Cette différence de création d’emploi existe-t-elle ?

Pour bien comprendre le cas d’espèce, il faut tout d’abord aller un peu plus loin que le tweet et regarder les statistiques à la source de ces messages : il s’agit d’une recension par ThinkPogress d’une étude du Center for Economic and Policy Research (CEPR), avec à l’appui ce graphique censé révéler la vérité. Pour ma part, à la vue de ce graphique, je reste autant indécis pour juger la relation entre salaire minimum et emploi que devant un révélateur de hors-jeu pour juger la validité d’un but. Mouai, peut-être… mais enfin bon… En réalité, en regardant ce graphique, chacun se fera une idée en fonction de l’idée qu’il avait avant de regarder ce graphique. « Alors dirons certain, pour être sûr de son jugement, il ne faut pas regarder l’information brute trop confuse mais construire des indicateurs. Le meilleur indicateur consiste à séparer trois groupes d’Etat : ceux qui ont détruit des emplois, ceux qui en ont créés peu (entre 0 et 1 %) et ceux qui en ont créés beaucoup (plus de 1 %). Ensuite, il suffit de prendre chacune des catégories d’Etats (avec ou sans augmentation du salaire minimum) et regarder sa répartition entre ces trois groupes. Cela donne le graphique suivant, aux résultats indiscutables : les Etats qui ont augmenté le salaire minimum ont connu une plus forte augmentation de l’emploi ».

Mais d’aucuns vont sans doute se plaindre que le choix de l’indicateur n’est pas judicieux, et que « le ventre mou de la création d’emploi, ça créé peut-être des emplois mais ça reste mou. Le ‘vrai’ indicateur est le suivant : un Etat créé ‘vraiment’ des emplois si le taux de croissance est supérieur à 2,5% et il en détruit ‘vraiment’ s’il en détruit plus de 0,5%. Entre les deux, c’est mou et sans intérêt. Par ailleurs, vu la différence de taille de l’échantillon, la bonne méthodologie est la suivante : pour chacun des trois groupes (destruction, mollesse, création), il convient de regarder la part des Etats des deux catégories (avec et sans augmentation du revenu minimum) en proportion de la taille de leurs échantillons. Par exemple, si dans le groupe A, j’ai le quart des Etats de la catégorie 1 et la moitié des Etats de la catégorie 2, alors je dis que ce groupe A est composé au tiers (25%/[25%+50%]) d’Etats de la catégorie 1 et aux deux tiers (50%/[25%+50%]) d’Etats de la catégorie 2. Ceci donne le graphique suivant : Il est donc avéré que le SMIC détruit des emplois. »

Je rappelle avant de continuer que les deux graphiques sont construits avec la même source de données, le graphique initial du CEPR reproduit par ThinkProgress, sans modifier le moindre chiffre. Mais quelle est donc la réalité ? La réalité est que ces deux graphiques sont d’effroyables manipulations et qu’en réalité ces données ne permettent pas de conclure. Une méthode un peu moins manipulatrice consisterait à regarder les deux ensembles d’Etats et calculer si les moyennes de création d’emploi sont statistiquement différentes. Le test usuel dans ce cas est appelé test de Fisher (étant donnée la très forte similitude entre les écarts types des deux sous-groupes) et révèle que la différence entre les deux moyennes n’est pas significative. Une manière de comprendre l’intuition derrière ce résultat non conclusif est de comparer l’écart entre les deux moyennes – en l’occurrence 0,31% – avec l’écart type de ces échantillons – en l’occurrence le même pour les deux : 0,77%. Ceci veut dire que l’écart moyen entre un Etat et la moyenne de sa catégorie est plus de deux fois supérieur à l’écart entre les moyennes des Etats avec et sans augmentation du salaire minimum. Ces graphiques sont peut-être beaux, mais ils ne révèlent rien.

Différence entre causalité et corrélation

Et quand bien même les nombres auraient été différents et l’écart aurait été significatif, qu’est-ce que cela aurait-il bien pu vouloir dire ? Pas grand-chose de plus en réalité. On meurt bien plus souvent dans son lit que dans la rue, est-ce à dire que le lit est bien plus dangereux ? Corrélation n’est pas causalité et il faut bien plus d’éléments pour pouvoir établir une causalité lire ici pour une présentation simple et intuitive mais un peu plus détaillée des méthodes d’évaluations d’impact ). De même, il faut bien plus d’éléments pour pouvoir établir une absence de causalité. Malheureusement, ces données ne prouvent pas plus l’absence d’impact négatif du salaire minimum sur l’emploi. De nombreuses études ont tenté d’estimer cette causalité (avec des résultats différents selon les environnements socio-économiques et les niveaux initiaux de salaire minimum), une revue critique de la littérature peut-être lue ici pour ceux que cela intéresse.

En fait, un moyen de comprendre pourquoi même une différence significative ne signifierait rien consiste à observer les cas de la France et de l’Allemagne. En 2014, l’Allemagne va créer (ou augmenter selon les branches) un salaire minimum pendant que la France a à peine revalorisé le sien du montant de l’inflation, c'est-à-dire pas grand-chose. Quand on regardera les statistiques, on verra que l’Allemagne a plus crû et a créé plus d’emplois que la France en 2014. Pourra-t-on parler de causalité ? De causalité inverse peut-être, car l’Allemagne, qui a connu une croissance bien meilleure que ses voisins ces dernières années, voit le pouvoir d’achat de ses ménages fortement contraints par une modération salariale depuis 2005. L’idée outre-Rhin est justement qu’il est grand temps de partager cette croissance en remontant les rémunérations les plus basses : c’est parce que les perspectives de croissance et d’emploi y sont bonnes que l’Allemagne augmente sensiblement son salaire minimum.

Quoi qu’il en soit, l’objet de ce post n’est pas de savoir quel est l’impact réel du salaire minimum sur l’emploi en France, aux Etats-Unis ou en Allemagne (et encore moins s’il est le même dans ces différents pays ou s’il serait le même en proportion pour une grande ou une petite augmentation). Le but est de rappeler qu’il faut autant se méfier des constats trop simples que du fameux « bon sens ». Je ne dis absolument pas « qu’on peut faire dire n’importe quoi aux chiffres », comme on l’entend malheureusement souvent, parce que je pense que c’est fondamentalement faux. En revanche, je pense que certains profitent que beaucoup de personnes ont une relation conflictuelle avec les chiffres pour leur faire croire que les chiffres prouvent ce qu’en réalité ils ne disent même pas : cela s’appelle mentir.