Documents

de travail

« Gouvernement Numérique et Mobilisation des

Recettes fiscales dans les Pays en Développement »

Auteurs

Agbessi Augustin DOTO, Blaise GNIMASSOUN

Document de Travail n° 2025 – 08

Mars 2025

Bureau d’Économie
Théorique et Appliquée
BETA

https://www.beta-economics.fr/

Contact :
[email protected]
 Gouvernement Numérique et Mobilisation des
Recettes fiscales dans les Pays en Développement

Agbessi Augustin DOTO∗ & Blaise GNIMASSOUN †

Résumé

Dans un contexte marqué par une numérisation croissante de l’activité éco-

nomique dans les pays en développement, cette étude vise à évaluer l’effet
du gouvernement numérique sur la mobilisation des recettes fiscales dans ces
pays. Plus spécifiquement, il s’agit d’analyser l’effet du gouvernement numé-
rique sur la performance fiscale ainsi que son effet modérateur sur la relation
entre le secteur informel et les recettes fiscales dans les pays en développement
en général, et en Afrique subsaharienne en particulier. Pour ce faire, nous mo-
bilisons un panel de 106 pays en développement sur la période 2000-2022. Afin
de tenir compte de l’endogénéité dans le modèle, nous utilisons la méthode
des moments généralisés, complétée par celle à variables instrumentales. Les
résultats empiriques montrent que le gouvernement numérique améliore signi-
ficativement les recettes fiscales dans les pays en développement. En outre, les
résultats révèlent que l’impact négatif du secteur informel sur la mobilisation
des recettes fiscales est atténué par le gouvernement numérique. Ces résultats
résistent à une série de tests de robustesse. Le renforcement du gouvernement
numérique, à travers des investissements dans les infrastructures et équipe-
ments numériques, permettra de tirer pleinement profit de ces technologies
pour le développement des économies à faible revenu.
Mots clés : gouvernement numérique, secteur informel, recettes fiscales, pays
en développement
Classification JEL : H11 ; H2.

∗
Université de Lorraine, BETA, 54000, Nancy, France ; Email : [email protected].
Tel. +33 (0) 6 43 29 68 88.
†
Université de Lorraine, Université de Strasbourg, CNRS, BETA, 54000, Nancy, France ; Email :
[email protected]. Tel. +33 (0) 3 72 74 20 92 ; Fax : +33 (0) 3 72 74 20 71.

1
1 Introduction

La mobilisation des recettes fiscales est un enjeu crucial pour de nombreux pays,
en particulier les économies en développement, car elle permet de financer les poli-
tiques publiques essentielles (Akitoby et al., 2018). Au cours des dernières années,
dans un contexte marqué par des tensions géopolitiques croissantes et une réduction
des marges de manœuvre liées à l’aide publique au développement, la mobilisa-
tion des ressources internes est devenue une priorité incontournable pour les pays
en développement (Nations Unies, 2024). Le renforcement des capacités fiscales est
reconnu par les gouvernements et les institutions internationales comme un levier
central de la construction et du développement de l’État à travers le financement
des investissements publics (Besley et Persson, 2009 ; Besley et al., 2010 ; Gaspar
et al., 2016). L’initiative de financement du développement d’Addis-Abeba de 2015
a d’ailleurs réaffirmé cet engagement en encourageant une mobilisation accrue des
ressources internes, nécessaire à l’atteinte des Objectifs de Développement Durable
(ODD) d’ici à 2030.
Historiquement, la mobilisation des recettes fiscales dans les pays en développement
reste relativement faible (Mascagni et al., 2014 ; Okunogbe et Santoro, 2023). En
moyenne, les recettes fiscales ne représentent que 11 % du PIB dans ces pays, contre
20 % dans les économies plus développées (Okunogbe et Santoro, 2023). Une mo-
bilisation insuffisante, loin du seuil de 15 % du PIB, généralement admis comme le
minimum requis pour construire un État inclusif et solide (Apeti et Edoh, 2023),
limite les capacités de développement. Diverses études attribuent cette faible per-
formance fiscale à plusieurs facteurs, tels que l’importance de l’économie informelle
(Gordon et Li, 2009 ; Besley et Persson, 2014), une capacité institutionnelle limi-
tée et une fraude fiscale endémique (Mascagni et Nell, 2022), ainsi qu’une base
fiscale constituée principalement de micro et petites entreprises (Okunogbe et San-
toro, 2023 ; Jensen, 2022) et un développement financier restreint (Mascagni et Nell,
2022). Ces contraintes contribuent à éroder une assiette fiscale déjà fragilisée par
des déficits budgétaires (Santoro, 2021).
Dans ce contexte, les gouvernements investissent massivement depuis deux décen-
nies dans le gouvernement numérique (Kochanova et al., 2020), c’est-à-dire dans
l’utilisation des technologies de l’information et de la communication (TIC) pour
améliorer l’efficacité de la fourniture des services publics à destination des citoyens,
des entreprises et des administrations (Carter et Bélanger, 2005 ; Srivastava et Teo,
2010). À l’exception de l’Océanie, toutes les régions du monde ont enregistré une
augmentation de l’indice de gouvernement numérique (IDGE), l’Afrique se démar-
quant avec une progression notable de 3,6 points (Nations Unies, 2022). En Afrique,
59 % des pays sont classés dans le groupe à IDGE moyen et 30 % dans le groupe
élevé, avec des pays comme le Nigeria, le Rwanda, l’Égypte et l’Afrique du Sud
offrant plus de 20 services publics en ligne, y compris des services de déclaration
fiscale.
Néanmoins, les effets de ces investissements dans le gouvernement numérique dans
les pays en développement demeurent encore peu explorés (Kochanova et al., 2020 ;
Chimilila et Leyaro, 2022). En théorie, le gouvernement numérique peut réduire
les coûts de conformité fiscale pour les entreprises et les particuliers, tout en aug-

2
mentant les recettes fiscales (Kochanova et al., 2020). En réduisant le temps et les
ressources que les contribuables consacrent à rassembler les informations nécessaires
à leurs déclarations, il diminue également la duplication des données dans les di-
vers formulaires fiscaux, ce qui limite les erreurs de déclaration (Kochanova et al.,
2020). Par ailleurs, il réduit le temps requis pour soumettre les déclarations et rece-
voir les remboursements d’impôts, tout en minimisant les interactions directes avec
les fonctionnaires et inspecteurs des impôts, qui conduisent souvent à la corruption
(Muralidharan et al., 2016 ; Kochanova et al., 2020). Une telle réduction des coûts
peut favoriser un environnement des affaires plus propice et améliorer l’allocation
des ressources, augmentant ainsi les recettes fiscales des gouvernements. L’adoption
de la passation électronique des marchés publics grâce au gouvernement numérique
peut intensifier la concurrence en rendant les informations sur les appels d’offres, les
procédures de soumission et les attributions de contrats plus accessibles et transpa-
rentes (Muralidharan et al., 2016 ; Banerjee et al., 2020). Cette approche réduit les
coûts de soumission des offres et attire des soumissionnaires de meilleure qualité,
extérieurs aux éventuels cartels collusifs, contribuant ainsi à réduire les risques de
corruption pour une performance fiscale durable (Uyar et al., 2021).
Cependant, les recettes fiscales demeurent structurellement insuffisantes pour satis-
faire aux exigences des ODD dans les pays en développement (Apeti et Edoh, 2023),
malgré les investissements dans le gouvernement numérique et les effets positifs at-
tendus.
Cette étude examine l’impact du gouvernement numérique sur la performance fiscale
dans les pays en développement. Elle vise, d’une part, à analyser la relation entre
le gouvernement numérique et les recettes fiscales et, d’autre part, à explorer l’effet
modérateur du gouvernement numérique sur la relation entre le secteur informel et
les recettes fiscales. Nous contribuons ainsi à éclairer les politiques visant à améliorer
l’efficacité et la transparence fiscales, tout en intégrant les acteurs du secteur informel
dans le cadre fiscal. En outre, notre étude enrichit la littérature existante en évaluant
l’impact de la digitalisation sur les finances publiques et l’administration fiscale dans
les économies en développement.
A cette fin, nous mobilisons un panel de données couvrant 106 pays en dévelop-
pement sur la période 2000-2022. Afin de traiter les problèmes d’hétéroscédasticité
et d’endogénéité, ainsi que de prendre en compte la dynamique de la relation étu-
diée, nous utilisons l’approche des moments généralisés. Les résultats indiquent un
effet positif du gouvernement numérique sur les recettes fiscales et montrent que le
gouvernement numérique atténue l’impact négatif de l’économie informelle sur la
mobilisation des recettes fiscales dans les pays en développement.
Le reste de l’article est structuré comme suit : la section 2 présente une revue de la
littérature sur la relation entre l’administration numérique et la performance fiscale.
La section 3 décrit la méthodologie employée ainsi que les données et leurs sources.
La section 4 expose et discute les principaux résultats, tandis que la section 5 est
consacrée aux tests de robustesse. Enfin, la conclusion clôt l’étude.

3
2 Revue de la littérature

La littérature identifie deux grands courants théoriques pour l’évaluation de la mo-

bilisation des recettes fiscales. Le premier regroupe les théories néoclassiques de la
taxation optimale (Ramsey, 1927), la théorie keynésienne (Keynes, 1936), la théo-
rie de la perte sèche (Harberger, 1995), la théorie de l’échange fiscal (Niskanen,
1971) et la théorie des choix publics (Buchanan, 1975). Le second courant, plus
moderne, inclut la théorie de la fiscalité optimale (Mirrlees, 1971), la théorie insti-
tutionnelle (North, 1981) et la théorie de la nouvelle économie publique (Alesina,
1987), qui suggèrent que les recettes fiscales peuvent être accrues grâce aux avancées
technologiques. L’investissement dans les infrastructures technologiques favorise le
développement économique et financier, en accord avec la théorie de la croissance
endogène.
Cependant, notre article examine l’impact des innovations dans l’administration
publique, notamment le gouvernement numérique, sur la performance fiscale. À cet
effet, nous fondons notre analyse théorique sur deux approches : la théorie de la mo-
dernisation et la théorie institutionnelle. La théorie de la modernisation met l’accent
sur l’influence des facteurs macro-environnementaux (croissance économique, orien-
tation politique et progrès technologique) sur les transformations sociales (Brey,
2003 ; Nam, 2018). Comme l’explique Barker et Jane (2016), cette théorie postule
que les sociétés modernisées, dotées d’infrastructures technologiques émergentes,
sont mieux positionnées pour tirer parti des avancées technologiques. Ainsi, dans le
contexte de l’administration numérique, les pays disposant de meilleures infrastruc-
tures et d’un accès élargi à ces technologies sont susceptibles d’en tirer un avantage
accru, notamment en matière de réforme et de performance fiscale, grâce à une
plus grande efficacité administrative et une meilleure conformité fiscale (Uyar et al.,
2021).
Parallèlement à cette théorie, la théorie institutionnelle souligne le rôle des institu-
tions formelles et informelles dans la facilitation des échanges sociaux. Alors que les
institutions formelles comprennent les réglementations légales et codifiées, les insti-
tutions informelles se réfèrent aux valeurs éthiques, aux jugements moraux et à la
culture (Kılıç et al., 2020). Un meilleur cadre institutionnel (la transparence, la res-
ponsabilité et la stratégie juridique) facilite une meilleure collecte des impôts et une
redistribution plus efficace des ressources publiques (North, 1981). Nous postulons
dans notre étude que la performance fiscale dans les pays en développement est donc
influencée par les initiatives de gouvernement numérique à travers les institutions
formelles, telles que l’adaptation des cadres juridiques au numérique, et les insti-
tutions informelles, comme les valeurs éthiques et le contrôle de la corruption, qui
érode l’assiette fiscale dans ces pays. Nous combinons ainsi ces deux théories pour
démontrer comment les initiatives de gouvernement numérique peuvent favoriser la
performance fiscale dans les économies en développement.
Empiriquement, des études se sont focalisées sur la relation entre l’administration
numérique et les performances fiscales dans les pays. En utilisant la méthode de pa-
nel à effets fixes et la méthode de seuil pour un ensemble de pays entre 2006 et 2017,
Uyar et al. (2021) étudient la relation entre l’administration numérique et l’évasion
fiscale et montrent que le gouvernement numérique a réduit considérablement l’éva-

4
sion fiscale, avec des effets plus marqués dans les pays où l’adoption des TIC est
plus élevée. Mascagni et Nell (2022) utilisent les données de l’administration fiscale
rwandaise pour les années 2014 et 2015 ainsi qu’une méthode combinant l’évaluation
d’impact et les variables instrumentales. Leur étude montre que l’approche collabo-
rative des administrations fiscales, consistant à envoyer des messages et des e-mails
rappelant les dates limites et fournissant des informations sur la gestion des recettes
fiscales nationales, a permis d’augmenter les recettes fiscales d’environ 6 millions de
dollars. Selon l’étude, un contribuable du groupe de rappel a déclaré environ 2 mil-
lions de francs rwandais de plus qu’un contribuable du groupe témoin sur la période
d’étude. Ortega et Scartascini (2020), par une expérience de terrain auprès de 20
000 contribuables colombiens, analysent l’impact des méthodes de communication
de l’Agence nationale des impôts sur le paiement des dettes fiscales par les contri-
buables. Ils montrent que la méthode de communication par courrier électronique
a eu un impact plus important sur la probabilité que les contribuables paient leurs
dettes fiscales, comparativement à la méthode d’envoi de lettres (méthode tradition-
nelle). Chimilila et Leyaro (2022) analysent l’impact du gouvernement numérique sur
l’effort de mobilisation des recettes fiscales dans un panel de 42 pays d’Afrique sub-
saharienne entre 1991 et 2018. L’étude conclut, à travers des approches des moments
généralisés et de correction des erreurs, que le gouvernement numérique améliore si-
gnificativement l’effort de mobilisation des taxes sur les revenus ainsi que sur les
biens et services. Kochanova et al. (2020), pour leur part, utilisent la méthode des
différences en différences sur un panel de 198 pays pour étudier l’effet de l’admi-
nistration numérique sur la performance des politiques publiques. Ils montrent que
les systèmes de déclaration et de paiement numérique des recettes améliorent les
recettes fiscales et les marchés publics en ligne.
La littérature révèle également que le gouvernement numérique a favorisé la réduc-
tion de la corruption. En effet, Elbahnasawy (2014) analyse l’effet du gouvernement
numérique sur la corruption dans un échantillon de 160 pays sur la période 1995 à
2009. À travers une approche de panel à effets aléatoires, complétée par l’approche
des moments généralisés, il conclut que le gouvernement numérique est un puis-
sant outil de réduction de la corruption, mesurée par l’indice de perception de la
corruption. De même, sur la base d’une approche de panel à effets fixes dans 214
pays sur la période 2003-2016, Park et Kim (2020) montrent que l’administration
numérique a favorisé la réduction de la corruption dans les pays étudiés. Le même
résultat est obtenu par Shim et Eom (2008) dans le contexte d’un échantillon de 127
pays. Cho et Choi (2004) montrent, dans leur analyse, que le programme « Online
Procedures Enhancement for Civil Application (OPEN) », une forme d’administra-
tion numérique mise en place en 1999, qui permet au gouvernement de traiter les
demandes de permis, d’enregistrement, d’approvisionnement, de contrats et d’ap-
probation soumises en ligne par les citoyens, a favorisé la réduction de la perception
de la corruption par les citoyens séouliens.
Par rapport à l’impact sur le développement, Castro et Lopes (2022) utilisent les
données d’un échantillon de 103 pays sur la période 2003 à 2018 pour analyser
la relation entre le gouvernement numérique et le développement durable. À tra-
vers une approche logit, ils montrent que le gouvernement numérique augmente la
probabilité d’atteindre le développement durable, mesuré par l’épargne nette ajus-
tée, principalement dans les économies en développement et en transition. Pour un

5
échantillon de 105 pays de 2004 à 2008, Krishnan et al. (2013) analysent la rela-
tion entre l’administration numérique et la prospérité économique et montrent que
l’administration numérique favorise la prospérité économique des pays, mesurée par
le PIB par habitant, par le biais des effets médiateurs de la corruption. Dans le
même sens, Srivastava et Teo (2010), sur la base des données transversales de 113
pays, analysent l’impact du gouvernement numérique et de la participation numé-
rique sur la compétitivité des entreprises nationales et trouvent une forte relation
positive et significative entre ces trois concepts. En utilisant la maturité de l’admi-
nistration numérique, mesurée comme la somme du gouvernement numérique et de
la participation numérique, ils parviennent aux mêmes résultats.
Au regard des études antérieures, l’impact du gouvernement numérique sur la per-
formance fiscale reste peu exploré, et l’on sait encore peu de choses sur son rôle dans
la relation entre le secteur informel et les recettes fiscales dans les pays en dévelop-
pement. Cela fait de cette étude une contribution à la littérature sur ce sujet.

3 Méthodologie

Cette étude vise à analyser l’effet du gouvernement numérique sur la performance

fiscale dans les pays en développement. Le principal défi consiste à démontrer une
relation de cause à effet entre ces deux agrégats macroéconomiques. En effet, l’adop-
tion des pratiques du gouvernement numérique n’est pas un phénomène aléatoire.
Par exemple, elle peut être influencée par le niveau de développement du pays, le
développement des infrastructures de télécommunication et la qualité de ses institu-
tions. Ces facteurs, qui peuvent également influencer la performance fiscale, rendent
le gouvernement numérique endogène en raison de biais de sélection, de variables
omises et d’erreurs de mesure. Pour tenir compte de ce potentiel problème d’endo-
généité et de l’effet dynamique ou de l’inertie inhérente aux recettes fiscales, nous
utilisons la méthode des moments généralisés (GMM) à travers une spécification en
panel dynamique, comme suit :

X
Yi,t = αi + βYi,t−1 + γEgouvi,t−1 + δ k Xi,t−1
k
+ εi,t (1)
k

k
Où Yi,t est la variable dépendante, Yi,t−1 la variable dépendante retardée, Xi,t−1
représente les variables de contrôle, et εi,t le terme d’erreur ; i et t sont respectivement
les indices du pays et de la période, et αi l’effet fixe pays."
La méthode GMM est largement utilisée dans la littérature pour corriger les biais
liés aux effets fixes, à l’endogénéité et aux erreurs de mesure dans les données de
panel dynamique (Gnimassoun et Anyanwu, 2019 ; Chimilila et Leyaro, 2022 ; Apeti
et Edoh, 2023). Elle permet d’introduire les recettes fiscales retardées parmi les
variables explicatives, afin de tenir compte de l’inertie souvent observée dans les
variables économiques, notamment les recettes fiscales (Apeti et Edoh, 2023). Par
ailleurs, la méthode GMM compense l’absence d’instruments externes valides tout
en corrigeant le biais de Nickell (1981), qui survient lors de l’estimation d’un panel
dynamique à effets fixes (Apeti et Edoh, 2023).

6
Deux variantes populaires de la méthode des moments généralisés sont le GMM en
différence (Diff-GMM) et le GMM en système (Sys-GMM). Le Diff-GMM, développé
par Arellano et Bond (1991), transforme les régresseurs, généralement par différen-
ciation, et utilise le GMM pour corriger le biais résultant de la corrélation entre les
effets non observés propres à chaque pays et la variable dépendante retardée. Le Sys-
GMM, proposé par Arellano et Bover (1995) et Blundell et Bond (1998), améliore
cette approche en supposant que les premières différences des variables instrumen-
tales ne sont pas corrélées avec les effets fixes, ce qui permet d’introduire davantage
d’instruments et d’améliorer l’efficacité des estimations. Dans notre étude, nous pri-
vilégions l’estimateur Sys-GMM en raison de sa plus grande robustesse par rapport
au Diff-GMM. Il permet d’inclure des effets temporels spécifiques afin de capturer
les variations communes de la variable dépendante et de réduire les biais liés à la
dépendance des erreurs (Gnimassoun et Anyanwu, 2019).

3.1 Les données et sources

Pour analyser l’effet du gouvernement numérique sur la performance fiscale, nous

nous appuyons sur un panel de 106 pays en développement couvrant la période
2000-2022. Nous focalisons notre étude sur ces économies, car la mobilisation des
recettes fiscales est cruciale pour l’atteinte des Objectifs de Développement Durable
(ODD). La période d’étude est principalement déterminée par la disponibilité des
données sur nos variables d’intérêt. En suivant les études antérieures (Kochanova
et al., 2020 ; Uyar et al., 2021 ; Chimilila et Leyaro, 2022), nous mesurons le gou-
vernement numérique à l’aide de l’indice de l’administration numérique, développé
par les Nations Unies (2022) dans le United Nations E-Government Survey, 2022.
Cet indice est une moyenne pondérée des scores standardisés des trois dimensions
clés du gouvernement numérique : i) L’indice des services en ligne, qui évalue l’éten-
due et la qualité des services numériques offerts ; ii) L’indice d’infrastructure des
télécommunications, qui reflète le niveau de développement des infrastructures de
communication ; iii) L’indice de capital humain, représentant le potentiel éducatif
et les compétences de la population. L’indice de l’administration numérique varie
de 0 à 1, avec des valeurs plus élevées indiquant un niveau de développement supé-
rieur en matière de gouvernement numérique (Nations Unies, 2022). La formalisation
mathématique de cet indice est la suivante :

1
EGOUV = (OSInormalisé + TIInormalisé + HCInormalisé ) (2)
3

Avec OSI représentant l’indice des services en ligne, TII l’indice de développement
des infrastructures de télécommunication, et HCI l’indice du capital humain.
Notre variable dépendante, les recettes publiques hors ressources et les cotisations
sociales en pourcentage du PIB, est issue de la base de données Global Revenue Da-
tabase (GRD) de UNU-WIDER (2023). Le principal avantage du GRD par rapport
à d’autres sources de données sur les recettes publiques, telles que la World Revenue
Longitudinal Database (WoRLD) ou les données de l’Organisation de Coopération
et de Développement Économiques (OCDE), réside dans sa capacité à distinguer

7
les recettes provenant du secteur des ressources de celles du secteur hors ressources.
Cette distinction repose sur des données désagrégées issues des rapports de l’Article
IV du Fonds Monétaire International (Prichard, 2016).
Dans le cadre de notre étude, la sélection des variables de contrôle s’appuie sur la
littérature existante sur les déterminants de la mobilisation des recettes fiscales. À
ce titre, nous retenons notamment :
— L’ouverture commerciale : définie comme la somme des exportations et des
importations en pourcentage du PIB, est généralement perçue comme un
moteur de la croissance économique. En stimulant la demande de biens et
services, elle favorise l’expansion de la production nationale, ce qui peut élar-
gir l’assiette fiscale via l’augmentation des recettes issues des impôts directs
et indirects (Gnangnon et Brun, 2017 ; Gnangnon et Brun, 2019). Toutefois,
les politiques de libéralisation des échanges promues par l’Organisation Mon-
diale du Commerce (OMC) peuvent atténuer ces gains en réduisant certaines
sources de revenus fiscaux, entraînant ainsi des pertes budgétaires (Khattry
et Rao, 2002 ; Agbeyegbe et al., 2006 ; Cagé et Gadenne, 2018). En l’absence
de mécanismes compensatoires efficaces, ces pertes peuvent accentuer les dé-
ficits publics (Khattry, 2003 ; Gnangnon, 2018). Dès lors, la relation entre
l’ouverture commerciale et la performance fiscale demeure ambivalente, pou-
vant être soit positive, en raison d’un élargissement de l’assiette fiscale, soit
négative, en raison d’une érosion des recettes douanières.
— Les termes de l’échange : définis comme le ratio entre les prix des exportations
et des importations d’un pays, jouent un rôle déterminant dans la mobilisa-
tion des recettes fiscales. Une amélioration des termes de l’échange se traduit
par une augmentation des revenus d’exportation, ce qui stimule la croissance
économique et élargit l’assiette fiscale. En effet, des termes de l’échange fa-
vorables encouragent l’investissement productif et stabilisent l’économie, fa-
vorisant ainsi une expansion de l’activité économique susceptible d’accroître
les recettes fiscales (Bleaney et Greenaway, 2001). Toutefois, la volatilité des
termes de l’échange, particulièrement dans les économies fortement dépen-
dantes des matières premières, peut engendrer une instabilité des recettes
publiques, soulignant ainsi l’importance des mécanismes d’ajustement bud-
gétaire pour atténuer les effets de fluctuations adverses.
— L’urbanisation mesurée par la proportion de la population vivant dans les
zones urbaines, constitue un facteur clé dans l’élargissement de l’assiette fis-
cale. Les zones urbaines concentrent généralement une activité économique
plus intense, une meilleure infrastructure administrative et une capacité ac-
crue de collecte des impôts, ce qui favorise une augmentation des recettes
fiscales. En effet, la densité économique des villes permet une imposition plus
efficace des revenus, de la consommation et de la propriété (Song et Zenou,
2006). Toutefois, dans de nombreux pays en développement caractérisés par
une forte informalité, une grande partie des activités économiques échappe à
l’imposition. Le secteur informel, bien que représentant une part importante
de l’emploi et du PIB, contribue faiblement aux recettes fiscales en raison
d’une faible déclaration des revenus et d’une assiette fiscale réduite (Malo-
ney, 2004 ; La Porta et Shleifer, 2014). Ainsi, l’impact positif de l’urbanisation
sur la performance fiscale peut être atténué par l’ampleur du secteur informel.

8
 — L’investissement national : mesuré par la formation brute de capital fixe en
pourcentage du PIB, est attendu comme un déterminant clé de l’augmenta-
tion des recettes fiscales. En effet, qu’ils soient publics ou privés, les inves-
tissements stimulent l’accumulation du capital, renforcent la productivité et
favorisent la croissance économique. Cette dynamique économique contribue
à l’élargissement de l’assiette fiscale en augmentant les revenus des entreprises
et des ménages, ainsi que la consommation, générant ainsi des recettes fiscales
supplémentaires (Hall et Jorgenson, 1967 ; Heller, 1975 ; Aghion et al., 2016)
— Le développement financier : mesuré par le crédit intérieur accordé au secteur
privé en pourcentage du PIB, permet d’évaluer l’impact des marchés finan-
ciers sur l’économie et, par extension, sur la mobilisation des recettes fiscales
(Lompo, 2024). Un secteur financier développé favorise l’accès aux crédits et
aux services financiers formels, réduisant ainsi la dépendance à l’économie
informelle et améliorant l’intégration des agents économiques dans le circuit
fiscal (Beck et al., 2007). En facilitant l’investissement et la croissance des
entreprises, l’essor du secteur financier contribue à l’expansion de l’assiette
fiscale. Une meilleure inclusion financière permet en effet aux entreprises d’ac-
céder aux financements nécessaires à leur développement, augmentant ainsi
leur productivité et leurs bénéfices, ce qui génère des recettes fiscales supplé-
mentaires via l’imposition des revenus et de la consommation (Levine, 2005).
— L’inflation : mesurée par la variation des prix à la consommation, influence
significativement l’activité économique et, par conséquent, la mobilisation
des recettes fiscales. Un niveau d’inflation élevé tend à décourager l’investis-
sement, à réduire la consommation et, par ricochet, à affecter négativement
les revenus des entreprises, entraînant ainsi une baisse des recettes fiscales.
Toutefois, une inflation maîtrisée peut favoriser la mobilisation fiscale en ré-
duisant la valeur réelle de la dette publique et en stimulant la demande globale
(Lucotte, 2012).
— La qualité institutionnelle : La qualité institutionnelle est mesurée par un
indice de bonne gouvernance, construit à l’aide de l’analyse en composantes
principales appliquée aux six dimensions de la gouvernance : contrôle de la
corruption, efficacité du gouvernement, stabilité politique et absence de vio-
lence, qualité de la réglementation, primauté du droit et voix et responsabi-
lité. Une gouvernance de qualité joue un rôle déterminant dans l’attractivité
des investissements, la réduction de la corruption ainsi que de l’évasion et
de la fraude fiscales, contribuant ainsi à améliorer la conformité fiscale et à
renforcer la mobilisation des recettes publiques (Krishnan et al., 2013).
Les définitions complètes de chaque variable utilisée dans notre étude et leurs sources
sont présentées dans le tableau A-4 en annexe.
La figure 1 illustre la relation entre l’indice de l’administration numérique et les
recettes publiques dans les pays en développement. L’analyse du graphique met en
évidence une corrélation positive entre l’administration numérique et les recettes
fiscales, bien que des disparités subsistent entre les pays. Afin de confirmer cette re-
lation et d’en approfondir l’interprétation, des analyses empiriques supplémentaires
seront menées pour en tirer des conclusions plus robustes.
Les tableaux A-5, A-6, A-7 et A-8 en annexe présentent respectivement les statis-

9
tiques descriptives et les matrices de corrélation des variables utilisées dans l’étude
pour chaque échantillon de pays considéré.

Figure 1 – Corrélation entre l’administration numérique et les recettes publiques

dans les pays en développement.

4 Résultats et interprétations

Le tableau 1 présente les résultats de l’estimation du modèle de panel dynamique.

L’effet du niveau antérieur des recettes publiques est statistiquement significatif au
seuil de 1 %, avec un signe positif dans chaque échantillon de pays en développement.
Ce résultat suggère une inertie des recettes publiques, indiquant qu’une partie des
recettes actuelles découle des conditions initiales. Par ailleurs, les résultats des esti-
mations par Pooled OLS et Système-GMM en deux étapes montrent que le gouver-
nement numérique a un effet significatif et positif sur les recettes publiques. Toutes
choses égales par ailleurs, une amélioration du gouvernement numérique d’une unité
entraîne une hausse des recettes publiques de 0.064 % pour l’ensemble des pays en
développement et de 0.068 % pour les pays d’Afrique subsaharienne.
L’amélioration des recettes publiques grâce au gouvernement numérique dans les
pays en développement s’explique par sa capacité à offrir des services plus efficaces
tout en réduisant les coûts de conformité (West, 2004 ; Koh et al., 2008 ; Prybu-
tok et al., 2008). Il contribue également à réduire la fracture numérique et sociale
(Srivastava et Teo, 2007), tout en favorisant une plus grande inclusion, participa-
tion, transparence et responsabilité (Elbahnasawy, 2021). De plus, le gouvernement

10
numérique renforce la performance économique et la compétitivité des entreprises
(Prybutok et al., 2008), simplifie la réglementation fiscale et accroît la probabilité
de détecter les fraudes fiscales, améliorant ainsi l’efficacité de la collecte des impôts
(Elbahnasawy, 2021). Il joue également un rôle déterminant dans la réduction de
l’évasion fiscale, de la corruption et de l’inefficacité des programmes gouvernemen-
taux (Andersen, 2009 ; Muralidharan et al., 2016 ; Banerjee et al., 2020 ; Uyar et al.,
2021). En tirant parti de ces bénéfices, les pays en développement peuvent renforcer
durablement leur performance fiscale.
En ce qui concerne les variables de contrôle, l’ouverture commerciale, le taux d’urba-
nisation, les termes de l’échange, l’investissement national et la qualité institution-
nelle contribuent significativement à l’amélioration de la performance fiscale dans
les pays en développement. En revanche, l’inflation exerce un effet négatif sur les
recettes publiques.
L’ouverture commerciale stimule les échanges internationaux, générant ainsi des
revenus supplémentaires issus des droits de douane et des taxes à l’importation
(Besley et Persson, 2014). Elle favorise également la formalisation des entreprises,
celles-ci devant se conformer aux réglementations et aux normes pour accéder aux
marchés internationaux, ce qui facilite leur intégration dans la base fiscale et améliore
les recettes publiques (Subramanian et Wei, 2007). En outre, l’accès à de meilleurs
intrants et technologies à moindre coût renforce l’efficacité des entreprises locales,
augmentant ainsi leur rentabilité et, par conséquent, les recettes fiscales (Gnangnon
et Brun, 2019). Ces mécanismes expliquent l’effet positif de l’ouverture commerciale
sur la mobilisation fiscale dans les pays en développement.
La qualité institutionnelle s’avère également déterminante pour l’amélioration des
recettes fiscales, en renforçant la capacité des institutions à concevoir et appliquer des
politiques fiscales efficaces (Acemoglu et Robinson, 2010). Une gouvernance stable
et exempte de corruption réduit l’incertitude économique, attire les investisseurs et
favorise la formalisation des activités économiques, élargissant ainsi l’assiette fiscale
(Besley et Persson, 2014). De plus, la stabilité politique permet aux gouvernements
de renforcer les capacités administratives des systèmes fiscaux et de mettre en œuvre
des réformes à long terme, telles que l’amélioration des procédures de collecte et la
lutte contre l’évasion fiscale (Bah, 2024 ; Nikiema et Zore, 2024). Ces effets sont
particulièrement cruciaux dans les pays en développement, où l’instabilité politique
et la corruption sont souvent associées à une faible mobilisation des recettes fiscales.
Par ailleurs, les termes de l’échange influencent positivement et significativement
les recettes publiques. Dans les pays en développement, fortement dépendants des
exportations de matières premières, une amélioration des termes de l’échange ac-
croît les revenus des exportateurs nationaux, favorisant ainsi une augmentation des
bénéfices des entreprises et, par ricochet, un élargissement de la base fiscale (Amiti
et Konings, 2007 ; Bas et Strauss-Kahn, 2015). Conformément aux attentes, le taux
d’urbanisation et l’investissement national ont également un effet positif significatif
sur les recettes fiscales dans les pays en développement.
Enfin, des taux d’inflation élevés nuisent à la productivité économique en augmen-
tant l’incertitude et en réduisant les incitations à investir (Barro et al., 1996 ; Bruno
et Easterly, 1998). Par ailleurs, l’inflation tend à encourager l’évasion fiscale et à

11
compliquer l’administration fiscale, car elle incite les contribuables à se tourner vers
des activités informelles, réduisant ainsi l’assiette fiscale (Aizenman et Jinjarak,
2009). Ces effets sont exacerbés dans les pays en développement, où les capacités
administratives fiscales sont souvent limitées, rendant difficile l’adaptation aux fluc-
tuations macroéconomiques. Ces mécanismes expliquent l’effet négatif de l’inflation
sur les recettes fiscales, tel qu’observé dans nos résultats.

12
Table 1 – Estimation de l’effet du gouvernement numérique sur les recettes pu-
bliques par la méthode GMM

Pays en développement Pays d’ASS

VARIABLES Pooled OLS Système-GMM Pooled OLS Système-GMM
L.Recettes publiques 0.356*** 0.336**
(0.128) (0.153)
Gouvernement numérique 0.078** 0.064*** 0.115** 0.068**
(0.032) (0.022) (0.054) (0.032)
Ouverture commerciale 0.054*** 0.029*** 0.099*** 0.072***
(0.009) (0.010) (0.012) (0.017)
Développement financier -0.007 -0.002 -0.012 0.029
(0.012) (0.012) (0.019) (0.033)
Inflation -0.068** -0.037 -0.122** -0.053*
(0.031) (0.023) (0.061) (0.032)
Taux d’urbanisation 0.048** 0.043* 0.001 0.033*
(0.019) (0.023) (0.029) (0.018)
Investissement national 0.130*** 0.054* 0.094** 0.021
(0.030) (0.031) (0.044) (0.029)
Termes de l’échange 0.071*** 0.054*** 0.027* 0.044***
(0.015) (0.011) (0.014) (0.009)
Qualité institutionnelle 1.292*** 0.533** 0.881** 0.365
(0.237) (0.238) (0.364) (0.449)
Constant 1.726 221.072** 15.951*** 74.925
(1.696) (91.040) (2.488) (111.278)
Nombre d’id 106 38
AR (1) P-Value 0.014 0.180
AR (2) P-Value 0.309 0.216
Nombre d’instruments 27 22
Test de Hansen P-Value 0.260 0.397
Observations 790 766 278 282
R-squared 0.464 0.777
Effets fixes Région Oui Oui
Effets fixes Temps Oui Oui
Notes : Dans la première et la troisième colonne, les estimations de régression pooled OLS
sont fournies. Les erreurs standard corrigées de l’hétéroscédasticité sont indiquées entre pa-
renthèses. *, ** et *** indiquent une significativité aux niveaux de confiance de 10 %, 5 %
et 1 %, respectivement. La recette publique en pourcentage du PIB est considérée comme
une variable prédéterminée, tandis que la variable de gouvernement numérique est traitée
comme endogène. Toutes les variables sont instrumentées à partir de leur deuxième retard
pour l’ensemble des pays en développement et à l’aide de leurs propres décalages, de la pre-
mière à la troisième année, pour les pays d’Afrique subsaharienne. En raison de l’opérateur
dans l’approche système-GMM, les effets temporels sont pris en compte.

13
 Les estimations GMM présentées dans le tableau 1 capturent une relation de
court terme entre les différentes variables explicatives et les recettes publiques. Le
tableau 2, quant à lui, rapporte les coefficients de long terme pour les variables
explicatives ayant démontré une significativité statistique dans chaque échantillon
de pays. Les résultats du tableau 2 indiquent que, bien que les variables explicatives
influencent significativement les recettes fiscales à court terme, leurs effets demeurent
également significatifs à long terme. En particulier, une augmentation d’une unité de
l’indice du gouvernement numérique est associée à une hausse des recettes publiques
de 0.10 % pour l’ensemble des pays en développement et de 0.103 % pour les pays
d’Afrique subsaharienne, toutes choses égales par ailleurs. Ces résultats suggèrent
que l’impact du gouvernement numérique sur les recettes publiques est plus marqué
à long terme qu’à court terme. Par ailleurs, s’agissant des variables de contrôle, à
l’exception de l’inflation dont l’effet à long terme s’atténue, les autres variables ont
un effet positif et plus prononcé à long terme qu’à court terme, en ligne avec nos
attentes théoriques.

Table 2 – Estimation des coefficients de long termes des variables sur les recettes
publiques

Variables Pays en développement Pays d’ASS

Gouvernement numérique 0.100*** 0.103***
(0.030) (0.036)
Ouverture commerciale 0.045*** 0.108***
(0.013) (0.017)
Taux d’urbanisation 0.068** 0.050**
(0.028) (0.023)
Termes de l’échange 0.083*** 0.066***
(0.014) (0.020)
Investissement national 0.084**
(0.040)
Qualité institutionnelle 0.828**
(0.347)
Inflation -0.079*
(0.043)
Notes : Les écart-types sont entre parenthèses et ***, **, * indiquent respectivement
une significativité à un niveau de confiance de 1 %, 5 % et 10 %

14
4.1 Administration numérique, secteur informel et la mobili-
sation des recettes fiscales

La question de l’économie informelle dans les pays en développement, en particulier

en Afrique subsaharienne, suscite un intérêt croissant en raison de son impact sur la
croissance et le développement. Le secteur informel regroupe l’ensemble des activités
économiques qui ne sont ni régulées ni protégées par les cadres institutionnels ou
juridiques, échappant ainsi au contrôle des administrations publiques (Elbahnasawy,
2021). Il inclut généralement des entreprises non enregistrées, des travailleurs sans
contrat formel, ainsi que des transactions ne respectant pas les normes fiscales et
réglementaires (Gwaindepi, 2022). Selon l’Organisation Internationale du Travail
(OIT, 2002), le secteur informel comprend « toutes les activités économiques exercées
par des travailleurs et des unités économiques qui, en droit ou en pratique, ne sont
pas couvertes par des arrangements formels ». Le Fonds Monétaire International
(FMI) le définit quant à lui comme l’ensemble des activités économiques ayant une
valeur marchande et susceptibles d’augmenter les recettes publiques et le PIB si
elles étaient enregistrées. Plus largement, le secteur informel englobe les activités
qui : (i) échappent à l’impôt, (ii) contournent les exigences réglementaires (comme
l’octroi de licences ou le respect des normes locales), (iii) ne figurent pas dans les
déclarations statistiques officielles, et (iv) relèvent, dans certains cas, d’une économie
illégale (Eilat et Zinnes, 2002).
La prédominance du secteur informel a des conséquences majeures sur les recettes
fiscales des pays en développement, principalement en raison de l’évasion fiscale et
de la sous-déclaration des activités économiques (Eilat et Zinnes, 2002 ; Biswas et al.,
2012 ; Mazhar et Méon, 2017). En effet, les entreprises et travailleurs opérant dans
l’informalité ne sont souvent pas enregistrés auprès des autorités fiscales, réduisant
ainsi la base imposable et entraînant une perte de revenus pour l’État (Schneider et
Enste, 2000). Cette situation complique la mobilisation des recettes fiscales, limitant
par conséquent la capacité des gouvernements à financer les investissements publics
(Acemoglu, 2005 ; Acemoglu et al., 2011), notamment en Afrique subsaharienne,
où 85 % de la main-d’œuvre exerce dans l’économie informelle selon l’Organisation
Internationale du Travail (Chacaltana et al., 2018). En représentant une part signi-
ficative de l’activité économique dans les pays en développement, le secteur informel
contribue à un faible ratio impôt/PIB, restreignant ainsi les ressources disponibles
pour l’élaboration des politiques budgétaires (FMI, 2011). De plus, un secteur infor-
mel de grande ampleur peut engendrer des distorsions économiques en créant une
concurrence déloyale avec les entreprises formelles qui, elles, s’acquittent de leurs
obligations fiscales. Cette asymétrie peut décourager l’investissement dans le secteur
formel et nuire à la performance économique globale (La Porta et Shleifer, 2014). Sur
le plan social, l’informalité peut également accentuer les inégalités et alimenter un
sentiment d’injustice, dans la mesure où certains individus et entreprises bénéficient
gratuitement des services publics financés par une minorité de contribuables. Une
telle situation peut affaiblir la confiance envers les institutions publiques et renfor-
cer la perception selon laquelle éviter la prédation fiscale de l’État est moralement
justifiable, compromettant ainsi le respect des normes institutionnelles et de l’État
de droit (Schneider et Enste, 2000).

15
La littérature a documenté plusieurs politiques visant à aider les gouvernants à
faire face à l’ampleur de l’informalité dans les pays en développement. Il s’agit
notamment du développement financier, du renforcement de la démocratie et de
l’amélioration de la qualité des institutions (voir Feld et Schneider, 2010 ; Blackburn
et al., 2012 ; Goel et Nelson, 2016 ; Cooray et al., 2017). Cependant, l’analyse du rôle
de l’administration numérique dans la réduction de la taille de l’économie informelle
dans les pays en développement reste encore peu explorée, alors que Nations Unies
(2018) soulignent que le gouvernement numérique constitue un levier potentiel pour
assurer la transparence, la responsabilité et une plus grande inclusion. Par ailleurs,
l’Organisation Internationale du Travail a introduit la notion de « e-formalisation »
pour désigner les politiques et initiatives mises en place par les gouvernements afin
de s’appuyer sur les TIC pour faciliter la transition de l’informalité vers le secteur
formel. Toutefois, l’impact de ces politiques sur la performance fiscale actuelle des
pays demeure peu documenté.
Dans cette section, nous analysons la relation entre le secteur informel et la mobilisa-
tion des recettes fiscales d’une part, et l’impact de l’interaction entre l’administration
numérique et le secteur informel sur cette mobilisation d’autre part. L’objectif est de
déterminer si le développement de l’administration numérique atténue l’effet négatif
attendu du secteur informel sur la mobilisation des recettes fiscales.
Pour atteindre cet objectif, nous exploitons les données élaborées par Elgin et al.
(2021) sur le secteur informel, estimées à l’aide de la méthode MIMIC (Multiple
Indicator, Multiple Causes). Cette approche considère l’économie informelle comme
une variable non observée, influencée par de multiples facteurs et exerçant un impact
sur les variables macroéconomiques. Ainsi, l’équation à estimer est la suivante :

X
Yi,t = αi + βYi,t−1 + γEgouvi,t−1 + θEgouvi,t−1 × SecteurInformi,t−1 + δ k Xi,t−1
k
+ εt
k
(3)
La figure 2 illustre la corrélation entre le secteur informel, son interaction avec l’admi-
nistration numérique et les recettes fiscales. Les graphiques révèlent une corrélation
négative entre le secteur informel et les recettes fiscales. Toutefois, lorsque l’ad-
ministration numérique interagit avec le secteur informel, cette corrélation devient
positive. Ces résultats suggèrent que le gouvernement numérique pourrait atténuer
l’effet négatif du secteur informel sur la mobilisation des recettes publiques.
Le tableau 3 présente les résultats de l’impact du secteur informel ainsi que l’effet
modérateur du gouvernement numérique sur les recettes publiques. L’analyse des
résultats révèle une relation négative entre le secteur informel et les recettes fiscales,
aussi bien dans l’ensemble des pays en développement que dans ceux d’Afrique
subsaharienne. Toutefois, bien que cet impact négatif ne soit pas statistiquement
significatif, les coefficients d’interaction entre le gouvernement numérique et le sec-
teur informel sont positifs et statistiquement significatifs, mettant en évidence le
rôle modérateur du gouvernement numérique. Un niveau avancé de gouvernement
numérique incite les entreprises à adopter les technologies de l’information et de la
communication dans leurs activités afin d’optimiser leurs profits. Cette transition
facilite la détection de la production informelle par les autorités, réduisant ainsi la

16
Figure 2 – Corrélation entre le secteur informel, son interaction avec la gouvernance
numérique et les recettes fiscales

capacité des entreprises à opérer dans l’économie informelle ou à y entrer (Elbah-

nasawy, 2021). Ces dynamiques contribuent, in fine, à la réduction de l’économie
informelle. Ces résultats suggèrent que les pays en développement pourraient atté-
nuer significativement l’impact du secteur informel en investissant davantage dans
le gouvernement numérique, notamment à travers le renforcement des initiatives de
« e-formalisation ».

17
Table 3 – Estimation de l’effet du secteur informel et son interaction avec le gou-
vernement numérique sur les recettes publiques par la méthode GMM

Pays en développement Pays d’ASS

VARIABLES (1) (2) (3) (4)
L.Recettes publiques 0.602*** 0.553*** 0.441*** 0.400**
(0.103) (0.110) (0.158) (0.166)
Gouvernement numérique 0.037** -0.096** 0.070* -0.259*
(0.017) (0.048) (0.036) (0.136)
Secteur informel -0.012 -0.183*** -0.007 -0.277**
(0.022) (0.070) (0.041) (0.117)
Gouvernement numérique * Secteur informel 0.350*** 0.874**
(0.123) (0.368)
Ouverture commerciale 0.024** 0.027** 0.068*** 0.075***
(0.010) (0.011) (0.021) (0.021)
Développement financier -0.005 -0.005 0.018 0.042
(0.010) (0.011) (0.031) (0.033)
Inflation -0.025 -0.030 -0.069* -0.081**
(0.026) (0.027) (0.037) (0.039)
Investissement national 0.012 0.011 0.010 -0.000
(0.022) (0.024) (0.033) (0.030)
Termes de l’échange 0.038*** 0.040*** 0.042*** 0.046***
(0.008) (0.008) (0.008) (0.008)
Taux d’urbanisation 0.027 0.035 0.018 0.016
(0.021) (0.024) (0.016) (0.017)
Qualité institutionnelle 0.169 0.242 0.299 0.391
(0.183) (0.203) (0.396) (0.427)
Constant 0.117 6.143** 110.663 178.969
(1.472) (2.937) (112.558) (113.122)
AR (1) P-Value 0.004 0.005 0.135 0.167
AR (2) P-Value 0.430 0.370 0.233 0.246
Nombre d’instruments 28 29 23 24
Test de Hansen P-Value 0.174 0.158 0.410 0.455
Observations 708 708 273 273
Nombre d’id 96 96 36 36
Notes : Les erreurs standard corrigées de l’hétéroscédasticité sont indiquées entre parenthèses. *, ** et *** indiquent
une significativité aux niveaux de confiance de 10 %, 5 % et 1 %, respectivement. La recette publique en pourcentage
du PIB est considérée comme une variable prédéterminée, tandis que la variable d’interaction est traitée comme
endogène. Toutes les variables sont instrumentées à partir de leur deuxième retard pour l’ensemble des pays en
développement et à l’aide de leurs propres décalages, de la première à la troisième année, pour les pays d’Afrique
subsaharienne. En raison de l’opérateur dans l’approche système-GMM, les effets temporels sont pris en compte.

18
5 Contrôle de robustesse

Nos résultats précédents indiquent que la mise en œuvre de l’administration numé-

rique améliore la mobilisation des recettes fiscales dans les pays en développement.
Dans cette section, nous testons la robustesse de ces résultats.

5.1 Spécifications alternatives

Dans une première spécification, afin d’atténuer l’influence des chocs globaux liés
au temps et de tester la robustesse de nos résultats, nous introduisons des variables
muettes de période. En particulier, la crise financière mondiale de 2008, qui a proba-
blement affecté la performance fiscale des pays sans être entièrement capturée par les
autres variables de contrôle, est représentée par une variable muette (Crise financière
2008). Cette période de ralentissement économique global a pu exercer une pression
significative sur les recettes fiscales. De même, nous intégrons une variable muette
(Pandémie 2020) pour tenir compte de la crise sanitaire du COVID-19, laquelle a
entraîné un recul généralisé des activités économiques et, par conséquent, un impact
potentiel sur la mobilisation des recettes fiscales dans les pays en développement.
Comme l’illustre le tableau 4, les principaux résultats restent robustes à l’inclusion
de ces variables muettes. Les estimations confirment que la crise financière de 2008 et
la pandémie de COVID-19, en freinant l’activité économique, ont significativement
réduit la performance fiscale dans les pays en développement. Toutefois, l’effet du
gouvernement numérique demeure positif et significatif, soulignant son rôle essentiel
dans l’amélioration de la mobilisation des recettes fiscales. Par ailleurs, les résultats
mettent en évidence des effets significatifs des variables de contrôle, notamment
l’ouverture commerciale, les termes de l’échange, la qualité institutionnelle et le
taux d’urbanisation.
Deuxièmement, afin d’examiner l’influence des différentes dimensions du gouverne-
ment numérique sur la mobilisation des recettes fiscales, nous régressons les dif-
férentes composantes du gouvernement numérique sur la performance fiscale : (i)
la taille et la qualité des services en ligne (Services numériques), (ii) l’étendue de
l’infrastructure de télécommunication (Télécommunications), et (iii) la capacité du
capital humain (Capital humain). Les résultats empiriques des estimations Système-
GMM en deux étapes, présentés dans le tableau 5, indiquent que, dans l’ensemble
des pays en développement, l’indice des services numériques et celui du capital hu-
main ont un effet positif et significatif sur la mobilisation des recettes publiques.
En revanche, en Afrique subsaharienne, seul l’indice du capital humain apparaît
comme un déterminant significatif des recettes fiscales, contrairement aux autres
composantes du gouvernement numérique. Ces résultats suggèrent que, pour opti-
miser la mobilisation des recettes fiscales, les pays en développement doivent adopter
une approche intégrée du gouvernement numérique, en renforçant simultanément les
services numériques, les infrastructures de télécommunication et le capital humain.

19
Table 4 – Résultats des estimations Système-GMM en contrôlant les grandes crises

Pays en développement Pays d’ASS

VARIABLES (1) (2) (3) (4)

L.Recettes publiques 0.236** 0.200** 0.446*** 0.319***

(0.100) (0.096) (0.144) (0.108)
Crise financière de 2008 -0.621** -1.128*
(0.257) (0.657)
Pandémie de COVID-19 -1.158*** -0.066
(0.400) (0.512)
Gouvernement numérique 0.038** 0.067*** 0.049* 0.055**
(0.019) (0.022) (0.026) (0.028)
Ouverture commerciale 0.046*** 0.035** 0.063*** 0.060***
(0.011) (0.014) (0.017) (0.018)
Développement financier -0.006 0.003 0.025 0.047
(0.013) (0.016) (0.032) (0.031)
Inflation -0.028 -0.015 -0.031 -0.031
(0.021) (0.023) (0.028) (0.030)
Taux d’urbanisation 0.060*** 0.057** 0.019 0.044**
(0.023) (0.027) (0.022) (0.019)
Investissement national 0.071** 0.061 0.011 0.032
(0.032) (0.039) (0.034) (0.026)
Termes de l’échange 0.058*** 0.059*** 0.044*** 0.039***
(0.011) (0.011) (0.008) (0.008)
Qualité institutionnelle 0.771*** 0.851*** 0.402 0.307
(0.251) (0.319) (0.433) (0.504)
Constant 0.412 0.702 -1.226 -0.962
(1.129) (1.403) (1.217) (1.318)

AR (1) P-Value 0.020 0.014 0.074 0.093

AR (2) P-Value 0.316 0.275 0.216 0.189
Nombre d’instruments 19 19 15 17
Test de Hansen P-Value 0.059 0.227 0.651 0.780
Observations 766 766 282 282
Nombre d’id 106 106 38 38

Dans notre troisième spécification alternative, nous modifions la définition de notre

variable dépendante en adoptant trois mesures alternatives des recettes publiques :
(i) les impôts totaux hors ressources, (ii) les impôts directs hors ressources et (iii) les
impôts indirects hors ressources. À partir de ces nouvelles mesures, nous estimons
l’effet du gouvernement numérique en utilisant la méthode des moments généralisés.
Les résultats présentés dans le tableau 6 révèlent une relation positive et signifi-
cative entre le gouvernement numérique et les différentes mesures alternatives des
recettes fiscales, aussi bien dans l’ensemble des pays en développement que dans les
pays d’Afrique subsaharienne. Toutefois, dans ces derniers, l’effet du gouvernement
numérique sur les impôts indirects reste non significatif. Ces résultats fournissent
une preuve supplémentaire de la capacité du gouvernement numérique à renforcer
la mobilisation des recettes fiscales dans les pays en développement.
Un autre test de robustesse consiste à vérifier, à travers des estimations supplé-
mentaires, la relation entre le secteur informel, son interaction avec le gouverne-
ment numérique et la mobilisation des recettes fiscales. Pour ce faire, nous utilisons
comme nouvelles variables dépendantes les impôts totaux, les impôts directs et les
impôts indirects. Les résultats présentés dans les tableaux A-1, A-2 et A-3 en annexe
confirment les conclusions précédentes : le gouvernement numérique atténue l’effet

20
Table 5 – Résultats des régressions Système-GMM de l’effet des composantes du
gouvernement numérique sur les recettes publiques

Pays en développement Pays d’ASS

VARIABLES (1) (2) (3) (4) (5) (6)
L.Recettes publiques 0.303** 0.405*** 0.378*** 0.338** 0.287** 0.372***
(0.136) (0.125) (0.122) (0.137) (0.140) (0.132)
Services en ligne -0.009 0.006
(0.010) (0.015)
Infrastructures de Télécom 0.057** -0.048
(0.025) (0.042)
Capital humain 0.083*** 0.066***
(0.021) (0.019)
Ouverture commerciale 0.031*** 0.026*** 0.023** 0.074*** 0.078*** 0.060***
(0.011) (0.010) (0.009) (0.018) (0.017) (0.015)
Développement financier 0.010 0.000 -0.005 0.042 0.055 0.025
(0.011) (0.011) (0.011) (0.035) (0.035) (0.034)
Inflation -0.027 -0.032 -0.044* -0.041 -0.034 -0.058*
(0.023) (0.023) (0.024) (0.031) (0.033) (0.032)
Taux d’urbanisation 0.073*** 0.039* 0.033 0.040** 0.054** 0.017
(0.027) (0.021) (0.020) (0.016) (0.024) (0.017)
Investissement national 0.060* 0.051* 0.048* 0.020 0.024 0.015
(0.032) (0.031) (0.027) (0.029) (0.031) (0.028)
Termes de l’échange 0.056*** 0.051*** 0.055*** 0.042*** 0.042*** 0.048***
(0.011) (0.010) (0.011) (0.009) (0.010) (0.009)
Qualité institutionnelle 0.838*** 0.511** 0.460** 0.530 0.708 0.481
(0.261) (0.228) (0.205) (0.485) (0.609) (0.440)
AR (1) P-Value 0.025 0.011 0.010 0.168 0.189 0.139
AR (2) P-Value 0.261 0.260 0.311 0.202 0.207 0.233
Nombre d’instruments 27 27 27 23 23 23
Test de Hansen P-Value 0.275 0.211 0.206 0.513 0.453 0.544
Observations 766 766 766 282 282 282
Nombre d’id 106 106 106 38 38 38
Notes : Les écart-types sont entre parenthèses et ***, **, * indiquent respectivement une significativité à un niveau
de confiance de 1 %, 5 % et 10 %

21
négatif du secteur informel sur la mobilisation des recettes fiscales dans les pays en
développement.

Table 6 – Résultats des estimations Système-GMM de l’effet du gouvernement

numérique sur les mesures alternatives des recettes publiques

Pays en développement Pays d’ASS

VARIABLES (1) (2) (3) (4) (5) (6)

L.Impôt total 0.473** 0.402***

(0.193) (0.094)
L.Impôts directs 0.644*** 0.335***
(0.075) (0.087)
L.Impôts indirects 0.445*** 0.153***
(0.098) (0.036)
Gouvernement numérique 0.054** 0.015*** 0.037** 0.057** 0.024** 0.006
(0.023) (0.005) (0.015) (0.022) (0.011) (0.023)
Ouverture commerciale 0.012 0.006*** 0.014** 0.021 0.014* 0.053***
(0.011) (0.002) (0.007) (0.014) (0.007) (0.006)
Développement financier 0.012 0.001 0.001 0.064*** 0.038*** 0.020*
(0.012) (0.003) (0.007) (0.018) (0.015) (0.012)
Inflation 0.012 -0.004 0.001 -0.020 -0.013 -0.029
(0.017) (0.007) (0.014) (0.024) (0.008) (0.028)
Taux d’urbanisation -0.024 -0.004 -0.022** -0.028 -0.025** -0.042***
(0.018) (0.004) (0.010) (0.026) (0.011) (0.015)
Investissement national -0.011 0.010* 0.002 0.036* 0.013 -0.016
(0.023) (0.005) (0.021) (0.021) (0.010) (0.024)
Termes de l’échange -0.015* -0.001 -0.005 -0.008 -0.002 -0.015
(0.008) (0.003) (0.006) (0.008) (0.005) (0.012)
Qualité institutionnelle 0.761** 0.167*** 0.534*** 0.527 0.184* 0.665***
(0.373) (0.059) (0.161) (0.349) (0.109) (0.241)

AR (1) P-Value 0.011 0.000 0.082 0.011 0.007 0.243

AR (2) P-Value 0.343 0.329 0.365 0.320 0.573 0.364
Nombre d’instruments 22 23 22 26 26 26
Test de Hansen P-Value 0.104 0.143 0.355 0.335 0.367 0.818
Observations 745 693 709 259 231 230
Nombre d’id 105 100 102 37 35 35

5.2 Autre méthode d’estimation

Notre dernier test de robustesse consiste à estimer l’effet du gouvernement numé-

rique en utilisant une approche alternative : l’estimateur de panel à variables ins-
trumentales. Cette méthode requiert un instrument externe valide pour identifier
l’effet causal du gouvernement numérique sur les recettes fiscales. En nous appuyant
sur Comin et al. (2012), nous utilisons la distance technologique entre les pays en
développement et les pays développés comme instrument. La distance technologique
d’un pays en développement est définie comme le logarithme de la somme du produit
scalaire de la distance géographique entre ce pays et les pays développés, pondérée
par le niveau de développement technologique de ces derniers. Les pays développés
membres de l’OCDE sont pris comme référence, et leur niveau de développement
technologique est mesuré par la part des dépenses de recherche et développement en
pourcentage du PIB.

22
En complément des différentes mesures alternatives de la variable dépendante utili-
sées dans les spécifications précédentes, cette nouvelle méthode d’estimation intègre
également d’autres indicateurs, tels que les impôts sur le revenu des personnes phy-
siques et les impôts sur les biens et services.
Les résultats des estimations par la méthode des variables instrumentales (Tableau 7
pour l’ensemble des pays en développement et Tableau 8 pour l’échantillon des pays
d’Afrique subsaharienne) confirment l’effet positif et significatif du gouvernement
numérique sur la mobilisation des recettes fiscales, indépendamment de la mesure
retenue. Ces conclusions corroborent celles obtenues par l’estimateur Syst-GMM,
renforçant ainsi l’hypothèse du rôle déterminant du gouvernement numérique dans
l’amélioration des recettes fiscales dans les pays en développement.
Le gouvernement numérique apparaît donc comme un levier puissant pour améliorer
la mobilisation des recettes fiscales dans les économies à faible revenu (Elbahnasawy,
2021)

23
 Table 7 – Estimation de l’impact du gouvernement numérique sur les mesures alternatives des recettes publiques par la méthode IV
(Echantillon de l’ensemble des pays en développement)

IV en panel
VARIABLES Recettes publiques Impôt total Impôts directs Impôts indirects Impôts sur RPP Impôts sur les B&S
Gouvernement numérique 0.269*** 0.166*** 0.097*** 0.077** 0.049*** 0.131***
(0.071) (0.041) (0.021) (0.031) (0.015) (0.027)
Ouverture commerciale 0.042*** 0.006 0.004 0.007 0.006** 0.001
(0.012) (0.007) (0.003) (0.006) (0.002) (0.005)
Développement financier -0.023 0.024** 0.008 0.019** -0.005 0.003
(0.018) (0.010) (0.005) (0.008) (0.004) (0.007)
Inflation -0.005 -0.003 -0.004 0.003 -0.005 -0.016
(0.031) (0.018) (0.009) (0.014) (0.006) (0.012)
Taux d’urbanisation -0.409*** -0.124* -0.016 -0.106** -0.015 -0.130***
24

(0.114) (0.067) (0.035) (0.052) (0.024) (0.043)

Investissement national 0.061** 0.120*** 0.065*** 0.076*** 0.016*** 0.062***
(0.029) (0.017) (0.010) (0.015) (0.006) (0.012)
Termes de l’échange 0.052*** -0.009 -0.002 -0.006 -0.005** -0.018***
(0.010) (0.006) (0.004) (0.005) (0.002) (0.005)
Qualité institutionnelle 0.515 -0.076 -0.103 0.190 0.127 -0.098
(0.445) (0.279) (0.134) (0.201) (0.083) (0.173)
Observations 768 745 695 715 576 745
Nombre d’id 103 102 96 98 82 101
Effets fixes Pays Oui Oui Oui Oui Oui Oui
C-D F-Stat 84.441 82.062 81.628 91.678 41.934 83.498
SY 10% max size 16.38 16.38 16.38 16.38 16.38 16.38
SY 25% max size 5.53 5.53 5.53 5.53 5.53 5.53
Note : Les écarts types sont entre parenthèses. ***, **, * indiquent une significativité aux seuils de 1 % 5 % et 10 % respectivement. SY
10 % max size IV et SY 20 % max size IV sont les valeurs critiques de (Stock et Yogo (2005). CD F-stat est le test Cragg-Donald Wald
F-stat pour l’identification faible, l’équivalent de (Kleibergen et Paap (2006)
 Table 8 – Estimation de l’impact du gouvernement numérique sur les mesures alternatives des recettes publiques par la méthode IV
(Echantillon des pays d’Afrique subsaharienne)

IV en panel
VARIABLES Recettes publiques Impôt total Impôts directs Impôts indirects Impôts sur RPP Impôts sur les B&S
Gouvernement numérique 0.342*** 0.186*** 0.098*** 0.110 0.059*** 0.108***
(0.093) (0.068) (0.024) (0.072) (0.021) (0.041)
Ouverture commerciale 0.014 -0.004 0.003 -0.007 0.003 -0.015**
(0.016) (0.011) (0.004) (0.013) (0.003) (0.006)
Développement financier -0.031 0.105*** 0.059*** 0.032 0.018** 0.089***
(0.050) (0.035) (0.013) (0.036) (0.009) (0.020)
Inflation -0.010 -0.013 -0.019* 0.027 -0.011 0.002
(0.039) (0.027) (0.010) (0.028) (0.008) (0.015)
Taux d’urbanisation -0.494*** -0.051 -0.053 -0.066 0.022 -0.099
25

(0.151) (0.108) (0.039) (0.119) (0.042) (0.069)

Investissement national 0.105*** 0.103*** 0.053*** 0.081*** 0.024*** 0.045***
(0.034) (0.023) (0.009) (0.029) (0.007) (0.015)
Termes de l’échange 0.056*** -0.012 -0.001 -0.004 -0.006** -0.010*
(0.012) (0.008) (0.004) (0.010) (0.003) (0.006)
Qualité institutionnelle 0.439 0.374 -0.053 0.224 0.201 0.062
(0.606) (0.504) (0.159) (0.464) (0.152) (0.281)
Observations 289 267 240 239 188 245
Nombre d’id 37 36 33 33 28 34
Effets fixes Pays Oui Oui Oui Oui Oui Oui
C-D F-Stat 51.618 45.669 45.158 37.999 25.756 39.467
SY 10% max size 16.38 16.38 16.38 16.38 16.38 16.38
SY 25% max size 5.53 5.53 5.53 5.53 5.53 5.53
Note : Les écarts types sont entre parenthèses. ***, **, * indiquent une significativité aux seuils de 1 % 5 % et 10 % respectivement. SY
10 % max size IV et SY 20 % max size IV sont les valeurs critiques de (Stock et Yogo (2005). CD F-stat est le test Cragg-Donald Wald
F-stat pour l’identification faible, l’équivalent de (Kleibergen et Paap (2006)
6 Conclusion

Avec l’essor de l’adoption et de l’utilisation des technologies de l’information et de

la communication, les gouvernements, notamment dans les pays en développement,
intègrent de plus en plus le gouvernement numérique afin d’offrir à leurs citoyens
des services publics plus efficaces et accessibles. Deux décennies après les premiers
investissements dans cette transformation numérique, il est essentiel d’évaluer les
retours sur investissement. Bien que la littérature théorique souligne les coûts élevés
et les prérequis infrastructurels et institutionnels nécessaires à la mise en place du
gouvernement numérique, les preuves empiriques confirment progressivement ses
retombées positives, notamment en matière de mobilisation des recettes fiscales.
Cette étude explore un aspect encore peu abordé dans la littérature en mobilisant
des données de panel issues du United Nations E-Government Survey (2022), du
Revenue Development Governance Database (RDG) et de la World Development
Indicators (WDI), couvrant 106 pays en développement. Elle examine l’impact du
gouvernement numérique sur la mobilisation des recettes fiscales, le lien entre le
secteur informel et la fiscalité, ainsi que l’effet d’interaction entre le gouvernement
numérique et le secteur informel. Afin de traiter les éventuels biais d’hétérogénéité et
d’endogénéité, nous avons adopté une approche basée sur la méthode des moments
généralisés (GMM), complétée par une estimation par variables instrumentales.
Nos résultats empiriques indiquent que le gouvernement numérique a un effet positif
et significatif sur la mobilisation des recettes fiscales dans les pays en développement.
De plus, il atténue l’impact négatif du secteur informel sur la fiscalité, suggérant
ainsi un rôle de levier dans l’intégration fiscale et la réduction de l’évasion fiscale.
Ces conclusions demeurent robustes aux différents tests de sensibilité réalisés.
Afin de maximiser les bénéfices du gouvernement numérique, les décideurs publics et
les organisations internationales de développement devraient renforcer et sécuriser
les plateformes numériques de déclaration et de paiement des impôts, tout en assu-
rant une couverture géographique élargie de l’accès à Internet, en particulier dans
les zones rurales. L’adoption de ces technologies pourrait être favorisée par des pro-
grammes de formation des contribuables à l’utilisation des plateformes numériques
et des campagnes de sensibilisation sur les avantages de la digitalisation fiscale. Par
ailleurs, les autorités fiscales gagneraient à exploiter ces outils pour améliorer la
transparence dans la gestion des recettes fiscales, notamment par la publication ré-
gulière de données ouvertes et le renforcement de la traçabilité des flux financiers
afin de limiter la corruption.

26
Références
Daron Acemoglu : Politics and economics in weak and strong states. Journal of
monetary Economics, 52(7):1199–1226, 2005.

Daron Acemoglu et James A Robinson : Why is africa poor ? Economic history

of developing regions, 25(1):21–50, 2010.

Daron Acemoglu, Davide Ticchi et Andrea Vindigni : Emergence and per-

sistence of inefficient states. Journal of the European economic association, 9
(2):177–208, 2011.

Terence D Agbeyegbe, Janet Stotsky et Asegedech WoldeMariam : Trade

liberalization, exchange rate changes, and tax revenue in sub-saharan africa. Jour-
nal of Asian Economics, 17(2):261–284, 2006.

Philippe Aghion, Ufuk Akcigit, Julia Cagé et William R Kerr : Taxation,

corruption, and growth. European Economic Review, 86:24–51, 2016.

Joshua Aizenman et Yothin Jinjarak : Globalisation and developing countries–a

shrinking tax base ? The Journal of Development Studies, 45(5):653–671, 2009.

Mr Bernardin Akitoby, Ms Anja Baum, Clay Hackney, Olamide Harrison,

Keyra Primus et Ms Veronique Salins : Tax revenue mobilization episodes
in emerging markets and low-income countries : Lessons from a new dataset.
International Monetary Fund, 2018.

Alberto Alesina : Macroeconomic policy in a two-party system as a repeated game.

The Quarterly journal of economics, 102(3):651–678, 1987.

Mary Amiti et Jozef Konings : Trade liberalization, intermediate inputs, and

productivity : Evidence from indonesia. American economic review, 97(5):1611–
1638, 2007.

Thomas Barnebeck Andersen : E-government as an anti-corruption strategy. In-

formation Economics and policy, 21(3):201–210, 2009.

Ablam Estel Apeti et Eyah Denise Edoh : Tax revenue and mobile money in
developing countries. Journal of Development Economics, 161:103014, 2023.

Manuel Arellano et Stephen Bond : Some tests of specification for panel data :
Monte carlo evidence and an application to employment equations. The review of
economic studies, 58(2):277–297, 1991.

Manuel Arellano et Olympia Bover : Another look at the instrumental variable

estimation of error-components models. Journal of econometrics, 68(1):29–51,
1995.

Mamadou Bah : Tax revenue mobilization and institutional quality in sub-saharan

africa : An empirical investigation. African Development Review, 36(2):201–221,
2024.

27
Abhijit Banerjee, Esther Duflo, Clement Imbert, Santhosh Mathew et Ro-
hini Pande : E-governance, accountability, and leakage in public programs :
Experimental evidence from a financial management reform in india. American
Economic Journal : Applied Economics, 12(4):39–72, 2020.

Chris Barker et Emma A Jane : Cultural studies : Theory and practice. 2016.

Robert J Barro et al. : Inflation and growth. Review-Federal Reserve Bank of

Saint Louis, 78:153–169, 1996.

Maria Bas et Vanessa Strauss-Kahn : Input-trade liberalization, export prices

and quality upgrading. Journal of International Economics, 95(2):250–262, 2015.

Thorsten Beck, Asli Demirgüç-Kunt et Ross Levine : Finance, inequality and

the poor. Journal of economic growth, 12:27–49, 2007.

Timothy Besley et Torsten Persson : The origins of state capacity : Property

rights, taxation, and politics. American economic review, 99(4):1218–1244, 2009.

Timothy Besley et Torsten Persson : Why do developing countries tax so little ?

Journal of economic perspectives, 28(4):99–120, 2014.

Timothy Besley, Torsten Persson et Daniel M Sturm : Political competition,

policy and growth : theory and evidence from the us. The Review of Economic
Studies, 77(4):1329–1352, 2010.

Amit K Biswas, Mohammad Reza Farzanegan et Marcel Thum : Pollution,

shadow economy and corruption : Theory and evidence. Ecological economics,
75:114–125, 2012.

Keith Blackburn, Niloy Bose et Salvatore Capasso : Tax evasion, the under-
ground economy and financial development. Journal of Economic Behavior &
Organization, 83(2):243–253, 2012.

Michael Bleaney et David Greenaway : The impact of terms of trade and real
exchange rate volatility on investment and growth in sub-saharan africa. Journal
of development Economics, 65(2):491–500, 2001.

Richard Blundell et Stephen Bond : Initial conditions and moment restrictions

in dynamic panel data models. Journal of econometrics, 87(1):115–143, 1998.

Philip Brey : Theorizing modernity and technology. Modernity and technology,

pages 33–71, 2003.

Michael Bruno et William Easterly : Inflation crises and long-run growth. Jour-
nal of Monetary economics, 41(1):3–26, 1998.

James M Buchanan : Public finance and public choice. National Tax Journal, 28
(4):383–394, 1975.

Julia Cagé et Lucie Gadenne : Tax revenues and the fiscal cost of trade liberali-
zation, 1792–2006. Explorations in Economic History, 70:1–24, 2018.

28
Lemuria Carter et France Bélanger : The utilization of e-government services :
citizen trust, innovation and acceptance factors. Information systems journal, 15
(1):5–25, 2005.

Conceição Castro et Cristina Lopes : Digital government and sustainable deve-

lopment. Journal of the Knowledge Economy, 13(2):880–903, 2022.

Juan Chacaltana, Vicky Leung et Miso Lee : New technologies and the tran-
sition to formality : The trend towards e-formality. ILO Employment Policy De-
partment Working Paper, 247, 2018.

Cyril Chimilila et Vincent Leyaro : Ict, e-formalization and tax mobilisation

efforts in sub-saharan africa. Rapport technique, CREDIT Research Paper, 2022.

Yong Hyo Cho et Byung-Dae Choi : E-government to combat corruption : The case
of seoul metropolitan government. International Journal of Public Administration,
27(10):719–735, 2004.

Diego A Comin, Mikhail Dmitriev et Esteban Rossi-Hansberg : The spatial dif-

fusion of technology. Rapport technique, National Bureau of Economic Research,
2012.

Arusha Cooray, Ratbek Dzhumashev et Friedrich Schneider : How does cor-

ruption affect public debt ? an empirical analysis. World development, 90:115–127,
2017.

Yair Eilat et Clifford Zinnes : The shadow economy in transition countries : Friend
or foe ? a policy perspective. World Development, 30(7):1233–1254, 2002.

Nasr G Elbahnasawy : E-government, internet adoption, and corruption : an

empirical investigation. World Development, 57:114–126, 2014.

Nasr G Elbahnasawy : Can e-government limit the scope of the informal eco-
nomy ? World Development, 139:105341, 2021.

Ceyhun Elgin, M Ayhan Kose, Franziska Ohnsorge et Shu Yu : Understanding

informality. 2021.

Lars P Feld et Friedrich Schneider : Survey on the shadow economy and unde-
clared earnings in oecd countries. German economic review, 11(2):109–149, 2010.

FMI : The informal economy : Definition, measurement, and policies, 2011. Report
defining and analyzing the informal sector.

Vitor Gaspar, Laura Jaramillo et Mr Philippe Wingender : Tax Capacity and

Growth : Is There a Tipping Point ? International Monetary Fund, 2016.

Sèna Kimm Gnangnon : Multilateral trade liberalization and economic growth.

Journal of Economic Integration, 33(2):1261–1301, 2018.

Sèna Kimm Gnangnon et Jean-François Brun : Impact of export upgrading on tax

revenue in developing and high-income countries. Oxford Development Studies,
45(4):542–561, 2017.

29
Sèna Kimm Gnangnon et Jean-François Brun : Trade openness, tax reform and
tax revenue in developing countries. The World Economy, 42(12):3515–3536, 2019.

Blaise Gnimassoun et John C Anyanwu : The diaspora and economic develop-

ment in africa. Review of World Economics, 155(4):785–817, 2019.

Rajeev K Goel et Michael A Nelson : Shining a light on the shadows : Identifying

robust determinants of the shadow economy. Economic Modelling, 58:351–364,
2016.

Roger Gordon et Wei Li : Tax structures in developing countries : Many puzzles

and a possible explanation. Journal of public Economics, 93(7-8):855–866, 2009.

Abel Gwaindepi : Domestic revenue mobilization and informality : Challenges and

opportunities for sub-Saharan Africa. Numéro 2022/120. WIDER Working Paper,
2022.

Robert E Hall et Dale W Jorgenson : Tax policy and investment behavior. The
American economic review, 57(3):391–414, 1967.

Arnold C Harberger : Monopoly and resource allocation. Springer, 1995.

Peter S Heller : A model of public fiscal behavior in developing countries : Aid,

investment, and taxation. The American Economic Review, 65(3):429–445, 1975.

Anders Jensen : Employment structure and the rise of the modern tax system.
American Economic Review, 112(1):213–234, 2022.

John Maynard Keynes : The General Theory of Employment, Interest and Money.
Macmillan, 1936.

Barsha Khattry : Trade liberalization and the fiscal squeeze : Implications for
public investment. Development and Change, 34(3):401–424, 2003.

Barsha Khattry et J Mohan Rao : Fiscal faux pas ? : an analysis of the revenue
implications of trade liberalization. World Development, 30(8):1431–1444, 2002.

Merve Kılıç, Ali Uyar et Cemil Kuzey : The impact of institutional ethics and
accountability on voluntary assurance for integrated reporting. Journal of Applied
Accounting Research, 21(1):1–18, 2020.

Frank Kleibergen et Richard Paap : Generalized reduced rank tests using the
singular value decomposition. Journal of econometrics, 133(1):97–126, 2006.

Anna Kochanova, Zahid Hasnain et Bradley Larson : Does e-government im-

prove government capacity ? evidence from tax compliance costs, tax revenue,
and public procurement competitiveness. The World Bank Economic Review, 34
(1):101–120, 2020.

Chang E Koh, Victor R Prybutok et Xiaoni Zhang : Measuring e-government

readiness. Information & management, 45(8):540–546, 2008.

30
Satish Krishnan, Thompson SH Teo et Vivien KG Lim : Examining the rela-
tionships among e-government maturity, corruption, economic prosperity and en-
vironmental degradation : A cross-country analysis. Information & Management,
50(8):638–649, 2013.

Rafael La Porta et Andrei Shleifer : Informality and development. Journal of

economic perspectives, 28(3):109–126, 2014.

Ross Levine : Finance and growth : Theory and evidence. Journal of Economic
Perspectives, 35(1):688–726, 2005.

Aguima Aime Bernard Lompo : How does financial sector development improve tax
revenue mobilization for developing countries ? Comparative Economic Studies,
66(1):91–125, 2024.

Yannick Lucotte : Adoption of inflation targeting and tax revenue performance

in emerging market economies : An empirical investigation. Economic Systems,
36(4):609–628, 2012.

William F Maloney : Informality revisited. World development, 32(7):1159–1178,

2004.

Giulia Mascagni, Mick Moore, Rhiannon McCluskey et al. : Tax revenue

mobilisation in developing countries : Issues and challenges. European Union
(Belgium), 2014.

Giulia Mascagni et Christopher Nell : Tax compliance in rwanda : Evidence

from a message field experiment. Economic Development and Cultural Change,
70(2):587–623, 2022.

Ummad Mazhar et Pierre-Guillaume Méon : Taxing the unobservable : The

impact of the shadow economy on inflation and taxation. World Development,
90:89–103, 2017.

James A Mirrlees : An exploration in the theory of optimum income taxation.

The review of economic studies, 38(2):175–208, 1971.

Karthik Muralidharan, Paul Niehaus et Sandip Sukhtankar : Building state

capacity : Evidence from biometric smartcards in india. American Economic
Review, 106(10):2895–2929, 2016.

Taewoo Nam : Examining the anti-corruption effect of e-government and the mode-
rating effect of national culture : A cross-country study. Government information
quarterly, 35(2):273–282, 2018.

Nations Unies : E-Government Survey 2018 : The Future of Digital Government.

United Nations Department of Economic and Social Affairs, New York, 2018.

Nations Unies : E-Government Survey 2022 : The Future of Digital Government.

United Nations Department of Economic and Social Affairs, New York, 2022.

Nations Unies : Financing for sustainable development report 2024, 2024.

31
Stephen Nickell : Biases in dynamic models with fixed effects. Econometrica :
Journal of the econometric society, pages 1417–1426, 1981.

Roukiatou Nikiema et Mahamoudou Zore : Tax revenue instability in sub-saharan

africa : Does institutional quality matter ? American Journal of Economics and
Sociology, 2024.

Jr Niskanen : Bureaucracy and representative government. Routledge, 1971.

Douglass C North : A theory of institutional change and the economic history of

the western world. Structure and change in economic history, 1981.

OIT : Decent work and the informal economy, 2002. Sixth item on the agenda.

Oyebola Okunogbe et Fabrizio Santoro : The promise and limitations of infor-

mation technology for tax mobilization. The World Bank Research Observer, 38
(2):295–324, 2023.

Daniel Ortega et Carlos Scartascini : Don’t blame the messenger. the delivery
method of a message matters. Journal of Economic Behavior & Organization,
170:286–300, 2020.

Chul Hyun Park et Koomin Kim : E-government as an anti-corruption tool : Panel

data analysis across countries. International Review of Administrative Sciences,
86(4):691–707, 2020.

Wilson Prichard : Reassessing tax and development research : a new dataset, new
findings, and lessons for research. World Development, 80:48–60, 2016.

Victor R Prybutok, Xiaoni Zhang et Sherry D Ryan : Evaluating leadership, it

quality, and net benefits in an e-government environment. Information & Mana-
gement, 45(3):143–152, 2008.

Frank P Ramsey : A contribution to the theory of taxation. The economic journal,

37(145):47–61, 1927.

Fabrizio Santoro : To file or not to file ? another dimension of tax compliance-the

eswatini taxpayers’ survey. Journal of Behavioral and Experimental Economics,
95:101760, 2021.

Friedrich Schneider et Dominik H Enste : Shadow economies : Size, causes, and

consequences. Journal of economic literature, 38(1):77–114, 2000.

Dong Chul Shim et Tae Ho Eom : E-government and anti-corruption : Empirical

analysis of international data. Intl Journal of Public Administration, 31(3):298–
316, 2008.

Yan Song et Yves Zenou : Property tax and urban sprawl : Theory and implications
for us cities. Journal of urban economics, 60(3):519–534, 2006.

Shirish C Srivastava et Thompson SH Teo : E-government payoffs : Evidence

from cross-country data. Journal of Global Information Management (JGIM), 15
(4):20–40, 2007.

32
Shirish C Srivastava et Thompson SH Teo : E-government, e-business, and na-
tional economic performance. Communications of the association for information
systems, 26(1):14, 2010.

James Stock et Motohiro Yogo : Asymptotic distributions of instrumental va-

riables statistics with many instruments. Identification and inference for econo-
metric models : Essays in honor of Thomas Rothenberg, 6:109–120, 2005.

Arvind Subramanian et Shang-Jin Wei : The wto promotes trade, strongly but
unevenly. Journal of international Economics, 72(1):151–175, 2007.

UNU-WIDER : Government revenue dataset (grd), 2023.

Ali Uyar, Khalil Nimer, Cemil Kuzey, Muhammad Shahbaz et Friedrich

Schneider : Can e-government initiatives alleviate tax evasion ? the modera-
tion effect of ict. Technological Forecasting and Social Change, 166:120597, 2021.

Darrell M West : E-government and the transformation of service delivery and

citizen attitudes. Public administration review, 64(1):15–27, 2004.

33
 Annexes

Table A-1 – Estimation de l’effet du secteur informel et son interaction avec le

gouvernement numérique sur les impôts totaux par la méthode GMM

Pays en développement Pays d’ASS

VARIABLES (1) (2) (3) (4)
L.Impôt total 0.481*** 0.482*** 0.528*** 0.524***
(0.166) (0.162) (0.072) (0.066)
Gouvernement numérique 0.038** -0.097 0.036** -0.004
(0.017) (0.062) (0.018) (0.095)
Secteur informel 0.044 -0.126 -0.008 -0.037
(0.027) (0.079) (0.037) (0.094)
Gouvernement numérique * Secteur informel 0.352** 0.104
(0.171) (0.256)
Ouverture commerciale 0.013 0.014 0.006 0.007
(0.011) (0.011) (0.016) (0.015)
Développement financier 0.018 0.019 0.044*** 0.044***
(0.012) (0.012) (0.015) (0.012)
Inflation 0.016 0.012 -0.015 -0.015
(0.019) (0.017) (0.026) (0.027)
Investissement national -0.003 -0.012 0.040 0.035
(0.025) (0.027) (0.026) (0.028)
Termes de l’échange -0.017** -0.016** -0.009 -0.009
(0.008) (0.008) (0.008) (0.008)
Qualité institutionnelle 0.659** 0.651** 0.434* 0.399
(0.269) (0.262) (0.258) (0.266)
AR(1) P-Value 0.014 0.015 0.038 0.037
AR(2) P-Value 0.431 0.419 0.351 0.353
Nombre d’instruments 22 23 24 25
Test de Hansen P-Value 0.126 0.180 0.264 0.246
Observations 689 689 250 250
Nombre d’id 95 95 35 35

34
Table A-2 – Estimation de l’effet du secteur informel et son interaction avec le
gouvernement numérique sur les impôts indirects par la méthode GMM

Pays en développement Pays d’ASS

VARIABLES (1) (2) (3) (4)
L.Impôts indirects 0.461*** 0.454*** 0.221*** 0.208***
(0.058) (0.058) (0.036) (0.038)
Administration numérique 0.028** -0.001 0.016 -0.052
(0.013) (0.032) (0.021) (0.070)
Secteur informel 0.005 -0.031 -0.002 -0.061
(0.016) (0.038) (0.034) (0.064)
Administration numérique * Secteur Informel 0.075 0.165
(0.074) (0.195)
Ouverture commerciale 0.017** 0.017** 0.047*** 0.048***
(0.007) (0.007) (0.009) (0.009)
Développement financier -0.000 0.000 0.016 0.019*
(0.007) (0.007) (0.012) (0.011)
Inflation 0.000 -0.000 -0.076*** -0.079***
(0.012) (0.012) (0.028) (0.029)
Investissement national -0.000 -0.002 -0.017 -0.021
(0.018) (0.018) (0.032) (0.034)
Termes de l’échange -0.007 -0.008 -0.023 -0.023
(0.006) (0.006) (0.016) (0.017)
Qualité institutionnelle 0.322*** 0.333*** 0.439 0.463
(0.125) (0.128) (0.318) (0.326)
AR (1) P-Value 0.107 0.108 0.172 0.175
AR (2) P-Value 0.393 0.390 0.396 0.390
Nombre d’instruments 23 24 24 25
Test de Hansen P-Value 0.201 0.223 0.253 0.231
Observations 654 654 221 221
Nombre d’id 92 92 33 33

35
Table A-3 – Estimation de l’effet du secteur informel et son interaction avec le
gouvernement numérique sur les impôts directs par la méthode GMM

Pays en développement Pays d’ASS

VARIABLES (1) (2) (3) (4)
L.Impôts directs 0.632*** 0.621*** 0.343*** 0.337***
(0.086) (0.088) (0.058) (0.065)
Administration numérique 0.012** -0.033** 0.017** -0.111*
(0.006) (0.014) (0.007) (0.061)
Secteur informel 0.008 -0.047*** -0.012 -0.097*
(0.008) (0.017) (0.018) (0.056)
Administration numérique * Secteur Informel 0.117*** 0.321*
(0.036) (0.174)
Ouverture commerciale 0.006*** 0.007*** 0.002 0.005
(0.002) (0.002) (0.005) (0.005)
Développement financier 0.002 0.002 0.038*** 0.049***
(0.004) (0.004) (0.012) (0.011)
Inflation -0.003 -0.005 0.015 0.011
(0.007) (0.007) (0.012) (0.014)
Investissement national 0.008 0.006 0.012 0.002
(0.007) (0.007) (0.008) (0.011)
Termes de l’échange -0.002 -0.002 -0.004 -0.001
(0.003) (0.003) (0.005) (0.005)
Qualité institutionnelle 0.162*** 0.175*** 0.141 0.158
(0.060) (0.055) (0.124) (0.108)
AR (1) P-Value 0.000 0.000 0.007 0.016
AR (2) P-Value 0.355 0.359 0.706 0.713
Nombre d’instruments 22 23 27 28
Test de Hansen P-Value 0.231 0.222 0.288 0.207
Observations 643 643 222 222
Nombre d’id 91 91 33 33

36
 Table A-4 – Définitions des variables et leurs sources

Variables Définition Sources

Revenu fiscal Total des revenus fiscaux et non fiscaux hors UNU-
ressources et les cotisations sociales (% PIB). WIDER/GRD-
2023
Impôt total Total des impôts hors ressources et les coti- UNU-
sations sociales (% PIB). WIDER/GRD-
2023
Impôt direct Total des impôts directs hors ressources et UNU-
les cotisations sociales (% PIB). WIDER/GRD-
2023
Impôt indirect Total des impôts indirects hors ressources (% UNU-
PIB). WIDER/GRD-
2023
Impôt sur le RPP Total des impôts sur le revenu des personnes UNU-
physiques (% PIB). WIDER/GRD-
2023
Impôt sur les biens et Total des impôts sur les biens et services (% UNU-
services PIB). WIDER/GRD-
2023
Gouvernement numé- Mesure la manière dont les gouvernements UN E-
rique utilisent les nouvelles technologies de l’infor- Government
mation pour promouvoir l’accès et l’inclusion Survey, 2022
de sa population (échelle de 0 à 1).
Ouverture commer- Le degré d’ouverture du pays est la somme WDI
ciale des exportations et des importations du pays
(% PIB).
Inflation La variation de l’indice des prix à la consom- WDI
mation.
Taux d’urbanisation Proportion des personnes vivant dans les WDI
zones urbaines.
Qualité institution- Construit à l’aide de l’analyse en compo- WGI
nelle santes principales des six dimensions de la
bonne gouvernance.
Investissements La formation brute du capital (% PIB). WDI
Termes de l’échange Le ratio entre les prix des exportations et des WDI
importations.
Développement finan- Le crédit intérieur accordé au secteur privé WDI
cier (% PIB).

37
Table A-5 – Statistiques descriptive pour l’ensemble des pays en développement

Variable Obs Mean Std. Dev. Min Max

Recettes publiques 1338 20.619 9.005 1.983 80.791
Impôt total 1315 14.726 6.715 0.541 54.021
Impôts directs 1209 5.115 2.909 0.054 20.027
Impôts indirects 1263 10.441 5.000 0.422 41.938
Impôts sur RPP 968 2.362 1.828 0.003 13.380
Impôts sur les B&S 1281 7.628 4.216 0.300 23.198
Gouvernement numérique 1450 43.370 16.870 5.933 90.100
Services numériques 1450 36.676 22.822 0.317 95.140
Télécommunication 1450 25.570 21.858 0.153 100.000
Capital humain 1450 67.933 18.802 4.979 99.866
Développement financier 1355 37.416 29.189 0.002 185.363
Inflation 1477 6.801 8.572 -9.616 98.224
Ouverture commerciale 1446 81.513 48.272 2.699 863.195
Taux d’urbanisation 1714 51.935 21.829 8.461 99.318
Investissement national 1381 24.707 9.024 1.042 71.267
Terme de l’échange 1517 100.540 20.262 18.698 209.190
Secteur informel 1220 37.289 10.765 11.584 68.205
Qualité institutionnelle 1481 -0.721 1.616 -4.860 4.132
Gouvernement numérique * Secteur informel 1109 14.980 6.920 2.238 44.327

Table A-6 – Statistiques descriptive pour les pays d’ASS

Variable Obs Mean Std. Dev. Min Max

Recettes publiques 478 17.888 9.597 1.983 59.829
Impôt total 436 12.573 7.175 0.846 54.021
Impôts directs 385 4.471 3.096 0.361 17.128
Impôts indirects 400 9.013 5.501 0.422 41.938
Impôts sur RPP 306 2.488 2.190 0.003 13.380
Impôts sur les B&S 409 5.409 3.056 0.300 17.588
Gouvernement numérique 461 30.232 12.301 5.933 73.570
Services numériques 461 24.467 17.565 0.317 83.330
Télécommunication 461 14.174 15.315 0.153 81.980
Capital humain 461 52.124 17.767 4.979 90.386
Développement financier 452 20.029 22.334 0.002 128.838
Inflation 470 7.557 8.699 -9.616 98.224
Ouverture commerciale 441 69.679 35.467 2.699 233.070
Taux d’urbanisation 505 40.683 16.992 8.461 90.735
Investissement national 433 22.757 9.427 1.525 71.267
Terme de l’échange 454 98.125 24.418 18.698 209.190
Secteur informel 429 40.441 7.923 20.985 63.891
Qualité institutionnelle 461 -1.418 1.441 -4.139 2.181
Gouvernement numérique * Secteur informel 388 11.261 4.293 2.238 31.235

38
 Table A-7 – Matrice de corrélation pour l’ensemble des pays en développement

Variables (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14) (15) (16) (17)
Recettes publiques 1.000
(2) Impôt total 0.681* 1.000
(0.000)
(3) Impôts directs 0.693* 0.812* 1.000
(0.000) (0.000)
(4) Impôts indirects 0.565* 0.809* 0.318* 1.000
(0.000) (0.000) (0.000)
(5) Gouvernement numérique 0.551* 0.597* 0.694* 0.278* 1.000
(0.000) (0.000) (0.000) (0.000)
(6) Services numériques 0.397* 0.437* 0.583* 0.132* 0.901* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000)
(7) Télécommunication 0.516* 0.542* 0.668* 0.225* 0.915* 0.773* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
(8) Capital humain 0.528* 0.570* 0.515* 0.395* 0.732* 0.478* 0.513* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
(9) Développement financier 0.403* 0.497* 0.524* 0.283* 0.584* 0.492* 0.556* 0.473* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
39

(10) Inflation -0.169* -0.221* -0.234* -0.168* -0.197* -0.162* -0.206* -0.134* -0.256* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
(11) Ouverture commerciale 0.284* 0.272* 0.185* 0.205* 0.232* 0.096* 0.271* 0.246* 0.125* -0.081* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.001)
(12) Taux d’urbanisation 0.497* 0.384* 0.508* 0.159* 0.646* 0.544* 0.581* 0.540* 0.384* -0.116* 0.216* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
(13) Investissement national 0.148* -0.053* -0.056* -0.007 -0.011 -0.010 -0.032 0.021 0.023 0.036 0.132* -0.014 1.000
(0.000) (0.041) (0.036) (0.784) (0.652) (0.692) (0.206) (0.411) (0.370) (0.142) (0.000) (0.558)
(14) Terme de l’échange 0.108* -0.053* 0.004 -0.038 0.039 0.053* 0.043 -0.005 0.000 0.043 0.027 0.054* 0.084* 1.000
(0.000) (0.036) (0.881) (0.137) (0.117) (0.032) (0.081) (0.843) (0.990) (0.074) (0.268) (0.019) (0.001)
(15) Secteur informel -0.489* -0.465* -0.585* -0.204* -0.584* -0.502* -0.583* -0.427* -0.497* 0.209* -0.172* -0.426* -0.151* 0.017 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.487)
(16) Qualité institutionnelle 0.548* 0.639* 0.724* 0.291* 0.739* 0.584* 0.704* 0.617* 0.586* -0.333* 0.310* 0.489* 0.004 -0.064* -0.660* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.879) (0.009) (0.000)
(17) Interaction 0.146* 0.191* 0.036 0.221* 0.410* 0.407* 0.297* 0.374* 0.095* -0.047 0.077* 0.294* -0.106* 0.082* 0.445* 0.051 1.000
(0.000) (0.000) (0.215) (0.000) (0.000) (0.000) (0.000) (0.000) (0.001) (0.082) (0.005) (0.000) (0.000) (0.002) (0.000) (0.050)
 Table A-8 – Matrice de corrélation pour les pays d’ASS

Variables (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14) (15) (16) (17)
Recettes publiques 1.000
(2) Impôt total 0.681* 1.000
(0.000)
(3) Impôts directs 0.693* 0.812* 1.000
(0.000) (0.000)
(4) Impôts indirects 0.565* 0.809* 0.318* 1.000
(0.000) (0.000) (0.000)
(5) Gouvernement numérique 0.551* 0.597* 0.694* 0.278* 1.000
(0.000) (0.000) (0.000) (0.000)
(6) Services numériques 0.397* 0.437* 0.583* 0.132* 0.901* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000)
(7) Télécommunication 0.516* 0.542* 0.668* 0.225* 0.915* 0.773* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
(8) Capital humain 0.528* 0.570* 0.515* 0.395* 0.732* 0.478* 0.513* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
(9) Développement financier 0.403* 0.497* 0.524* 0.283* 0.584* 0.492* 0.556* 0.473* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
40

(10) Inflation -0.169* -0.221* -0.234* -0.168* -0.197* -0.162* -0.206* -0.134* -0.256* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
(11) Ouverture commerciale 0.284* 0.272* 0.185* 0.205* 0.232* 0.096* 0.271* 0.246* 0.125* -0.081* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.001)
(12) Taux d’urbanisation 0.497* 0.384* 0.508* 0.159* 0.646* 0.544* 0.581* 0.540* 0.384* -0.116* 0.216* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
(13) Investissement national 0.148* -0.053* -0.056* -0.007 -0.011 -0.010 -0.032 0.021 0.023 0.036 0.132* -0.014 1.000
(0.000) (0.041) (0.036) (0.784) (0.652) (0.692) (0.206) (0.411) (0.370) (0.142) (0.000) (0.558)
(14) Terme de l’échange 0.108* -0.053* 0.004 -0.038 0.039 0.053* 0.043 -0.005 0.000 0.043 0.027 0.054* 0.084* 1.000
(0.000) (0.036) (0.881) (0.137) (0.117) (0.032) (0.081) (0.843) (0.990) (0.074) (0.268) (0.019) (0.001)
(15) Secteur informel -0.489* -0.465* -0.585* -0.204* -0.584* -0.502* -0.583* -0.427* -0.497* 0.209* -0.172* -0.426* -0.151* 0.017 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.487)
(16) Qualité institutionnelle 0.548* 0.639* 0.724* 0.291* 0.739* 0.584* 0.704* 0.617* 0.586* -0.333* 0.310* 0.489* 0.004 -0.064* -0.660* 1.000
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.879) (0.009) (0.000)
(17) Interaction 0.146* 0.191* 0.036 0.221* 0.410* 0.407* 0.297* 0.374* 0.095* -0.047 0.077* 0.294* -0.106* 0.082* 0.445* 0.051 1.000
(0.000) (0.000) (0.215) (0.000) (0.000) (0.000) (0.000) (0.000) (0.001) (0.082) (0.005) (0.000) (0.000) (0.002) (0.000) (0.050)