dans le cas d’un programme d’emploi pour les
populations qui ont une difficulté à trouver du travail, pendant 4 ans dans 10 villes des États-
Unis. Le groupe de contrôle se voit allouer une expérience de travail entre 6 et 18 mois.

Avec comme variable d’intérêt la durée d’emploi 36 mois après l’expérience, les résultats
confirment l’hypothèse des auteurs. L’ATE (DID) qui est de 0.63 mois n’est pas significatif
tandis que l’ATT (CIC) qui est de 2.28 mois est significatif. Autrement dit, on n’observe pas un
effet significatif entre le groupe de traitement et le groupe de contrôle (Huynh et al, 2011)
mais on observe un effet significatif entre le groupe de traitement et son contrefactuel estimé.

Par ailleurs, la différence entre l’ATT (CIC) et l’ATE (DID) (1.65) est significatif et nous montre
donc le fait qu’il y a une différence des éléments non observables entre le groupe de
traitement et le groupe de contrôle. Autrement dit, le contrefactuel estimé à partir du groupe
de traitement présente des caractéristiques non observables différentes du groupe de
contrôle sélectionné. L’effet de traitement est donc plus authentique grâce à l’ATT (CIC).

5.2.1.3) Borah et al (2011)

Pour Borah et al (2011), il s’agissait d’évaluer la mise en place du High Deductible

Health Plans (HDHPs) via différents types d'expériences naturelles (DID, CIC, QDID) aux USA.
Sur la période 2006-2009 avec 6819 entreprises du Midwestern divisées en 2 groupes, l'une
seulement adoptant le HDHPs.

Il s'avère que globalement les coûts médicaux de santé diminuent, plus précisément grâce au
Quantile DID (QDID), on sait que les dépenses diminuent plus particulièrement pour les
individus ayant des dépenses modestes (50 à 75 percentiles). Ils donnent pour la première fois
les effets de l'introduction du HDHPs sur les quantiles des dépenses de santé. Toutefois, on
peut regretter qu’ils n’aient pas calculé la distribution entière de l'effet de traitement pour
CIC et qu’ils n’aient pas mis les résultats en pourcentage pour une meilleure lisibilité.

34
Toutefois, le résultat nous intéressant concerne la comparaison entre l’ATT (CIC) et l’ATE (DID).
Pour les variables d’intérêts principales, en l’occurrence le coût de santé global et le coût
médical, elles sont non différentes (Borah et al, 2011). L’ATT (CIC) n’améliore donc pas la
qualité de l’estimation potentiellement biaisée de l’ATE (Borah et al, 2011).

Ce résultat illustre le fait que l’estimation des doubles différences (ATE(DID)) dans ce cas précis
est robuste même si on considère une non-linéarité dans les éléments non observables. On
en déduit également que les caractères non observables sont assez similaires entre le groupe
de contrôle et le groupe de traitement.

5.2.1.4) Havnes et Mogstad (2015)

Pour Havnes et Mogstad (2015), les auteurs souhaitent évaluer la mise en place de
services de garderie universelle (subventionnées et accessibles à tous) en Norvège en 1975,
pour les enfants de 3 à 6 ans sur plus de 400 municipalités, via le Kindergarten Act. Le but de
ce dernier étant de quadrupler le nombre de places dans les garderies pour atteindre 100 000
en 1981.

Pour cela, ils utilisent des méthodes d'évaluation DID non linéaires (RIF-DID6, QDID7, CIC). Avec
comme variable d'intérêt principal le revenu des enfants à l'âge adulte (période 2006-2009).
Le groupe de traitement est composé de municipalité réalisant le plus de dépense en garderie
et le groupe de contrôle, de municipalité réalisant le moins de dépenses. Le traitement
consiste à prendre en compte l'explosion de la couverture de garderie entre 1975 et 1979,
passant de 10 % à 28 %.

6
Le RIF-DID - RIF signifiant Recentered influence function (Firpo et al, 2009) – admet que le changement dans les
parts de la population entre avant et après un traitement autour d’un niveau de revenu donné serait le même
entre le groupe de traitement et le groupe de contrôle (Havnes et Mogstad, 2015).
7
Selon Havnes et Mogstad (2015) le CIC assume une croissance similaire concernant le revenu (variable d’intérêt)
entre le groupe de traitement et le groupe de contrôle, avant le traitement. Tandis que le QDID (Athey et Imbens,
2006) assume une tendance similaire concernant le revenu absolu.

35
En accord avec un modèle de décision d'investissement de la part des parents envers
l'éducation des enfants, ils trouvent premièrement que le Quantile traitement effect (QTE)
estimé pour le modèle RIF-DID indique un effet négatif à partir de la 82e percentile du revenu
à l'âge adulte. Cela donne un coefficient de Gini qui baisse de 2,9 %. Deuxièmement, si la
qualité de la garderie est un bien normal alors les bénéfices de la garderie subventionnée sont
corrélés négativement avec le revenu familial. L'élasticité de revenu intergénérationnelle
diminue de 2,5 points de pourcentages.

Ces résultats s'expliquent par le développement de compétences non cognitif pour les enfants
de familles défavorisées, et sont robustes à l'utilisation d'autres méthodes comme celle de
duflo (2001) ou abadie et al (2010), d'autres définitions du traitement et d'autres paramètres
de contrôle. Elles sont surtout robustes au QDID et au CIC de athey et imbens (2006) qui nous
donne les mêmes résultats.

Ainsi, le CIC et QDID ne sont utilisés que pour tester de la robustesse des résultats, dans la
section "analyse de la sensibilité". Elles ne représentent qu'une petite sous-section, sans
même une explicitation des résultats chiffrés.

Ce texte apporte dans la littérature des résultats plus variés et plus généralisés sur l'effet des
services de garderie universels sur la mobilité intergénérationnelle. Il y a clairement un effet
de réduction des inégalités sociales en Norvège, en plus de la mobilité sociale.

5.2.1.5) Boes et Gerfin (2016)

Il y a aussi l’analyse de la part de Boes et Gerfin (2016) de l’impact sur les dépenses de
santé de l’introduction d’une assurance multirisques (HMO) sans déductible ni Co-payement
pour la population suisse de 1996 à 2002.

Par l'utilisation du "reverse DID" et du CIC, les auteurs souhaitent estimer l'effet de
l'introduction de cette assurance santé tout risque gratuit (HMO) sur les dépenses de santé.

36
Se focalisant sur la période 2002/2004, avec les données de la CSS Suisse sur 4 villes (Zurich,
Bâle, Berne, and Lucerne) on a comme choc exogène l'introduction de l'assurance coûts
partagés en 2003. Avec comme groupe de contrôle les assurés réguliers et groupe de
traitement les assurés HMO, on trouve que les utilisateurs qui dépensaient le moins arrêtent
les dépenses en santé à l'introduction des coûts partagés.

En effet, l'effet de traitement moyen (ATT) en DID est très proche de l'ATT en CIC (232,6 et
193,8). L'effet de traitement distributionnel pour CIC est décroissant à travers la distribution,
et non significatif au-delà de 0,7 quantile. L'élasticité de la demande de santé est élevée (-1)
pour les faibles coûts, et faible (-0,1) pour les coûts élevés. En moyenne elle est de -0,14. Aussi,
l'effet placebo pour groupe de contrôle (PE) est nul comparé à l'ATT (CIC).

Dans ce cas précis, comme le soulignent les auteurs, l’utilisation du modèle CIC accompagné
de l’hypothèse d’indépendance des éléments non observables par rapport au temps semble
très crédible. Du fait qu’on a sélectionné parmi les assurés HMO, que ceux qui ont gardé la
même assurance durant les 3 années (2002/2004). De ce fait la distribution des éléments non
observables reste constante dans les 2 groupes pendant les 3 années (Boes et Gerfin, 2016).

Ainsi il y a une preuve, avec une très bonne utilisation du CIC modèle en tant qu’outil
complémentaire, sur le fait que l'assurance en coûts partagés est efficace pour réduire la
surconsommation de soins médicaux, surtout pour ceux qui dépensent peu.

5.2.1.6) Pieroni et Salmasi (2016)

Cette fois-ci, pour Pieroni et Salmasi (2016), l'utilisation de modèle CIC est mise dans
une section "robustesse". Les auteurs traitent à la fois de l'effet de la baisse et l'arrêt de
consommation de cigarettes sur l'obésité. Pour ce faire, ils utilisent les données individuelles
de 2004 et 2006 du the British Household Panel Survey (BHPS) donnant 13 230 observations.
Ils utilisent plusieurs groupes de contrôle pour traiter de l'endogénéité due aux caractères non
observables et à la causalité inverse.

37
De plus, afin de donner une interprétation des QTE, ils émettent des hypothèses sur la nature
et la dimension de la composante non observable dans du modèle. Ils supposent donc que la
principale source d’hétérogénéité non observée est l’attitude des individus face au risque.
C’est-à-dire que les personnes plus à risque prendront plus de poids, car elles ne se soucieront
pas des conséquences néfastes possibles de l'arrêt du tabac sur leur poids (Pieroni et Salmasi,
2016).

Les résultats montrent que l’arrêt de cigarette implique une prise de poids autour de 1,5 kg.
L'ATE du CIC (0,65) confirme les résultats de L'ATE du DID (0,59). L'effet de traitement
distributionnel est également similaire entre DID et CIC. Le QDID nous indique que plus on a
du poids (risque lover) et plus l'effet est élevé, et le CIC donne les mêmes résultats. Cela
confirme le fait que les hypothèses de séparabilité additive des effets du temps et de groupe,
et des distributions des caractères non observables similaires entre le groupe de traitement
et le groupe de contrôle ne biaisent pas les principaux résultats (Pieroni et Salmasi, 2016).

Ainsi, les résultats sont les mêmes que ceux trouvés dans la littérature utilisant des variables
instrumentales et il n'y a pas d'effet en ce qui concerne la réduction de la consommation de
cigarettes. Les politiques de réduction de la consommation de cigarettes peuvent être
maintenues avec des effets limités sur l'obésité.

5.2.2) UN SUBSTITUT AUX DOUBLES DIFFERENCES STANDARD

Cependant, le CIC modèle peut être une méthode utilisée de manière isolée sans le DID
standard. Les textes de Yang (2007), Ropponen (2010) et El-Gamal (2017) sont des exemples
de ce caractère de substitut.

5.2.2.1) Yang (2007)

38
 Pour le premier (Yang, 2007), l’auteur se focalise sur l’ATC8 (CIC) et l’ATT (CIC) sur le
niveau de consommation de drogues illégales pour un jeune ayant perdu l'influence d'un
camarade consommateur. C’est la première fois où un auteur utilise la stratégie
d'identification utilisant le modèle CIC en ce qui concerne les interactions sociales.

Sachant qu’on est en présence de données non expérimentales présentant des caractères non
observables différents entre les individus et les groupes (ou expérimental conditionnellement)
et d’une potentielle auto sélection non observable dans les groupes. Il est difficile de traiter
de manière simultanée de ces difficultés (Yang, 2007).

Le calcul de l’ATT (CIC) permet de surpasser le problème d’endogénéité d’une manière autre
que l’utilisation d’effets fixes par exemple, en passant par l’estimation du « réel »
contrefactuel du groupe de traitement.

Les résultats sont tels que l’ATT (CIC) est de -2.0 unités tandis que l’ATC (CIC) est de -0.2 unités,
en ce qui concerne la consommation de drogues illégales en appliquant le traitement (un
individu consommateur quitte le groupe).

Ces résultats montrent une différence significative entre l’ATT (CIC) et l’ATC (CIC), avec plus
précisément un ATT (CIC) supérieur (en valeur absolue) à l’ATC (CIC) démontrant le fait que
les individus du groupe de traitement sont les jeunes qui ont le plus haut niveau de
consommation de drogues illégales (4 fois plus) par rapport aux autres groupes. Cela
impliquant une potentielle politique d’intervention optimale, à savoir qu'une politique ciblée
vers des groupes de jeunes ayant la plus forte consommation de drogue est plus efficace.

5.2.2.2) Ropponen (2010)

8
ATC : Average Traitement Effect for the Control

39
 Ropponen (2010) reprend l'estimation de la part de Card et Krueger (CK) (1994) de
l'effet de l'instauration du salaire minimum (1992) dans l'Etat du New Jersey sur l'emploi, en
utilisant le CIC modèle. Après avoir construit le contrefactuel grâce à l'Etat de la Pennsylvanie,
il trouve une confirmation du résultat de CK seulement pour les petites entreprises (hausse
de l'emploi).

Grâce au CIC modèle, on a l'effet moyen d’emploi conditionnel à chaque entreprise pour le
salaire minimum, c’est-à-dire l’effet de traitement individuel au long de la distribution du
groupe de traitement. Cet effet est positif pour les petites entreprises et négatif pour les
grandes entreprises.

On a alors une confirmation de la théorie selon laquelle l'instauration du salaire minimum a

un effet négatif sur l'emploi, seulement pour les grandes entreprises et par la même occasion
un très bel exemple de l’utilité du modèle CIC qui a permis de voir plus clair sur un débat long
d’une vingtaine d’années.

5.2.2.3) El-Gamal (2017)

El-Gamal (2017) étudie les tendances pro-capitalistes dans les sociétés à majorité
musulmane. Pour cela, il réalise une expérience naturelle grâce aux données du World Values
Survey (WVS) donnant une observation de 38 pays sur 2 vagues (vague 5 et 6). Avec comme
traitement la vague révolutionnaire démocratique touchant le monde entre 2009 et 2011. Le
groupe de traitement sera les pays à majorité musulmane et le groupe de contrôle les autres
pays divisés en pays pauvres et riches.

En utilisant le CIC modèle, il trouve une relative polarisation des pays musulmans par rapport
aux autres que ce soit pour la redistribution (convergence) ou l'acceptabilité des inégalités
(divergence) avec un CIC négatif pour les quantiles inférieurs et positif pour les quantiles
supérieurs, surtout pour les pays arabiques.

40
Il trouve aussi un mouvement relatif de ces pays musulmans vers plus de propriétés privées.
Toutefois, ils prônent en général plus de responsabilités du gouvernement plutôt que
d'initiatives individuelles, comparé aux autres pays.

Le calcule l'ATE (CIC) n’est pas centrale ici, car il recouvre une polarisation des résultats selon
la distribution. En conséquence, le calcul du QTE pour le modèle CIC nous donne beaucoup
plus de lisibilité dans la lecture des résultats.

Tous ces résultats suggèrent une attitude sociale-démocrate des pays arabiques musulmanes,
par rapport aux résultats de la littérature, qui jusqu'à maintenant, n'étaient pas aussi précis.
On sait maintenant que les sociétés musulmanes - surtout arabiques - tendent vers un modèle
social démocratique. De plus, en devenant plus riches et plus éduquées, ils seront plus à même
d'accepter le capitalisme (El-Gamal, 2017).

5.2.3) META-SYNTHESE ET APPORT DE L’ANALYSE EMPIRIQUE

Il s’agit de reprendre l’analyse ci-avant afin de résumer les principaux éléments obtenus, de
faire une méta-synthèse et de mettre en évidence l’apport de cette analyse empirique.

5.2.3.1) Résumé

Pour résumer, 6 textes sur 9 utilisent le CIC modèle en qualité d’outil d’analyse
complémentaire au DID, tandis que 3 textes sur 9 utilisent le CIC modèle en tant qu’outil
substitut au DID et la plupart des papiers concernent l’économie de la santé (5/9).

La première catégorie (outil complémentaire) représente la majeure partie des textes

empiriques étudiés dans cette section. Il semble que le CIC modèle n’a plus une grande
importance par rapport au DID standard au fil des années puisqu’il n’est même plus présenté
en détail dans certains textes.

41
 Il sert essentiellement quand on souhaite confirmer des résultats de cette littérature
et/ou en donner beaucoup plus de lisibilité (Voir Ropponen, 2010). Certains auteurs (Havnes
et Mogstad, 2015 ; Pieroni et Salmasi, 2016) mettent juste en quelques lignes les résultats de
l’analyse dans une section robustesse à la fin de l’étude.

Par ailleurs, il y a très peu d’études empiriques utilisant le CIC par comparaison à
d’autres méthodes, comme l’indiquent Havnes et Mogstad (2015). Mais c’est des études avec
des résultats relativement robustes donnant de fortes implications politiques dans des
domaines très importants de la politique publique pour un Etat tels que l’éducation, la santé
et l’emploi (voir Havnes et Mogstad (2015), Shimshack et Ward (2010) et Ropponen (2010),
respectivement pour des exemples).

Par conséquent, pour synthétiser, le modèle des doubles différences reste une
référence en la matière malgré que la méthode CIC soit une méthode plus générale.

5.2.3.2) Méta-synthèse

Ci-après le tableau 1 retraçant les effets de traitement moyen pour le modèle DID et
le modèle CIC. Il est question ici de comparer simplement que les effets de traitement moyen
et non pas les effets de traitement distributionnel et QTE.

De ce fait la dernière colonne indique le fait est que dans la majorité des textes (4/5)
concernés par la comparaison entre l’ATT (CIC) et l’ATE (DID), ces derniers ne sont pas
différents.

42
 De plus, selon les tests de distribution non paramétrique9 (Wilcoxon test et sign test),
il n’y a pas de différence significative entre les ATT (CIC) et ATE (DID) des textes étudiés au
seuil de 5 %.

Texte / résultat Variable d'intérêt ATT (CIC) =

ATT (CIC) ATC (CIC) ATE (DID) ATE (DID) ?

Consommation de
Yang (2007)
drogue illégale
-2,064 -0,24 -1,439 NA
Ropponen (2010) Niveau d'emploi 0,90 . 2,72 NA
Shimshack et Ward
Exposition au
(2010) - Mercure
mercure (%)
(%) -0,17 . -0,2 V
Shimshack et Ward
Exposition à
(2010) - Omega3
l'oméga 3 (%)
(%)
-0,21 . -0,27 V

Shimshack et Ward Consommation de

(2010) Poisson (%)
-0,21 . -0,23 V
Borah, burns et Coût global de
shah (2011) santé -401 . -358 V
Borah, burns et
Coût de santé
shah (2011) - coût
médicale
de santé médicale -422 . -383 V
Huyn et al (2011) Durée de l'emploi 2,28 . 0,63 X
Boes et Gerfin Les dépenses de
(2016) santé 232,6 . 193,8 V
Revenu des
Havnes, Mogstad
enfants à l'âge
(2015)
adulte . . 234 V
Pieroni et Salmasi
Le poids
(2016) 0,65 . 0,59 V
Redistribution /
El-Gamal (2017)
inégalité . . . NA

Tableau 1 : Effet de traitement moyen 10 (ATT, ATE, ATC) pour les textes empiriques, V : oui et X :
non, NA : information non disponible

9
Voir annexe 3 pour plus de détails.
10
Notation harmonisée comme suivant : ATT (CIC), ATE (DID), ATC (CIC).

43
 5.2.3.3) Apport

L’apport de l’analyse se trouve dans le fait que plusieurs perspectives peuvent

s’appliquer, selon l’étude concernée. On peut se focaliser sur l’effet de traitement moyen pour
le groupe de traitement (ATT(CIC)) et pour le groupe de contrôle (ATC(CIC)) afin de démontrer
le fait que les individus du groupe de traitement attendent (et/ou reçoivent) de meilleurs
bénéfices provenant de la politique, si leur valeur associée est différente.

Ou sinon on peut se focaliser sur l’ATT (CIC) et l’ATE (DID) afin de prouver qu’il y a une
différence d’éléments non observables entre les deux groupes, et donc de tester de la
robustesse des résultats.

Enfin, calculer le QTE (CIC) permet d’avoir un aperçu de l’effet de traitement

distributionnel – qui peut également être calculé pour toute la distribution - concernant la
variable d’intérêt, cela donnant plus de lisibilité pour l’effet de traitement moyen (ATT ou
ATE).

De plus la méta-analyse semble mettre en avant le fait que, dans la plupart des textes
exceptés ceux concernés par l’économie du travail, le CIC modèle est une méthode plus
pertinente par rapport au DID dans le cas où on souhaite calculer un effet de traitement
distributionnel.

Par ailleurs, l’implication générale pour notre étude sera qu’il n’y aura pas de section
entière sur les limites du CIC puisqu’elle n’est utilisée qu’en tant qu’outil complémentaire ciblé
qui souhaite remédier à une limite du DID standard. Néanmoins, dans la section suivante, une
extension en particulière (NLDID en traitement continu) sera utilisée pour traiter du cas de
Mayotte et lors de la conclusion sera évoqué les autres extensions au CIC proposées par
d’autres auteurs.

44
6) LE CAS DE MAYOTTE : CARACTERISATION ET TENDANCES

Une présentation particulière de la société mahoraise s’imposera afin de ressortir les

principales tendances économiques, sociales et environnementales.

6.1) Caractérisation de l’économie et de la société

mahoraise

Mayotte est « un territoire aux spécificités multiples, très différent des autres départements
et régions d’outre-mer », selon la Cour des Comptes (2016).

6.1.1) CARACTERISTIQUES PARTICULIERES DE L’ECONOMIE

L’objectif n’est pas de présenter l’économie de Mayotte en entière et en détail, mais

les principaux traits qui ressortent et qui nous intéressent. Ainsi, il n’est pas intéressant de
discuter du secteur financier, on se concentrera sur le secteur non financier plus concerné par
la politique publique. Il ne s’agira pas non plus d’expliciter les grandeurs macroéconomiques
déterminantes de la croissance (PIB, Consommation, Investissement, etc.). Néanmoins, un
portrait rapide est donné en illustration 3.

« Mayotte est aujourd’hui une société duale, caractérisée par la coexistence d’une
économie de subsistance et d’une économie « moderne » » (IEDOM, 2010).

De manière structurelle, l’économie mahoraise est caractérisée notamment par le

développement des services (administrations et commerce) traduisant une tertiarisation de
l’emploi. De ce fait, 81.9 % des salariés du secteur formel travaillent dans le secteur des
services (IEDOM, 2010).

45
 Portrait de Mayotte Par ailleurs, l’informel représente un
Chef-lieu Mamoudzou poids important et se concentre sur
Superficie 375 km²
trois secteurs activités
Archipel des comores,
principalement : les services à la
Situation géographique Canal du mozambique,
Océan indien personne, le BTP (bâtiment et travaux

Français, Shimaoré, publics) et l’agriculture (IEDOM,

Langues parlées Shibushi et langues 2010). Le secteur des BTP et de
comoriennes
l’agriculture concentre le plus grand
Monnaie Euro
Statut Département, RUP nombre de travailleurs informels. À
Rand mondial IDH (2005) 107 cause du fait que pendant de
Population (2017) 256 518
nombreuses années, les terrains
Source : IEDOM, Note expresse n° 527 - Septembre 2018
étaient possédés de manière informelle (sans titre de propriété nécessaire à l’obtention de
permis de construire ou à la déclaration d’activité) » (IEDOM, 2010).

Illustration 3 : Portrait de Mayotte.

L’économie de subsistance, quant à elle, consiste à utiliser l’agriculture de subsistance

- généralement familiale - afin de produire de la nourriture destinée à l’autoconsommation.
Elle est principalement informelle puisque l’agriculture ne représente qu’une faible part du
secteur formel en 2018, selon l’IEDOM, et que la DAAF estime que près de 80 % de la
production agricole locale n’est pas déclarée. Les surfaces consacrées aux cultures vivrières
représentaient plus de 92 % des parcelles cultivées à Mayotte (DAAF, 2010).

Ainsi, « L’agriculture mahoraise constitue un moyen d’autosuffisance alimentaire ou

un complément de revenu et possède donc un caractère principalement familial. Le secteur a
une importance sociale essentielle puisqu’il fournit une part significative de l’alimentation de
base pour la population locale » (IEDOM, 2019). Même si la culture de rente continue d’exister
avec un faible niveau de production et un faible niveau de revenu tiré de l’activité.

La recherche d’un modèle de développement constitue le principal défi économique

faisant face au département. Puisque le secteur agricole est principalement informel et non

46
structuré, avec une forte dépendance à l’importation de produits provenant de l’élevage
(viande, lait) et un modèle de distribution embryonnaire (IEDOM, 2019). Sachant que ce
modèle ne prenait pas en compte le développement durable jusqu’à lors.

6.1.2) CARACTERISTIQUES PARTICULIERES DE LA SOCIETE

La société mahoraise a une identité culturelle et religieuse forte, et se caractérise par une
explosion démographique.

6.1.2.1) Fondement de l’identité culturelle et institutionnelle

Mayotte est, aujourd’hui, une société matriarcale à forte identité culturelle fondée par les
différents peuples ayant colonisé l’île depuis le VIIIe siècle, du fait de sa position stratégique
en qualité de carrefour d’échange maritime entre l’Europe, l’Afrique et l’océan Indien durant
les siècles derniers.

Plus précisément, ce berceau d’un brassage culturel diversifié résulte de vagues

successives ayant touché l’île, à savoir les peuples bantous, les Austronésiens (VIIIe siècle), les
arabo-musulmans (Xe siècle), les shiraziens (XVe siècle) et les malagache-sakalaves (XVIe
siècle).

« Au 9e siècle, l’arrivée dans l’archipel des Comores de marchands arabo persans, venus de la
péninsule Arabique et de la région de Chiraz, va bouleverser l’organisation sociale : le système
matrilinéaire, tribal et hérité des origines africaines, laisse place à une organisation qui va
reposer sur le sultanat et les principes religieux » (IEDOM, 2019).

Au XIXe, siècle l’histoire de Mayotte française débute pour déboucher sur un statut de
département français en 2011 et de RUP en 2014, et une mise en place du droit commun afin
de rattraper le retard institutionnel.

47
 6.1.2.2) Eléments démographiques

Démographiquement, la population de Mayotte a été multipliée par quatre en moins

de trente ans. Le taux de croissance annuel moyen s’élève à 3.8 % (proche de la Guyane) par
an contre 0.4 % à la réunion et 0.5 % en Métropole.

L’âge moyen de la population se situe à 22 ans et les moins de 20 ans représentent 54

% de la population (IEDOM, 2010). « La forme de la pyramide des âges de la population
mahoraise se caractérise donc par une base très large, qui continue à s’élargir, et un
resserrement au sommet. Elle se rapproche à plusieurs égards de celle de la Guyane » (IEDOM,
2010). C’est donc une population à majorité jeune du fait de l’explosion des naissances, venant
notamment de mères étrangères.

La population étrangère, par ailleurs, représente la moitié de la population. Elle est

majoritairement clandestine et provient des Comores essentiellement. Cette population
provient donc d’un territoire fondé sur un modèle d’indépendance, tandis que la population
mahoraise est plutôt fondée sur un modèle d’entraide (culture vivrière, Etat-providence,
union européenne). Cela donne une cohabitation de deux populations ayant une mentalité
relativement opposée, a priori.

Tout ceci donne un département français pas comme les autres au niveau socio-
culturel, mais surtout une hétérogénéité des caractéristiques observables et surtout non
observables au sein de la population mahoraise.

6.2) Politique publique agricole, et tendance économico-

environnementale et sociale

48
Les politiques publiques agricoles sont mises en place dans un souci de formalisation et de
structuration du secteur de l’agriculture. Toutefois, cela doit être en accord avec l’objectif de
développement durable et la modification des comportements de consommation mahoraise.

6.2.1) POLITIQUES PUBLIQUES AGRICOLES MISES EN ŒUVRE

« En complément des actions exercées dans le cadre de leurs compétences

respectives, l'État et le Département ont identifié et mis à l’étude, ces dernières années,
d’importants programmes d’investissements pour répondre aux enjeux de rattrapage et de
développement par rapport aux standard hexagonaux et des autres DOM : contrats de plan,
conventions de développement, schémas directeurs, etc. Les principaux besoins concernent
les infrastructures, le logement, l’assainissement, l’environnement, le désenclavement de l’île,
le développement économique, l’éducation et l’emploi » (IEDOM, 2019).

Pour autant, il s’agit dans cette section de se focaliser sur des politiques publiques
accompagnant la recherche du modèle de développement mahorais autour de l’agriculture et
du développement durable, plutôt que les politiques de rattrapage soutenues par le FEDER
(Fonds européen de développement régional) par exemple.

Ainsi, malgré le fait que le développement régional est soutenu par divers fonds
européens tels que le FEDER (Fonds européen de développement régional), le FEADER (Fonds
européen agricole pour le développement rural), le FSE (Fonds social européen) et le CTE
(Coopération territoriale européenne). On se concentrera sur des politiques publiques
agricoles mises en place de manière effective sur le territoire, essentiellement au travers du
FEADER via la PDR. Sachant que les taux de programmation de ces derniers fonds européens
sont relativement faibles et se situent entre 5 % et 60 %. Le FEADER (au titre du PDR) a plutôt
un taux d’engagement élevé de 56 % en 2018.

Depuis le 1er janvier 2014, plusieurs dispositifs communautaires agricoles sont en

place et s’étalent sur plusieurs périodes : le Programme d’options spécifiques à l’éloignement
et à l’insularité (POSEI) ; l’Indemnité compensatrice de handicaps naturels (ICHN) ; le Régime
49
spécifique d’approvisionnement (RSA) ; les mesures en faveur de la production agricole
(MFPA) ; et le Programme de développement rural (PDR).

Toutefois l’accessibilité des aides communautaires est limitée par la capacité des
demandeurs à satisfaire les exigences demandées, cela aboutissant à un taux de paiement de
14 %. On est donc en présence de politiques très peu mise en place de manière effective par
rapport aux projections de base.

De plus, la périodicité de ces politiques publiques pose problème du fait qu’on n’a pas
de données ex post à cette politique qui recouvre la période 2014-2020. C’est très
problématique car le contrefactuel consiste à donner justement ce que serait la variable
d’intérêt après traitement, sans le traitement. Donc le calcul du contrefactuel ne peut que
constituer un futur travail de recherche, en 2025 par exemple.

Actuellement à Mayotte, il n’y a pas de politique publique européenne mise en place

totalement à terme, la mise en place de la politique de rattrapage et des programmes utilisant
les fonds européens est très récente. Qui plus est que l’accessibilité des aides communautaires
est limitée par la capacité des demandeurs à satisfaire les exigences requises (IEDOM, 2019).

6.2.2) DEVELOPPEMENT D’UNE ECONOMIE VERTE

On sait que la pression démographique et économique résultante, dans le sens d’une

augmentation de la consommation de ressources naturelles (eau et énergie), mène à un
problème de préservation de l’environnement et de développement durable à Mayotte.

En effet, selon l’Institut National de la Statistique et des Etudes Economiques (INSEE)

(2016) la population mahoraise atteindra 254 et 490 milliers d’habitants d’ici 2021 et 2050. Or,
le recensement réalisé pour l’année 2017 a dépassé les prévisions de 2021 (IEDOM, 2019).
Cela implique une pression humaine, de plus en plus importante, altérant les milieux naturels.

50
 Ainsi la raréfaction et la pollution des ressources en eau, la pollution des sols et de l’air,
la déforestation, l’érosion des sols, l’envasement du lagon, la perte de la biodiversité sont des
sujets que l’économie verte peut englober (IEDOM, 2019).

Selon le PNUE (Programme des Nations Unies pour l’environnement), l’économie verte
est « une économie qui engendre une amélioration du bien-être humain et de la justice
sociale, tout en réduisant sensiblement les risques environnementaux et les pénuries
écologiques. Sur le plan pratique, dans une économie verte, la croissance des recettes et la
création d’emplois proviennent des investissements publics et privés qui conduisent à une
amélioration des ressources, à une réduction des émissions de carbone, des déchets et de la
pollution, et à la prévention de la perte de biodiversité et de la dégradation des écosystèmes
» (2018).

L’économie verte à Mayotte est tout aussi formelle qu’informelle11 et ne représente

que 1 % de l’économie mahoraise. Elle est beaucoup plus représentée par les activités
périphériques que les éco-activités12, avec 66 % des entreprises qui sont dans « l’efficacité
énergétique du bâtiment ».

Cela étant, la prise en compte de tous les projets énergétiques, notamment le PPE
(Programmation pluriannuelle de l’énergie), pourrait se traduire par un mix énergétique
composé à plus de 50,0 % d’énergies renouvelables d’ici 2023 (IEDOM, 2019).

Aussi, un cadre stratégique a été mis en place pour l’émergence d’un transport sobre,
sachant que ce Plan global de transport et de déplacement (PGTD) constate que, comparée
aux Antilles et à La Réunion, Mayotte est un territoire dense avec un relief important et une
dimension géographique restreinte. De plus, avec une hausse du niveau de vie, même à

11
Le volet informel correspond plutôt à une économie de subsistance.
12
Eco-activité : Protection de l'environnement, Construction et gestion de réseaux d'eau et d'assainissement,
Gestion et valorisation des déchets, Production d'énergie, R&D en sciences naturelles.

51
population constante, il est possible d’avoir 3 fois plus de voitures sur les routes mahoraises
dans les années à venir (IEDOM, 2019). L’environnement sera donc de plus en plus impacté
par cette pression énergétique.

« De plus, avec une croissance démographique rapide et une consommation de plus

en plus importante, les quantités de déchets produits augmentent fortement, aussi bien en
terre qu’en mer. En 2017, le poids des Ordures ménagères résiduelles (OMR) est de 57 018
tonnes contre 35 739 en 2006, soit une hausse de 54,9 % en l’espace d’une décennie »
(IEDOM, 2019).

C’est alors que la valorisation des déchets, le recyclage et des actions de prévention
peuvent être mises en place. À titre d’exemple, la loi sur la Transition énergétique pour la
croissance verte (LTECV) fixe comme objectif d’orienter 65,0 % des déchets non dangereux
(déchets ménagers, assainissement, BTP et autres activités économiques…) vers les filières de
valorisation d’ici 2025 (IEDOM, 2019).

Concernant l’assainissement et le traitement des eaux usées, la SIEAM (Syndicat

intercommunal de l’eau et de l’assainissement de Mayotte) souhaite mettre en place un
système de raccordement et de valorisation des boues. Avec l’aide d’une Programmation
pluriannuelle d’investissement (PPI) sur la période 2018-2020 a été initiée en juillet 2018, sous
la forme d’un Contrat de progrès.

« Les objectifs de l’économie verte ne peuvent être réalisés sans un changement des
comportements en faveur de la préservation de l’environnement. Mayotte ayant un tissu
associatif particulièrement dynamique, le nombre d’actions de sensibilisation et de
prévention est en constante augmentation. Au niveau réglementaire plusieurs avancées sont
à noter, comme le Schéma d’aménagement régional (SAR) qui doit traduire la Trame vert et
bleu (TVB) afin de dégager une politique structurante permettant de concilier l’aménagement
du territoire et la préservation de la biodiversité » (IEDOM, 2019).

52
 Un modèle de développement basé sur l’agriculture peut donc émerger sachant que
les préoccupations environnementales seront largement prises en compte.

6.2.3) UNE MODIFICATION DES COMPORTEMENTS DE

CONSOMMATION

Tandis que l’économie mahoraise est en partie une économie de subsistance

grandement fondée sur l’autoconsommation (culture vivrière), de plus en plus d’individus
préfèrent la consommation de masse. Ainsi pour l’autoconsommation, 30 % des ménages y
recourent, sans différence notable selon le niveau de vie, contre 20 % en métropole ou dans
les autres DOM, en 2018 (INSEE, 2020).

Pour la raison simple que les habitudes de vie et les besoins changent, les achats
deviennent de plus en plus diversifiés. La hausse du niveau de vie à Mayotte se traduit par un
changement de structure de la consommation des ménages. La part des produits alimentaires
est en baisse (31 % du budget des ménages en 2005 contre 41 % en 1995) au profit des services
et du logement (IEDOM, 2010).

Selon l’INSEE, les habitants de Mayotte ont une dépense de consommation en

moyenne de 1190 euros par mois et par ménage, en 2018. L’INSEE note également que pour
la consommation alimentaire, elle concerne plus les ménages non pauvres avec une
augmentation de 11 % de leurs dépenses alimentaires en 2018 (par rapport à 2011) avec des
achats beaucoup plus diversifiés et onéreux.

Les ménages pauvres, quant à eux, sont impactés par une certaine paupérisation d’une partie
de la population. Ce qui donne une baisse de 18 % de leurs dépenses alimentaires, se
concentrant sur une alimentation peu diversifiée, avec des aliments de première nécessité
seulement comme le riz et la viande.

53
 La modification des comportements de consommation concerne surtout et d’abord les
ménages non pauvres.

Par ailleurs, il est noté que les dépenses d’habillement sont très élevées et
représentent 10 % du budget, cela constitue une spécificité mahoraise selon l’INSEE. Et « s’ils
disposaient de 10 % de ressources supplémentaires, un quart des ménages privilégieraient la
culture et l’éducation de leurs enfants » (INSEE, 2019).

Les transports sont le deuxième poste de dépenses des Mahorais (18 % du budget). Il
s’agit d’achats automobiles, de l’entretien des voitures, de l’achat de carburant, de dépenses
en services de transports (avion, taxi, barge). Ainsi, la dépense de consommation allouée aux
transports augmente depuis 2011 de 26 % en moyenne par ménage. Elle traduit avec le
domaine de la santé et de l’enseignement, et les assurances et services financiers, les
catégories avec le plus d’augmentation en 2018.

Enfin, les dépenses d’électricité ont particulièrement augmenté (+42 % par rapport à
2011), en raison notamment de la hausse de l’équipement des ménages en électroménager
(lave-linge, congélateur, four à micro-ondes, climatisation, etc.). Après avoir plus que doublé
entre 2005 et 2011, le poids des dépenses de communications se stabilise à 5 % en 2018
(INSEE, 2019).

Tous ces éléments traduisent un certain changement social des comportements et des
habitudes des mahorais – non pauvres - qui se tournent vers plus de diversifications de leur
consommation, en se tournant vers un mode de vie occidental en cohérence avec
l’augmentation de leur niveau de vie.

Par conséquent, le modèle de développement basé sur l’agriculture peut émerger avec
un besoin tout de même de l’existence d’une économie moderne en parallèle. Cette économie
moderne, en réalité, menée par une diversification des comportements de consommation
sera intégrée par l’économie verte afin de préserver l’environnement de ce territoire.

54
7) DOUBLES DIFFERENCES NON LINEAIRES APPLIQUEES AU
CAS DE MAYOTTE : PRESENTATION, CONTRAINTE ET
APPLICATION

Le département de Mayotte présente des caractéristiques adaptées à l’utilisation du CIC

modèle. Toutefois, le retard institutionnel rend la plupart des évaluations non structurelles
peu probables à être réalisées aujourd’hui.

7.1) Les doubles différences non linéaires associées au cas

de Mayotte

L’analyse de la littérature empirique nous montre l’importance de justifier le choix du CIC

modèle, ce qui implique qu’on présentera deux « CIC modèles adaptés » au retard
institutionnel du territoire de Mayotte.

7.1.1) IMPLICATION DE L’ANALYSE DE LA LITTERATURE EMPIRIQUE

DU CIC POUR MAYOTTE

La section 5.2) nous a présenté une analyse de la littérature empirique concernant le CIC
modèle. Pour résumer, le CIC modèle est beaucoup plus utilisé en tant qu’outil d’analyse
complémentaire plutôt que substitut. Malgré cela, la fonction du CIC qui nous intéresse le plus
et qui concerne le plus Mayotte est la fonction de substitut au DID, si l’utilisation du DID est
non pertinente.

De manière précise, l’utilisation du CIC modèle plutôt que le DID, se justifie par le fait
qu’il y ait une distribution des éléments non observables différente entre le groupe de
traitement et le groupe de contrôle et de ce fait par le calcul d’un effet de traitement
distributionnel. Ce qui mène à insister sur le fait qu’il faut précisément justifier le choix d’un
modèle, par rapport à un autre, dans un cas d’étude.

55
 En se rapprochant du cas de Mayotte, il semble qu’il faut vérifier de manière précise
lors d’une évaluation souhaitant utiliser le CIC modèle, si les caractères non observables
considérés ont une distribution différente entre le département de Mayotte et un autre
département par exemple, mais avec toutefois des similitudes dans les caractères observables
ou non pas une trop grande différence pour faciliter la stratégie d’identification.

Nous avons vu précédemment qu’une manière très simple de vérifier cela est de
calculer l’ATE (DID) et l’ATT (CIC) afin de les comparer.

Sachant que le phénomène de transformation sociale et comportementale rend

beaucoup plus plausible l’hypothèse d’une évolution non linéaire des tendances temporelles
de la variable d’intérêt ou d’un effet de traitement différent d’un individu à un autre selon la
disposition à payer, par exemple qui est non observable et clairement hétérogène (SAID,
2020a), de cette population lors de l’évaluation d’une politique publique (voir annexe 2).

Tous les éléments vus lors de la section précédente suggèrent dans le cas de Mayotte,
que l’utilisation du CIC semble être plus pertinente que le DID.

7.1.2) PRESENTATION DE METHODES DES DOUBLES DIFFERENCES

NON LINEAIRES ADAPTEES AUX DONNEES EN COUPES TRANSVERSALE REPETEES

Sachant que les données disponibles actuellement pour le département de Mayotte sont
jusqu’à maintenant souvent des données en coupes transversales répétées, deux méthodes
des doubles différences non linéaires adaptées à ce cas seront mises à l’honneur.

7.1.2.1) Traitement continu

56
 On présente un modèle dans le cas extrême où le groupe de contrôle est endogène,
en d’autres termes dans le cas extrême où il n’existe pas de groupe de contrôle pour le
département de Mayotte, malgré le fait que Athey et Imbens (2006) proposent une version
du CIC modèle appliqué aux données de panel (voir section 7.1.2.2)).

Un modèle des doubles différences non linéaires alternatif est proposé pour traiter du
cas de Mayotte. C’est le modèle de traitement continu sur données en coupe transversale
répétées proposé par D’Haultefoeuille & al (2013), proposant une non-linéarité dans le
traitement avec une non-additivité de la temporalité similaire à Athey et Imbens (2006).

Malgré le fait que les auteurs ne mentionnent pas vraiment comment le modèle se
situe par rapport au CIC, sachant que le CIC modèle est un cas plus général du DID standard et
que le modèle de D’Haultefoeuille & al (2013) est un cas particulier utilisant le cadre
conceptuel du DID de Ashenfelter & Card (1985), on peut considérer pour notre étude que ce
dernier est comme un « CIC adapté » au traitement continu. Qui plus est l’esprit et les
hypothèses fondamentales du CIC y sont conservés, selon les auteurs.

Mais c’est un modèle ayant une différence particulière par rapport au modèle DID
standard et au CIC, dans le sens où le groupe de contrôle est endogène alors qu’il est définie
ex ante dans le cadre conceptuel du DID (D’Haultefoeuille & al, 2013). Ainsi, dans ce cas précis
cette méthode peut-être très utile.

Par ailleurs, les auteurs montrent que plusieurs paramètres d'effet du traitement
peuvent être identifiés sous deux hypothèses concernant l’effet temporel, à savoir
l’hypothèse de faible stationnarité sur la distribution des inobservables et l’hypothèse d’un
effet temporel hétérogène impactant la variable d’intérêt. Et une troisième, qui permet la
variation dans le temps de la distribution de l’effet de traitement (continu).

De ce fait, la fonction d’identité peut être obtenue de la manière suivante, en autorisant un

effet temporel traduit par mt :

57
 Y(t) = gt (Xt, At) avec gt = mt o g(.) (f)

Mt (y) = F-1Yt|Xt [FYT |XT (y|xt*) |xt*] (g)

Il existe des individus avec l’élément observable XT = Xt = xt*, pour lequel ils ont la même
valeur pour l’effet de traitement et la même distribution des caractères non observables.

Cela permet d’obtenir une variable d’intérêt transformée (Ytt), purgé de l’influence de l’effet
temporel : Ytt = mt-1 (Yt), avec Yt la variable d’intérêt. (h)

Sachant qu’il pouvait y avoir une endogénéité potentiellement due à la corrélation entre Xt et
At (éléments observables et éléments non observables respectivement), la formule permet
de tel sort que la variation de Xt soit exogène et n’affecte pas la distribution des éléments non
observables.

Dans le cas où on ne peut pas utiliser de données de panel, en présence de traitement

continu (groupe de contrôle endogène), cette méthode pourra être mise à contribution.
Néanmoins, Athey et Imbens (2006) ont pensé à une méthode adaptée aux données en coupe
transversale avec un traitement exogène.

7.1.2.2) Traitement exogène

Une extension du modèle proposé par Athey et Imbens (2006) est proposée pour être
adaptée aux données en coupe transversale. La condition supplémentaire nécessaire se
traduit comme suivant, Ui0 ≡ Ui1, dans le sens où les individus conservent leurs rangs dans
leurs caractéristiques non observables à travers le temps.

58
 De plus, la formule pour le calcul du contrefactuel est différente dans ce cas, c’est la

suivante : FYN_11(y) = E[FY_01|Y_00(y|Y_10)] (i)

Considérant que FY01|Y00(.|.) est la fonction de répartition conditionnelle de Y01 sachant

Y00.

C’est le CIC modèle appliqué aux données en coupe transversale. Néanmoins, pour le
cas de Mayotte, on verra dans la sous-section suivante qu’il y a une indisponibilité des
données individuelles.

7.2) Mise en place d’une expérience naturelle :

Contraintes et application

Il y a clairement une indisponibilité de données individualisées (au sens d’une personne

physique) sur ce territoire même si les autorités françaises commencent à en prendre
conscience. La mise en place d’une expérience naturelle actuellement parait être peu
probable.

7.2.1) L’INDISPONIBILITE DES DONNEES INDIVIDUELLES

En l’état actuel, en 2020, le retard institutionnel provoque une indisponibilité de

données individualisées provenant d’enquêtes. Néanmoins ce travail commence à se faire, il
y aura donc dans la section ci-après une liste non exhaustive d’enquêtes en cours.

7.2.2.1) Enquêtes individualisées en cours

Il n’existe pas, à ma connaissance, d’enquêtes individualisées sur une population

représentative donnant des informations d’ordre économique, démographique et sociale.
Cependant, deux principales enquêtes individualisées sont en cours dans le département de

59
Mayotte, elles concernent surtout le domaine de la santé : Enquête « Unono Wa Maoré » et
panel des indicateurs de santé périnatale à Mayotte (liste non exhaustive).

Enquête « Unono wa maoré » : (source : santepubliquefrance.fr)

L’enquête « Unono Wa Maore 13 » (réalisée par Santé publique France) est la première
enquête menée à Mayotte permettant de mettre en place un état des lieux global des
comportements de santé de la population mahoraise, fin novembre 2018. La publication des
résultats de l’enquête était prévue fin 2019 sur le site https://www.santepubliquefrance.fr/,
mais jusqu’à maintenant, ils restent indisponibles.

« Cette enquête repose sur un échantillon représentatif de la population résidant à Mayotte

âgée de moins de 70 ans. 4 000 personnes âgées de 15 à 69 ans résidant à Mayotte, ainsi que
de 2 000 à 2 500 enfants de moins de 15 ans vont être enquêtées » (santé publique France,
2018).

Les objectifs de l’enquête – comme présentés sur le site web de santé publique France - sont
les suivantes « :

• Décrire les comportements, attitudes et perception de santé ainsi que leurs

déterminants

• Estimer les prévalences de certaines pathologies chroniques et infectieuses (diabète,

hypertension artérielle, obésité, hépatites B et C, VIH, syphilis, gonococcies,
chlamydiae)

• Evaluer l’acceptabilité et la faisabilité d’un dépistage volontaire des infections

sexuellement transmissibles bactériennes et virales, réalisé par auto-prélèvement à
domicile en fonction des caractéristiques individuelles

13
« Unono wa maore » signifie la santé des mahorais.

60
 • Estimer la couverture vaccinale des enfants de 0 à 2 ans (inclus) et la participation de
ces derniers à la campagne de rattrapage vaccinal organisé par Santé publique France
et l’ARS Océan Indien en juin 2018.

• Cette étude permettra d’adapter et de développer des dispositifs de prévention et de

promotion de la santé, en identifiant les thèmes de santé prioritaires, ainsi que les
groupes de population les plus vulnérables ».

Panel des indicateurs de santé périnatale à Mayotte : (source : Panel 2018

des Indicateurs de santé périnatale à Mayotte - 3ème édition).

L’objectif de celle-ci est de construire des données de Panel en ce qui concerne la santé
périnatale à Mayotte, commençant en 2016. Ci-après des passages du document REPEMA
(Réseau Périnatal de Mayotte) publié annuellement, pour l’année 2018.

En effet, la natalité élevée du 101e département français rend indispensable la mise

en place d’outils donnant un visuel sur la santé périnatale afin d’en suivre l’évolution. Dans ce
contexte, REPEMA est missionné par l’ARS OI (Agence Régionale de Santé Océan Indien) pour
coordonner la production d’un ensemble d’indicateurs de la santé périnatale du département
(REPEMA, Panel 2018).

Il est vrai que Mayotte connaît une natalité dynamique avec plus de 9 500
accouchements en 2016, avec un indice conjoncturel de fécondité de 4,1 enfants par femme
(contre 2,0 en France en 2012). Toutefois, l’état des lieux des données disponibles en
périnatalité à Mayotte montre qu’il y a, à la fois, une diversité des systèmes de recueil de
données et une hétérogénéité dans l’exhaustivité et la fiabilité de ces différentes sources
(REPEMA, Panel 2018).

Du fait est que la production d’indicateurs continus et fiables se heurte à plusieurs

difficultés : l’absence de recueil en routine informatisé à la PMI (Protection Maternelle
Infantile) et du certificat de santé du 8ème jour, le manque d’harmonisation des données de
61
la PMI avec le CHM (Centre Hospitalier de Mayotte) et la non-informatisation des dispensaires
du CHM, entre autres (REPEMA, Panel 2018).

Par ailleurs, il faut savoir qu’en amont de la production du premier panel d’indicateurs
en 2016, un travail préliminaire a été nécessaire consistant dans un premier temps à la
réalisation d’un inventaire exhaustif et détaillé des sources de données existantes : PMSI
(données sur les séjours effectués dans les maternités du CHM), PMI, Insee (données de l’état
civil), Cellule de Veille d’Alerte et de Gestion Sanitaire de l’ARSOI, Pole URSEC 14 du CHM
(données sur les Evasan). A l’issue de cette analyse, le comité a donc sélectionné les
indicateurs pertinents (en retirant les données de mauvaise qualité, par exemple) qu’il était
possible de produire (REPEMA, Panel 2018).

Ainsi, les indicateurs sont et seront diffusés sous forme d’un tableau de bord
départemental réalisé sous la supervision de l’ARSOI. Les premières plaquettes des indicateurs
(2016, 2017, 2018) ont été diffusées et publiées sur le site de REPEMA et celui de l’ARS-OI
(REPEMA, Panel 2018).

7.2.2) MISE EN PLACE D’UNE EXPERIENCE NATURELLE SIMPLIFIEE

Il s’agit en relaxant la stratégie d’identification, de calculer le contrefactuel correspondant au

CIC modèle pour un quelconque programme, dont les données sont disponibles, afin d’obtenir
l’ATT (CIC) et l’ATE (DID) et de les comparer. Le but étant de tester de la différence de non
observabilité entre le département de Mayotte et celle d’un autre territoire.

7.2.2.1) Méthode

À défaut d’avoir trouvé des données - même classées selon la ville - de panel ou de coupe
transversale répété, l’évaluation de la politique publique n’a pas pu être mise en place.

14
Urgences - Réanimation - SAMU/SMUR - Evacuation Sanitaire - Caisson Hyperbare/Chambre Mortuaire.

62
 7.2.2.2) Résultat

À défaut d’avoir trouvé des données - même classées selon la ville - de panel ou de coupe
transversale répété, l’évaluation de la politique publique n’a pas pu être mise en place.

8) CONCLUSION

Pour conclure ce mémoire de recherche, il s’avère que la méthode des doubles

différences standard reste la référence en matière d’évaluation de la politique publique parmi
les méthodes d’évaluation non structurelles, et plus particulièrement par rapport à la
méthode CIC.

Cette dernière constitue un cadre plus général par rapport à la méthode DID, mais
pourtant s’installe dans la littérature en tant que méthode ne validant que de la robustesse
des résultats du DID. Ces résultats concernant essentiellement l’effet de traitement moyen.

Par ailleurs, la méta-synthèse tirée des textes empiriques confirme cette tendance
puisqu’il n’y a pas de différence significative dans la distribution des effets de traitements
moyen (ATT et ATE).

Autrement dit, l’apport majeur se trouve donc être dans la capacité qu’à le CIC modèle
à calculer l’effet de traitement tout au long de la distribution, qui sera différent selon les
individus ayant des caractères non observables non similaires.

Il s’avère alors que le CIC modèle est une méthode correspondant particulièrement à
l’évaluation d’une politique publique concernant le département de Mayotte, du fait de
nombreux caractères individuels qui sont non observables par manque de données
individuelles disponibles. En plus du fait que l’hypothèse d’une tendance temporelle non

63
linéaire, par rapport à un autre département, est très crédible à cause du changement social
et comportemental caractérisant le territoire ces dernières années.

De manière précise ces changements d’ordre économique, social et environnemental

mènent ce territoire vers un modèle de développement basé sur l’économie verte. Toutefois,
le retard institutionnel rend difficile la mise en place effective d’évaluations non structurelles
des politiques publiques souhaitant tendre vers ce modèle économique et environnemental.

La situation actuelle est complexe puisque le territoire a rejoint les programmes

européens récemment (PDR, par exemple) et commence tout juste à les mettre en place. Il
est nécessaire de laisser le temps à ce que les politiques publiques mises en place prennent
effet, afin qu’on puisse en faire le bilan de manière rétrospective.

La stratégie d’identification d’un effet propre sera quant à elle tout aussi complexe, car
de nombreux phénomènes se chevauchent sur ce territoire, en l’occurrence les politiques
publiques sont nombreuses à se succéder et à se superposer (POSEI, ICHN, RSA, MFPA, PDR),
ces dix dernières années.

Ainsi, l’apport de cette étude est méthodologique puisqu’il n’existe pas encore d’étude
en la matière dans la littérature. Il a été question de justifier que parmi les méthodes
d’évaluation de l’impact d’une politique publique, le change-in-change méthode constitue la
méthode la plus pertinente pour le cas de Mayotte. Mais aussi, synthétiser les éléments
nécessaires à la réalisation d’une évaluation quasi-expérimentale.

Par conséquent, malgré qu’on n’ait pas pu mettre en place de manière effective une
expérience naturelle, elle pourra être mise en place dans les années à venir en se servant de
ce recueil.

64
 Notons pour finir qu’il y a eu de nombreuses extensions, concernant le Change-in-
change (CIC) modèle, comme le modèle proposant l’estimation de la distribution jointe de
l’effet de traitement – qui peut affecter la distribution des caractères non observables - pour
toutes les variables concernées (voir Canon, 2011), ou sinon le Fuzzy CIC où il y a une
possibilité d’un effet de traitement affectant le groupe de contrôle (voir De Chaisemartin et
D’haultfoeuille, 2012) et le NOC (Negative outcome control) (voir Sofer et al, 2016).

65
BIBLIOGRAPHIE

Angrist, J. D., & Pischke, J. S. (2010). The credibility revolution in empirical economics : How
better research design is taking the con out of econometrics. Journal of economic
perspectives, 24(2), 3-30.

Abadie, A., Diamond, A., & Hainmueller, J. (2010). Synthetic control methods for comparative
case studies : Estimating the effect of California’s tobacco control program. Journal of the
American statistical Association, 105(490), 493-505.

Abadie, A., & Gardeazabal, J. (2003). The economic costs of conflict : A case study of the
Basque Country. American economic review, 93(1), 113-132.

Athey, S., & Imbens, G. W. (2006). Identification and inference in nonlinear difference‐in‐
differences models. Econometrica, 74(2), 431-497.

Athey, S., & Imbens, G. (2006). Supplementary Materials for : ‘Identification and Inference in
Nonlinear Difference-in-Differences Models.’.

Athey, S., & Imbens, G. W. (2017). The state of applied econometrics : Causality and policy
evaluation. Journal of Economic Perspectives, 31(2), 3-32.

Banerjee, A., Duflo, E., Glennerster, R., & Kinnan, C. (2015). The miracle of microfinance ?
Evidence from a randomized evaluation. American Economic Journal : Applied
Economics, 7(1), 22-53.

Banerjee, A. V., Banerjee, A., & Duflo, E. (2011). Poor economics : A radical rethinking of the
way to fight global poverty. Public Affairs.

Banerjee, A. V., Cole, S., Duflo, E., & Linden, L. (2007). Remedying education : Evidence from
two randomized experiments in India. The Quarterly Journal of Economics, 122(3), 1235-1264.

Bertrand, M., Duflo, E., & Mullainathan, S. (2004). How much should we trust differences-in-
differences estimates ? The Quarterly journal of economics, 119(1), 249-275.

Besley, T., & Case, A. (2000). Unnatural experiments ? Estimating the incidence of endogenous
policies. The Economic Journal, 110(467), 672-694.

Bifulco, R., Rubenstein, R., & Sohn, H. (2017). Using synthetic controls to evaluate the effect
of unique interventions : The case of Say Yes to Education. Evaluation review, 41(6), 593-619.

66
Blundell, R., & Dias, M. C. (2009). Alternative approaches to evaluation in empirical
microeconomics. Journal of Human Resources, 44(3), 565-640.

Boes, S., & Gerfin, M. (2016). Does full insurance increase the demand for health care ? Health
economics, 25(11), 1483-1496.

Bohn, S., Lofstrom, M., & Raphael, S. (2014). Did the 2007 Legal Arizona Workers Act reduce
the state's unauthorized immigrant population ? Review of Economics and Statistics, 96(2),
258-269.

Borah, B. J., Burns, M. E., & Shah, N. D. (2011). Assessing the impact of high deductible health
plans on health‐care utilization and cost : a changes‐in‐changes approach. Health
economics, 20(9), 1025-1042.

Borjas, G. J. (2017). The wage impact of the Marielitos : A reappraisal. ILR Review, 70(5), 1077-
1110.

Callaway, B., & Sant'Anna, P. H. (2019). Difference-in-differences with multiple time

periods. Available at SSRN 3148250.

Canón, C. (2011). Identification in Nonlinear Difference in Difference Models with Multivalued

Treatment Outcomes. Available at SSRN 1954587.

Card, D. (1990). The impact of the Mariel boatlift on the Miami labor market. ILR
Review, 43(2), 245-257.

CEROM (Novembre 2010). Mutations et évolutions de l’économie mahoraise à la veille de la

départementalisation, N°1.

De Chaisemartin, C., & D’Haultfœuille, X. (2012). Fuzzy Change in Change Secondary Job
Market Paper.

D'Haultfoeuille, X., Hoderlein, S., & Sasaki, Y. (2013). Nonlinear difference-indifferences in

repeated cross sections with continuous treatments (No. CWP40/13). cemmap working paper.

El-Gamal, M. (2017). Pro-Capitalist Trends in Muslim Attitudes : A Change-in-Change

Analysis. Available at SSRN 3005538.

Gutierrez, I. A., Weinberger, G., & Engberg, J. (2016). Trends in impact on student outcomes :
The intensive partnerships for effective teaching through 2013–2014.

67
Havnes, T., & Mogstad, M. (2015). Is universal child care leveling the playing field ? Journal of
public economics, 127, 100-114.

Heckman, J. J., LaLonde, R. J., & Smith, J. A. (1999). The economics and econometrics of active
labor market programs. In Handbook of labor economics (Vol. 3, pp. 1865-2097). Elsevier.

Huynh, K. P., Jacho-Chávez, D. T., & Voia, M. C. (2011). Nonlinear difference-in-difference

treatment effect estimation : A distributional analysis. In Missing data methods : Cross-
sectional methods and applications. Emerald Group Publishing Limited.

IEDOM (Avril 2019). L’économie verte à Mayotte. Etude thématique. N°564.

IEDOM (2019). Rapport annuel 2018 Mayotte.

Imbens, G. W., & Wooldridge, J. M. (2009). Recent developments in the econometrics of

program evaluation. Journal of economic literature, 47(1), 5-86.

INSEE Analyse (Juillet 2020). La consommation stagne et reste très éloignée des standards
métropolitains. Enquête budget de famille 2018. N°24.

Jardim, E., Long, M. C., Plotnick, R., Van Inwegen, E., Vigdor, J., & Wething, H. (2017). Minimum
wage increases, wages, and low-wage employment: Evidence from Seattle (No. W23532).
National Bureau of Economic Research.

Keane, M. P. (2010). Structural vs. atheoretic approaches to econometrics. Journal of

Econometrics, 156(1), 3-20.

Lechner, M. (2011). The estimation of causal effects by difference-in-difference methods. Now.

Melly, B., & Santangelo, G. (2015). The changes-in-changes model with covariates. Universität
Bern, Bern.

Meyer, B. D. (1995). Natural and quasi-experiments in economics. Journal of business &

economic statistics, 13(2), 151-161.

Note CEROM (septembre 2020). Nouvelle évaluation de l’impact économique de la crise

sanitaire à Mayotte.

Peri, G., & Yasenov, V. (2019). The labor market effects of a refugee wave synthetic control
method meets the mariel boatlift. Journal of Human Resources, 54(2), 267-309.

68
Pieroni, L., & Salmasi, L. (2016). The effect of smoking habit changes on body weight : Evidence
from the UK. Economics & Human Biology, 20, 1-13.

Pieters, H., Curzi, D., Olper, A., & Swinnen, J. (2016). Effect of democratic reforms on child
mortality : a synthetic control analysis. The Lancet Global Health, 4(9), e627-e632.

Puhani, P. A. (2012). The treatment effect, the cross difference, and the interaction term in
nonlinear “difference-in-differences” models. Economics Letters, 115(1), 85-87.

Cour des Comptes (janvier 2016), Rapport public.

Ropponen, O. T. (2010). Minimum Wages and Employment : Replication of Card and Krueger
(1994) using the CIC Estimator.

Roux, S. (2015). Approches structurelles et non structurelles en micro-économétrie de

l’évaluation des politiques publiques. Revue française d'économie, 30(1), 13-65.

Roy, A. D. (1951). Some thoughts on the distribution of earnings. Oxford economic

papers, 3(2), 135-146.

Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized

studies. Journal of educational Psychology, 66(5), 688.

Said, N. (2020a). Etude DCE : une application à l’élicitation des préférences des agriculteurs
mahorais, working paper.

Samartsidis, P., Seaman, S. R., Presanis, A. M., Hickman, M., & De Angelis, D. (2019). Assessing
the causal effect of binary interventions from observational panel data with few treated
units. Statistical Science, 34(3), 486-503.

Shimshack, J. P., & Ward, M. B. (2010). Mercury advisories and household health trade-
offs. Journal of health economics, 29(5), 674-685.

Sofer, T., Richardson, D. B., Colicino, E., Schwartz, J., & Tchetgen, E. J. T. (2016). On negative
outcome control of unobserved confounding as a generalization of difference-in-
differences. Statistical science : a review journal of the Institute of Mathematical
Statistics, 31(3), 348.

Yang, M. (2007). Identification and Estimation of Social Interaction-Based Models : A Changes-

In-Changes Approach with an Application to Adolescent Substance Use (No. 381-2016-22086).

69
Yu, B. (2013). Evaluation of Alternative Difference-in-Differences Methods. Society for
Research on Educational Effectiveness.

WEBOGRAPHIE

https://associationactiom.org/2019/01/28/mieux-connaitre-pour-agir-efficacement-sante-
publique-france-lance-l-enquete-unono-wa-maore-a-mayotte/

https://www.santepubliquefrance.fr/etudes-et-enquetes/l-enquete-unono-wa-maore

https://www.lemonde.fr/les-decodeurs/article/2020/05/12/coronavirus-de-la-chauve-
souris-au-deconfinement-la-chronologie-de-la-pandemie_6039448_4355770.html

https://www.datanovia.com/en/fr/blog/comment-normaliser-et-standardiser-les-donnees-
dans-r-pour-une-visualisation-en-heatmap-magnifique/

TABLE DES ILLUSTRATIONS / ANNEXES / TABLEAUX

Illustration 1 : Structure du tableau d’analyse des textes ....................................................... 18

Illustration 2 : visuel du contrefactuel et des effets de traitement (tiré de Athey et Imbens,
2006)......................................................................................................................................... 30
Illustration 3 : Portrait de Mayotte. ......................................................................................... 46

Annexe 1 : Brief du tableau d’analyse des textes. ................................................................... 71

Annexe 2 : Résumé du texte non publié : Said, N. (2020a)...................................................... 75
Annexe 3 : test de comparaison des distributions pour la méta-synthèse (section 5.2.3.2). . 76

Tableau 1 : Effet de traitement moyen (ATT, ATE, ATC) pour les textes empiriques, V : oui et
X : non, NA : information non disponible ................................................................................. 43

70
ANNEXE
Annexe 1 : Brief du tableau d’analyse des textes.

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

"How much should

we trust Bertrand, The quarterly Il y a des modifications mineures de la
differences-in- Economie Duflo et 2003 journal of variable d'intérêt à travers le temps, pour
differences Mullainathan economics chaque Etat.
estimates ?"

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

"Identification and
inference in
nonlinear L'effet causal peut être différent en termes
Athey et
difference-in- NA Economie 2006 Econometrica de signe, magnitude et significativité selon
Imbens
difference models." DD ou CIC.
+ "supplementary
material"

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

"Unnatural Les auteurs émettent l'hypothèse que le

experiments? groupe de traitement soit constitué
Estimating the Besley et Royal economic d'individus souhaitant bénéficier de
Economie 2000
incidence of Case society meilleurs rendements. Il n'y a pas de
endogenous résultats nous intéressant car le cas traité
policies." est une DD linéaire.

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse
"Identification and
Estimation of Social L'effet de traitement moyen pour les traités
Interaction-Based (ATT) du modèle CIC est supérieur à l'effet
Economie American
Models: A Changes- de traitement moyen (ATE) du modèle DD
de la santé, agricultural
in-Changes Yang 2007 qui est supérieur à l'effet de traitement
Sciences economics
Approach with an moyen (ATC) pour le groupe de contrôle du
sociales. association
Application to modèle CIC. L'effet de traitement est donc
Adolescent différent selon le groupe.
substance use"
Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

Grâce au CIC modèle on a l'effet moyen

d'employement conditionnel à chaque
"Minimum Wages
entreprise pour le salaire minimum, qui est
and Employment:
HECER positif pour les petites entreprises et
Replication of Card
C21, J23, J38 Economie Ropponen 2010 discussion négatif pour les grandes entreprises. Un
and Krueger (1994)
paper autre résultat intéressant est que
using the CIC
l'estimation CIC moyen se rapproche plus,
Estimator*"
de fait, du résultat souhaité (0,90 vs 2,72). Il
y a plus de précision.

71
 Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

L'exposition au mercure, la concentration

en omega-3 et le niveau de consommation
"Mercury
de poisson a diminué de 20%, 27%, 23%
advisories and Economie Shimshack et Journal of healt
D12, I18, Q53 2010 respectivement pour DID ; Et 17%, 21%, 21%
household health de la santé Ward economics
respectivement pour CIC, en moyenne.
trade-offs"
Globalement estimations de l'effet moyen
CIC et DID similaires.

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

"ASSESSING THE
IMPACT OF HIGH
DEDUCTIBLE
L'estimation de l'effet de traitement
HEALTH PLANS ON
Economie Borah, burns Journal of healt moyen, pour le coût de santé total et coût
HEALTH-CARE C21, I11, I12 2011
de la santé et shah economics médical entre CIC et DID ne sont pas
UTILIZATION AND
différents.
COST: A CHANGES-
IN-CHANGES
APPROACH"

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

"Nonlinear
Difference-in- Le NL-DID est capable de capturer la
Difference différence de non observabilité entre le
Advenced in
Treatment Effect C14, C21, C52 Economie Huynh et al 2011 groupe de traitement et le groupe de
econometric
Estimation: A contrôle, grâce à la construction d'un
Distributional contrefactuel.
Analysis"

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

"Identification in
Nonlinear
Ce texte ne nous concerne pas car les
Difference in Cognitive
auteurs proposent un modèle autorisant
Difference Models C14, C31, C46 Economie Carlos Canon 2011 Social Science
que le traitement affecte la distribution des
with Multivalued eJournal
caractères non observables.
Treatment
Outcomes"

72
 Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

Chaisemartin Le CIC originel de (Athey et Imbens, 2006)

"Fuzzy Change in
et ne s'applique pas au terme "Fuzzy" car
Change (Secondary C21, C23 Economie 2012 X
D’Haultfoeui l'effet de traitement change seulement à
Job Market Paper)"
lle travers un seul groupe.

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

"The treatment
effect, the cross
difference, and the Le cas où le change – in – change (CIC)
interaction term in C21, C25, H0, Economics modèle se résume non pas qu'à une simple
Economie Puhani 2012
nonlinear I0, J0 letters différence transversale mais une double
‘‘difference-in- différence transversale.
differences’’
models"

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

"Evaluation of
Society for
Alternative Son étude principale ne concerne pas le CIC
Research on
Difference-in- Economie Yu 2013 mais plutôt le score de propension qu'il
Educational
Differences compare avec les autres méthodes.
Effectiveness
Methods"

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

L'effet de traitement moyen (ATT) en DID

est très proche de l'ATT en CIC (232,6 et
193,8). L'effet de traitement distributionnel
"DOES FULL pour CIC est décroissant à travers la
INSURANCE healt distribution, et non significatif au-delà de
Economie Boes et
INCREASE THE I11, C14 2016 economics 0,7 quantile. L’élasticité de la demande de
de la santé Gerfin
DEMAND FOR journal santé est élevée (-1) pour les faibles coûts,
HEALTH CARE?" et faible (-0,1) pour les coûts élevés. En
moyenne elle est de -0,14. Aussi, l'effet
placebo pour groupe de contrôle (PE) est
nul comparé à l'ATT.

73
Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

Le CIC et QDID ne sont utilisés que pour

tester de la robustesse des résultats, dans
"Is universal child Journal of
J13, H40, I28, Havnes, la section "analyse de la sensibilité". Elles
care leveling the Economie 2015 public
D31 Mogstad ne représentent qu'une petite sous-
playing field?" economics
section, sans même une explicitation des
résultats chiffrés.

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

"The effect of L'utilisation de modèle CIC est mise dans

smoking habit Economie une section "robustesse". L'ATE du CIC
Pieroni et Economics and
changes on body de la santé 2016 (0,65) confirme les résultats de L'ATE du DID
Salmasi Human Biology
weight: Evidence" et biologie (0,59). L'effet distributionnelle est
from the UK également similaire entre DID et CIC.

74
 Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

"ProCapitalist
Trends in Muslim Il calcule l'ATE et le QTE pour le modèle CIC.
Economie
Attitudes: A El-Gamal 2017 SSRN 3005538 Cela nous donne beaucoup plus de lisibilité
et social
ChangeinChange dans la lecture des résultats.
Analysis"

Titre de l'article Classification Domaine Auteurs Année journal principale résultat qui nous intéresse

"Nonlinear Di
Le modèle a le même esprit que celui de
erence-in-Di
D’Haultefoe Athey et Imbens (2006) considérant une
erences in
uille, cemmap non linéarité. De plus adapté au cas de
Repeated Cross Economie 2013
Hoderlein, working paper Mayotte, dans le cas d'un traitement
Sections with
Sasaki continu et des données en coupe
Continuous
transversale répétées.
Treatments"

Source : Auteur.

Annexe 2 : Résumé du texte non publié : Said, N. (2020a).

Résumé

Cette étude souhaite établir un premier état des lieux quant aux préférences pour la récolte
vivrière à Mayotte. Pour ce faire, l’utilisation d’un Discret Choice Experiment nous permettra
de classer les différentes motivations des cultivateurs qui continuent cette activité. Grâce à
une analyse méthodologiquement stricte, les résultats mettent en avant une hétérogénéité
des préférences nécessitant l’utilisation d’un mixed Logit, pour obtenir des résultats
cohérents. Toutefois, il en ressort un résultat généralisable à première vue, à savoir que les
cultivateurs sont patients. L’existence de féculent industriel (riz) met au second plan cette
activité traditionnelle. Ainsi, les cultivateurs sont moins prêts à se déplacer si l’assurance d’une
récolte fructueuse n’est pas présente. Ce qui change complètement les comportements dans
cette société qui autrefois vivait essentiellement de l’autosubsistance.

75
Annexe 3 : test de comparaison des distributions pour la méta-synthèse (section 5.2.3.2).

Wilcoxon signed-rank test sur stata12 :

• Variables normalisées (centrées et réduites), N taille de l’échantillon.

• Analyse faite sur 8 variables seulement (exposition au mercure et à l’oméga3, la
consommation de poisson, le coût global de santé, le coût de santé médicale, la durée
de l’emploi, les dépenses de santé, le poids).

Wilcoxon rank test Ho P-value ajusted variance n

Les
distributions
ATT (CIC) et ATE (DID) sont 0,67 51 8
symétriques
autour de 0
sign test H1 P-value ajusted variance n
Test de la
binominalité :
la différence
ATT (CIC) et ATE (DID)
de médiane
est différente
de 0 0,60 Na 8

Source : Auteur.

76