Que révèlent les données à haute fréquence des réseaux de paiement sur les dépenses et l’inflation à l’heure de la COVID‑19?

Introduction

La pandémie de COVID‑19 et le confinement qui y a fait suite ont transformé les habitudes de consommation des Canadiens. Par exemple, ceux-ci voyagent moins et achètent plus de produits de nettoyage et de denrées non périssables qu’avant. Or, l’indice des prix à la consommation (IPC) officiel repose sur un panier fixe de biens et de services, créé à partir des réponses de la population à l’Enquête sur les dépenses des ménages (EDM). La dernière mise à jour du panier de l’IPC remonte à janvier 2019 et a été faite à partir des données de l’EDM de 20171. Le calcul du coût d’un panier fixe au fil du temps permet de mesurer avec uniformité la variation pure des prix. Malgré un léger biais de mesure de l’IPC, la méthode du panier fixe fonctionne plutôt bien dans des conditions économiques normales2.

Des doutes ont cependant été soulevés quant à la pertinence d’avoir recours à un panier fixe de biens et de services dans un contexte où les habitudes de consommation ont changé en raison de la COVID‑19. Vu ces changements, il se peut que l’inflation mesurée par l’IPC ne reflète pas tout à fait les dépenses actuelles du consommateur moyen au pays. Des données probantes indiquent un écart possible entre la perception qu’ont les Canadiens de l’inflation et sa mesure officielle : en effet, selon l’Enquête sur les attentes des consommateurs au Canada, les attentes d’inflation des consommateurs à l’horizon d’un an ont légèrement augmenté au deuxième trimestre de 2020, malgré une baisse marquée du taux d’inflation officiel3^, 4.

S’intéressant à cet écart potentiel entre la perception des Canadiens et le taux d’inflation officiel, la Banque du Canada a fait équipe avec Statistique Canada pour élaborer un IPC ajusté qui serait plus représentatif des achats typiques des consommateurs pendant la pandémie de COVID‑19 (c’est-à-dire fondé sur les prix d’un panier en temps réel plutôt que d’un panier fixe). Pour mettre au point notre indice, nous combinons des données agrégées et anonymisées sur les achats par carte de crédit des consommateurs, des résultats de l’enquête mensuelle de Statistique Canada sur le commerce de détail et des données de transactions venant d’épiceries canadiennes. Ensuite, nous utilisons ces données pour tracer l’évolution de la répartition (pondération) des dépenses de consommation consacrées à des biens et services faisant partie du panier de l’IPC. Nous présentons notre processus à la figure 1.

Figure 1 : Mise au point de l’IPC ajusté

Nous organisons le reste de la présente note comme suit. La section 1 décrit les données sur les paiements par carte, appelées données à haute fréquence des réseaux de paiement (les « données à haute fréquence »), recueillies auprès de grands fournisseurs canadiens de cartes de paiement. La section 2 explique la méthode employée pour calculer, à partir de ces données, les données d’entrée de l’IPC ajusté. La section 3 traite de l’évolution implicite des proportions de dépenses et des pondérations de l’IPC. La section 4 présente les résultats de la mesure de l’IPC ajusté selon les données précitées, ainsi que les implications pour l’inflation mesurée par l’IPC. Enfin, la section 5 donne quelques conclusions.

1. Données à haute fréquence des réseaux de paiement

Les agences statistiques nationales ont besoin de résultats de sondage et d’autres données à jour sur le volume et la composition des dépenses de consommation. Les événements extrêmes, qui peuvent engendrer des chocs imprévisibles et importants, montrent qu’il faut des données récentes. Si Diewert et Fox (2020) préconisent comme solution de sonder continuellement les consommateurs, le Fonds monétaire international (2020) souligne qu’une fois les données recueillies, la mise à jour des pondérations peut prendre jusqu’à un an. Le recours à d’autres sources de données pourrait donc être une option plus viable. Galbraith et Tkacz (2013) suggèrent d’utiliser les données sur les transactions par carte de débit pour étudier les effets des événements extrêmes sur les dépenses de consommation totales. Pour mettre en lumière l’incidence des perturbations des paiements sur l’économie réelle, ils se penchent sur ce qui s’est produit au Canada après deux événements extrêmes, à savoir les attentats terroristes du 11 septembre 2001 et l’épidémie de SRAS de 2002. De même, les données à haute fréquence sur les achats par carte de débit peuvent être utiles pour suivre les effets de la COVID‑19 sur le niveau de dépense des ménages. Par ailleurs, selon le secteur d’activité, la pandémie a eu une influence positive ou négative plus ou moins forte sur les dépenses par carte de crédit ou de débit5. Des données à haute fréquence sur chaque catégorie de dépenses pourraient par conséquent aider à déterminer la répartition des dépenses de consommation sur laquelle repose l’IPC6. La viabilité de cette option a été démontrée par Cavallo (2020), qui utilise les données sur les transactions par carte de débit ou de crédit pour estimer l’incidence de la COVID‑19 sur l’IPC américain.

La Banque a accès aux ensembles de données à haute fréquence des fournisseurs de services de paiement. Ces ensembles contiennent des statistiques hebdomadaires sur la valeur des transactions traitées au Canada, à savoir près des deux tiers de la valeur des achats par carte de paiement faits au Canada. En 2019, les sommes en question s’élevaient à environ 600 milliards de dollars. Les données sont accessibles sous forme agrégée ou par type de commerçant7.

2. Mise en correspondance avec les composantes de l’IPC

Les défis

Lorsque nous mettons les données à haute fréquence en correspondance avec les catégories de dépenses que représentent les composantes de l’IPC, quatre considérations pratiques se posent. Premièrement, les segments de marché et les catégories de commerçants utilisés par les fournisseurs de services de paiement ne correspondent pas parfaitement aux composantes de l’IPC. Deuxièmement, les ensembles de données ne rendent pas compte de certains modes de paiement – l’argent comptant, les chèques et les virements bancaires par exemple –, qui jouent pourtant un rôle important dans certaines catégories de dépenses comme les loyers, les services publics et les achats d’automobiles. Troisièmement, si les données à haute fréquence font état de transactions effectuées dans tous les grands réseaux de paiement par carte, elles ne dressent peut-être pas un portrait exhaustif de tous les secteurs d’activité et les profils démographiques de consommateurs. En effet, l’analyse de données sur les consommateurs effectuée par Henry, Huynh et Welte (2018) et celle de données sur les détaillants menée par Kosse et al. (2017) montrent que le taux d’adoption des réseaux de paiement par carte varie d’un groupe de consommateurs et d’un secteur d’activité à l’autre. Quatrièmement, une croissance dans l’utilisation des paiements par carte ne traduit pas nécessairement une augmentation des dépenses, et certains réseaux connaissent un essor plus rapide que d’autres. Ces considérations sont atténuées par des précautions méthodologiques, mais elles indiquent qu’il y aurait lieu de recueillir des données complémentaires et de mener d’autres recherches pour le calcul des pondérations8.

La solution proposée

Disposant de données à haute fréquence par type de commerçant, nous pouvons mettre ces données en correspondance avec les composantes de l’IPC en fonction de la principale catégorie de produits que vend chaque type de commerçant. Puisque la plupart vendent un groupe de produits, les données à haute fréquence facilitent la mise en correspondance avec les grands groupes de sous-catégories comme les aliments achetés en magasin, mais ne permettent pas d’arriver à une ventilation précise des produits de base tels que le pain ou les céréales.

Le panier de l’IPC se compose de huit grandes catégories (voir Mitchell, 2019). De celles-ci, nous excluons le logement, mal représenté dans les données à haute fréquence9. Les autres catégories sont : aliments; dépenses courantes, ameublement et équipement du ménage; vêtements et chaussures; transports; soins de santé et soins personnels; loisirs, formation et lecture; boissons alcoolisées, produits du tabac et cannabis récréatif.

Certaines de ces grandes catégories se décomposent en catégories intermédiaires. Par exemple, les aliments comprennent les produits alimentaires achetés en magasin et les repas servis dans les restaurants. Les achats de véhicules automobiles sont inclus dans les transports; cependant, comme ces transactions de détail se font fréquemment par chèque ou par financement, pour mettre les pondérations en correspondance avec les éléments de cette composante de l’IPC, il faut d’autres sources de données10.

Nous avons regroupé les catégories et sous-catégories selon le type d’entreprise vendant les produits ou services en question. Par exemple, les aliments achetés au restaurant se retrouvent avec les boissons alcoolisées achetées au restaurant.

La solution que nous proposons remédie à la première considération précitée en mettant les composantes de l’IPC en correspondance avec les types de commerçants dans les données à haute fréquence. Elle tient aussi compte de la deuxième en excluant les catégories où la plupart des transactions se font probablement sans carte de paiement (p. ex. logement; achat et location à bail de véhicules automobiles); les autres sources de données pour ces catégories sont décrites plus loin. D’autres études sont prévues afin de connaître l’incidence de la COVID‑19 sur l’évolution potentielle de la composition des autres modes de paiement, et plus particulièrement l’argent comptant, et de comprendre le rôle de l’hétérogénéité des choix de mode de paiement selon le profil démographique, la catégorie de produit et le secteur d’activité11.

La portée des données à haute fréquence et autres sources de données

Nous calculons les pondérations finales des données à haute fréquence pour 64 % du panier de l’IPC. La somme des pondérations finales des données à haute fréquence pour la période de janvier à mai 2020 est égale au poids total, à 1 % près, de la somme des pondérations originales du panier de l’IPC (64 %). Pour janvier et février 2020, les pondérations des données à haute fréquence pour les différentes composantes ressemblent aux pondérations actuelles du panier.

Afin de mettre en correspondance les 36 % restants du panier de l’IPC et de surmonter les quatre défis décrits plus haut, nous utilisons des sources de données complémentaires aux données à haute fréquence pour calculer les pondérations en temps réel, dont les résultats de l’enquête mensuelle de Statistique Canada sur le commerce de détail, des données de transaction venant d’épiceries canadiennes et des contributions d’experts de Statistique Canada.

Estimation des pondérations de l’IPC ajusté

Nous calculons la variation relative des pondérations de l’IPC ajusté en fonction de l’évolution relative des données à haute fréquence. Par exemple, le poids d’une dépense de la composante x de l’IPC ajusté serait multiplié par deux si la proportion dans les données à haute fréquence venait à doubler. Pour neutraliser l’effet de la saisonnalité, nous nous concentrons sur la variation des valeurs sur un an.

Le poids d’une composante \(x_{t}\) du panier de l’IPC de 2019 est exprimé par \(w_{t}\). Nous notons \(g_{t}\) la proportion de la composante x dans les données à haute fréquence et mesurons le temps en mois.

À l’étape 1 de notre procédure, les proportions des dépenses selon les autres données (ci-après les « pondérations des données à haute fréquence ») pour les catégories de produits de l’IPC sont exprimées par \(\hat{w}_{t+12}\) \(=\,\frac{g_{t+12}}{g_{t}}\) \(w_{t}\), ce qui ancre les pondérations des données à haute fréquence à celles du panier de l’IPC de 2019. Cette estimation faite, l’augmentation relative de la proportion d’une dépense selon les autres données pour les catégories de produits de l’IPC concorde avec l’augmentation relative de la proportion dans les données des fournisseurs de services de paiement12. Pour estimer la variation globale des dépenses, il s’agit d’ajuster les pondérations du panier à l’évolution des dépenses révélée par les données à haute fréquence, puis de faire la somme des pondérations ajustées.

Pour l’étape 2, Statistique Canada a besoin de valeurs en dollars comme données d’entrée. En combinant la valeur totale \(PQ_{t}\) du panier mis en correspondance à un moment \(t\)13 avec les pondérations des données à haute fréquence \(\hat{w}_{t+12}\) et la variation globale estimée des dépenses, nous obtenons les valeurs estimées \(PQ_{t+12}^{x}\) pour chacune des composantes mises en correspondance14.

3. Changements estimés dans les habitudes de consommation

Les données à haute fréquence révèlent une forte contraction des dépenses de mars à mai 2020 par rapport à la même période en 2019 : pour la composante mise en correspondance, les dépenses ont globalement baissé de 12 % en mars, de 31 % en avril et de 14 % en mai. Dans un contexte de redémarrage de l’économie, les données à haute fréquence peuvent aussi servir à suivre la reprise des dépenses, en général et par segment de marché.

Tracés à partir de données hebdomadaires de janvier à mai 2020, le graphique 1 et le graphique 2 montrent que d’après la méthode proposée, les pondérations ajustées (\(\hat{w}_{t}\)) des aliments, des produits de santé et de soins personnels, de l’essence et des vêtements sont proches des pondérations du panier fixe de l’IPC avant la COVID‑19. Cette stabilité s’observe aussi dans d’autres catégories de dépenses, mais des changements brusques surviennent dans plusieurs catégories de dépenses après le début de la pandémie15. Nous remarquons une hausse de la proportion du panier occupée par les aliments achetés en magasin et les produits de santé et de soins personnels, et une baisse de la proportion correspondant aux aliments achetés au restaurant, aux vêtements et aux chaussures, ainsi qu’à l’essence.

Graphique 1 : La pondération des données à haute fréquence pour certaines composantes de l’IPC a augmenté

Nota : Le sigle IPC désigne l’indice des prix à la consommation.
Sources : Statistique Canada (tableau 18-10-0007-01) et calculs de la Banque du Canada Dernière observation : 26 juillet 2020

Graphique 2 : La pondération des données à haute fréquence pour d'autres composantes de l'IPC a diminué

Nota : Le sigle IPC désigne l’indice des prix à la consommation.
Sources : Statistique Canada (tableau 18-10-0007-01) et calculs de la Banque du Canada Dernière observation : 26 juillet 2020

4. L’IPC ajusté suggère un taux d’inflation légèrement supérieur

Au moyen des pondérations ajustées à l’échelle nationale présentées dans le tableau 1, Statistique Canada a compilé l’IPC ajusté en calculant un indice de Laspeyres en chaîne16. Cet IPC ajusté révèle une pression à la baisse un peu moins forte que l’IPC officiel durant les premiers mois de la pandémie. La croissance sur un an de l’IPC ajusté a été d’environ 1,0 % en mars, 0,0 % en avril et -0,1 % en mai, contre 0,9 %, -0,2 % et -0,4 % pour l’IPC officiel (graphique 3), car le poids de composantes affichant une plus forte inflation (p. ex., aliments achetés en magasin) a augmenté, tandis que celui de composantes affichant une plus faible inflation (p. ex., transports) a diminué.

Tableau 1 : Pondération des composantes de l’IPC selon les données à haute fréquence

En pourcentage

Nota : La mesure ajustée est obtenue en calculant un indice de Laspeyres en chaîne et en utilisant comme données d’entrée les pondérations du mois précédent. Par exemple, l’indice ajusté de mai 2020 se fonde sur les pondérations en temps réel d’avril 2020. Pour consulter la version de Statistique Canada, voir Mitchell et al. (2020).

Graphique 3 : L’IPC ajusté suggère un taux d’inflation légèrement supérieur

Nota : Le sigle IPC désigne l’indice des prix à la consommation.
Sources : Statistique Canada et calculs de la Banque du Canada Dernière observation : mai 2020

Puisque la Banque se sert de l’inflation mesurée par l’IPC global comme cible dans son cadre de conduite de la politique monétaire, ces résultats aident à mieux cerner les risques de mesure qui entourent cette cible17. Cependant, même si l’on tient compte des changements dans les habitudes de consommation observés durant la pandémie, de toute évidence, le choc de la COVID‑19 a à court terme un effet désinflationniste : les consommateurs dépensent davantage dans les composantes au taux d’inflation relativement plus élevé, mais les baisses de prix du côté des composantes dont la demande diminue, comme les transports, viennent plus que compenser la pression à la hausse sur les prix d’autres composantes telles que les aliments achetés en magasin).

5. Conclusion

Nos résultats donnent à penser que jusqu’ici en 2020, le taux d’inflation ajusté en fonction de l’évolution des habitudes de consommation durant la pandémie ne dépasse que légèrement l’inflation mesurée par l’IPC officiel. De toute évidence, le choc de la COVID‑19 a à court terme un effet déflationniste, même si l’on tient compte des changements dans les habitudes de consommation. Statistique Canada et la Banque continueront d’actualiser le nouvel indice pour calculer l’inflation mesurée par l’IPC ajusté durant la reprise. L’écart entre les deux mesures de l’inflation pourrait se résorber si les habitudes de consommation revenaient à ce qu’elles étaient avant la pandémie.

Notes

Bibliographie

1. Cavallo, A. (2020). Inflation with Covid Consumption Baskets, document de travail n^o 27352, National Bureau of Economic Research.
2. Chen, H., W. Engert, K. Huynh, G. Nicholls, M. Nicholson et J. Zhu (2020). Argent comptant et COVID‑19 : l’effet de la pandémie sur la demande et l’utilisation des espèces, document d’analyse du personnel n^o 2020-6, Banque du Canada.
3. Diewert, W. E. et K. J. Fox (2020). Measuring Real Consumption and CPI Bias under Lockdown Conditions, document de travail n^o 27144, National Bureau of Economic Research.
4. Galbraith, J. et G. Tkacz. (2013). « Analyzing Economic Effects of September 11 and Other Extreme Events Using Debit and Payments System Data », Analyse de politiques, vol. 39, n^o 1, p. 119-134.
5. Henry, C., K. Huynh et A. Welte (2018). Rapport de l’enquête de 2017 sur les modes de paiement, document d’analyse du personnel n^o 2018-17, Banque du Canada.
6. Fonds monétaire international (2020). Consumer Price Index Manual: Concepts and Methods (version provisoire), Groupe de travail intersecrétariats sur les statistiques des prix.
7. Jaravel, X. et M. O’Connell (2020). Inflation Spike and Falling Product Variety During the Great Lockdown, Centre for Economic Policy Research, coll. « CEPR Discussion Papers », n^o DP14880.
8. Kaplan, G. et S. Schulhofer-Wohl (2017). « Inflation at the Household Level », Journal of Monetary Economics, vol. 91, p. 19-38.
9. Kosse, A., H. Chen, M.-H. Felt, V. Dongmo Jiongo, K. Nield et A. Welte (2017). The Costs of Point-of-Sale Payments in Canada, document d’analyse du personnel n^o 2017-4, Banque du Canada.
10. Kryvtsov, O. (2016). « Is There a Quality Bias in the Canadian CPI? Evidence from Microdata » Revue canadienne d’économique, vol. 49, n^o 4, p. 1401-1424.
11. Sabourin, P. (2012). « Les biais de mesure inhérents à l’indice des prix à la consommation canadien : une mise à jour », Revue de la Banque du Canada, été, p. 1-12.
12. Statistique Canada (2019). Le document de référence de l’Indice des prix à la consommation canadien.
13. Mitchell, T. (2019). Une analyse de la mise à jour du panier de l'Indice des prix à la consommation de 2019, sur la base des dépenses de 2017.
14. Mitchell, T., G. O’Donnell, R. Taves, Z. Weselake-George et A. Xu (2020). Dépenses de consommation pendant COVID-19 : une analyse exploratoire des effets de l’évolution des modes de consommation sur les indices des prix à la consommation, Statistique Canada.

Remerciements

Nous remercions Russell Barnett, Erik Ens, Marc-André Gosselin et Oleksiy Kryvtsov pour leurs commentaires utiles. Nous tenons aussi à souligner l’apport de nos collaborateurs de la Division des prix à la consommation de Statistique Canada. Toute notre reconnaissance également à Michele Sura et à ses collègues des Services relatifs au savoir et à l’information, Scott Jones, Alison Layng, Olga Mkhitarova et Katherine Shrives, pour leur aide dans l’acquisition et la conservation des données. Enfin, nous remercions Carole Hubbard et Meredith Fraser-Ohman de leur aide à la rédaction de la version anglaise, ainsi que Vivian Chu, April Dang et Ceciline Steyn de leur assistance technique.