Nous estimons les effets de pairs et le multiplicateur social dans la décision des entreprises de s’adonner à la fraude sociale (cotisations de sécurité sociale non déclarées et dissimulation de salariés). Les données proviennent d’une enquête menée en 2009 par l’Agence centrale des organismes de sécurité sociale (Acoss) sur 4 241 entreprises du commerce de détail non-alimentaire en France. À partir du plan d’échantillonnage de l’enquête, les inspecteurs ont contrôlé de manière aléatoire des commerces à travers toutes les régions du territoire en proportion de l’activité dans chacune des régions. L’approche théorique se fonde sur un modèle linéaire-en-moyenne. Nous supposons, en outre, que les entreprises interagissent en groupe dans leur décision de frauder. Plusieurs définitions de groupe (selon l’espace géographique et le type d’entreprise) sont considérées. Deux approches économétriques sont analysées : la méthode du maximum de vraisemblance conditionnel de Lee (2007) et l’approche de variables instrumentales (VI) avec effets aléatoires fondée sur des restrictions d’exclusion. Dans nos données, l’approche de Lee, qui permet d’identifier les effets de pairs en imposant relativement peu d’hypothèses, conduit à des estimateurs qui se révèlent être peu fiables. La raison de base, confirmée par des simulations Monte Carlo, vient du fait que nous n’observons qu’une faible proportion des entreprises dans chacun des groupes échantillonnés (problème d’observabilité partielle). De plus, la correction proposée par Davezies et al. (2009) n’aide pas à améliorer les estimations. En revanche, l’approche de VI est robuste à l’observabilité partielle des groupes sociaux et peut donc être utilisée dans le cas de nos données. Nous trouvons ainsi un multiplicateur social entre 2,29 et 3,28 (selon la définition des groupes) pour la proportion d’employés dissimulés par les exploitants et entre 2,4 et 2,87 pour la proportion des établissements frauduleux.

We estimate the peer effects and the social multiplier in the firm decision to engage in social fraud (social security contributions and concealment of employees). The data come from a survey conducted in 2009 by the Central Agency of Social Security (Acoss) on 4241 retail non-food business in France. From the survey sample, inspectors have checked randomly through shops across the country in proportion to the activity in each region. The theoretical approach is based on a linear-in-mean. We further assume that firms interact in groups in their decision to cheat. Several definitions of group (according to the geographical area and type of business) are considered. Two econometric approaches are discussed: the method of Lee’s (2007) conditional maximum likelihood and the approach of instrumental variables (IV) with random effects based on exclusion restrictions. In our data, the approach of Lee, which identifies the peer effects by imposing relatively few assumptions, leads to estimators that are proving to be unreliable. The basic reason, confirmed by Monte Carlo simulations, is that we observe only a small proportion of firms sampled in each group (problem of partial observability). In addition, the correction proposed by Davezies et al. (2009) does not help to improve the estimates. However, the VI approach is robust to the partial observability of social groups and can therefore be used in the case of our data. Thus we find a social multiplier between 2.29 and 3.28 (depending on the groups definition) for the proportion of undeclared employees and between 2.4 and 2.87 for the proportion of fraudulent firms.

L’introduction de ce double processus dans le modèle permet de corriger deux biais importants et, par conséquent de proposer une évaluation non biaisée de la fraude dans la zone étudiée. Le premier biais est inhérent aux données issues des contrôles “ sélectifs ” des cotisants supposés à risque. Le second est lié à la possible non-détection de l’intégralité de la fraude lors des contrôles. Un système d’équations simultanées censurées a été spécifié afin de procéder aux estimations sur les données individuelles des petites et moyennes entreprises de l’agglomération lyonnaise. Les estimations des paramètres sont obtenues par la méthode du maximum de vraisemblance.
Nos résultats confirment que le biais de sélection conduit à sur-estimer la fraude, tandis que le biais de détection a tendance à la sous-estimer. Selon nos résultats, le premier biais est nettement plus élevé que le second. In fine, en l’absence de correction de ces deux biais, la fraude serait sur-estimée d’environ 13%.

Les dispositifs de répression de la fraude consistent généralement à sélectionner un échantillon de ménages ou d’entreprises “ à risque ” sur la base d’informations administratives ou statistiques, puis à contrôler cet échantillon. Or, ces contrôles ciblés sont peu adaptés pour évaluer l’ampleur de la fraude. L’exploitation des informations obtenues est en effet susceptible de conduire à une estimation biaisée de l'observation des règles fiscales ou sociales dans le pays et de l'ampleur des activités souterraines au sens large.

L’Acoss et les Urssaf ont donc développé des programmes d’audits aléatoires pour évaluer l’ampleur de la sous-déclaration des cotisations de Sécurité sociale, en s’affranchissant des biais liés aux programmes sélectifs. Cet article fournit, à partir des données recueillies lors de contrôles sur le secteur HCR, une première évaluation du montant des cotisations éludées du fait du recours au travail dissimulé. On montre aussi que le dispositif de contrôle aléatoire a conduit à une nette hausse des montants des salaires déclarés au Régime général de Sécurité sociale par les établissements contrôlés. Cet effet est mesuré à l’aide d’une méthode microéconométrique d’évaluation permettant de prendre en compte un éventuel biais de sélection dû à des variables inobservables.