La concurrence au Canada de 2000 à 2020 : Une économie à la croisée des chemins

Le 19 octobre 2023

• Droit d’auteur et autorisation de reproduction

  La présente publication n’est pas un document juridique. Elle a pour but de fournir de l’information générale et est offerte à titre gracieux. Pour en savoir davantage, prière de consulter le texte intégral des Lois ou de communiquer avec le Bureau de la concurrence.

  Pour obtenir des renseignements sur les activités du Bureau de la concurrence, veuillez vous adresser au :

  Centre des renseignements
  Bureau de la concurrence
  50, rue Victoria
  Gatineau (Québec)  K1A 0C9

  Téléphone : 819-997-4282
  Sans frais au Canada : 1-800-348-5358
  ATS (malentendants) : 1-866-694-8389
  Télécopieur : 819‑997‑0324
  Site Web : www.bureaudelaconcurrence.gc.ca

  La présente publication peut être fournie dans différents formats, sur demande. Veuillez communiquer avec le Centre des renseignements du Bureau de la concurrence aux numéros indiqués ci-dessus.

  Autorisation de reproduction

  À moins d’indication contraire, l’information contenue dans cette publication peut être reproduite, en tout ou en partie et par quelque moyen que ce soit, sans frais et sans autre permission du Bureau de la concurrence, pourvu qu’une diligence raisonnable soit exercée afin d’assurer l’exactitude de l’information reproduite, que le Bureau de la concurrence soit mentionné comme organisme source et que la reproduction ne soit présentée ni comme une version officielle ni comme une copie ayant été faite en collaboration avec le Bureau de la concurrence ou avec son consentement.

  Pour obtenir l’autorisation de reproduire l’information contenue dans cette publication à des fins commerciales, veuillez demander l’affranchissement du droit d’auteur de la Couronne ou communiquer avec le Centre de services aux citoyens d’ISDE à l'adresse indiquée ci-dessous.

  Centre de services aux citoyens d’ISDE
  Innovation, Sciences et Développement économique Canada
  Édifice C.D. Howe
  235, rue Queen
  Ottawa (Ontario) K1A 0H5
  Canada

  Téléphone (sans frais au Canada) : 1-800-328-6189
  Téléphone (international) : 613-954-5031
  ATS (malentendants) : 1-866-694-8389
  Heures de bureau : De 8 h 30 à 17 h (heure de l’Est)
  Courriel : ISED@ised-isde.gc.ca

  © Sa Majesté le Roi du chef du Canada, représenté par le ministre de l’Industrie (2023).

  Date : 2023-10-19

  N.B. Dans cette publication, la forme masculine désigne tant les femmes que les hommes. N.B. Les liens contenus dans cette publication pourraient ne pas être disponibles en français. Le cas échéant, ils sont présentés dans leur langue d’origine.

  Also available in English under the title Competition in Canada from 2000 to 2020: An Economy at a Crossroads.

Table des matières

Sommaire

Le rôle du Bureau de la concurrence est de protéger la concurrence et d’en faire la promotion au bénéfice des consommateurs et des entreprises du Canada. La concurrence stimule la croissance économique. Elle encourage les entreprises à innover et à devenir plus productives. Elle bénéficie aux consommateurs puisqu’elle réduit les prix, augmente les choix et améliore la qualité.

Lorsque les entreprises mènent leurs activités dans un marché concurrentiel sain, les consommateurs ont la possibilité de choisir la meilleure option qui répond à leurs besoins et à leur budget. Une concurrence équitable signifie que les entreprises doivent proposer des arguments de poids aux consommateurs pour les convaincre que leurs produits ou services sont le meilleur choix. Cela mène à plus de produits et services, de plus grande qualité, qui répondent à l’éventail diversifié de goûts des consommateurs.

En tant qu’organisme d’application des lois régissant la concurrence du Canada, le Bureau a recueilli de vastes connaissances au sujet des dynamiques de la concurrence dans des secteurs et des marchés importants. Cependant, l’objet de ce projet de recherche n’est pas d’étudier un secteur ou un marché en particulier. Plutôt, nous voulons obtenir une perspective généralisée de la concurrence dans l’économie dans son ensemble.

Dans ce rapport, nous présentons les conclusions de cette recherche. Notre objectif était d’examiner ce qui suit :

• l’état général de la concurrence dans l’ensemble de l’économie canadienne;
• la façon dont la concurrence au Canada a évolué de 2000 à 2020.

Méthode de collecte de nos renseignements

Afin de comprendre la façon dont l’état de la concurrence a changé, nous avons utilisé des données sur les entreprises canadiennes afin de calculer plusieurs indicateurs qui sont souvent utilisés pour mesurer la concurrence. Ces indicateurs, ou mesures, nous aident à comprendre la structure des industries dans lesquelles les sociétés se font concurrence et la performance de ces sociétés subséquemment à la concurrence.

Les récentes études sur l’évolution de la concurrence se sont en grande partie concentrées sur d’autres pays. Les études au Canada se sont principalement concentrées sur des industries particulières ou sur un groupe plus petit de sociétés. Notre projet a utilisé des données de Statistique Canada pour suivre toutes les sociétés qui produisent une déclaration d’impôt au Canada. Ces données nous ont donné une vue plus exhaustive de la façon dont la concurrence au Canada a évolué de 2000 à 2020.

Le Bureau a mené ce projet de recherche avec l’aide de Matthew Osborne, Ph. D., de l’Université de Toronto et de son équipe d’adjoints de recherche.

Ce que nous avons appris

Nous avons constaté que l’intensité concurrentielle du Canada a diminué de 2000 à 2020. L’intensité concurrentielle décrit à quel point les entreprises estiment qu’elles doivent travailler pour acquérir à un avantage par rapport à leurs rivaux. Le résultat est que les consommateurs et les entreprises ont moins bénéficié des avantages associés à une de plus grande concurrence.

Les indicateurs que nous avons mesurés nous ont donné des raisons d’être préoccupés par la façon dont la concurrence a évolué entre 2000 et 2020. Voici certaines de nos constatations clés :

1. Le taux de concentration a augmenté dans les industries les plus concentrées

La concentration est une façon répandue de mesurer la concurrence. Cela nous indique la taille relative des sociétés dans une industrie. Une industrie est fortement concentrée lorsque quelques grandes sociétés gagnent une grande part des revenus comparativement aux plus petites sociétés

Nous étions particulièrement intéressés par l’étude des industries où la concentration est déjà élevée. Nous avons constaté que les industries les plus concentrées ont vu une augmentation de leur concentration.

Nous avons également constaté que le nombre d’industries qui sont hautement concentrées a également augmenté.

2. Les grandes sociétés font de moins en moins face à de la concurrence

La concentration ne nous indique pas si les plus grandes sociétés d’une industrie demeurent les mêmes avec le temps. Pour mesurer cela, nous devons nous pencher sur la stabilité du classement. La stabilité du classement compte le nombre des dix plus grandes sociétés dans une industrie qui ont conservé leur position au fil du temps.

Nous avons constaté que la stabilité du classement a augmenté avec le temps. Cela signifie qu’il est moins probable que les grandes sociétés soient confrontées à de la concurrence qui menace leur position.

3. Moins de sociétés sont entrées dans les industries

Une industrie est dynamique lorsque de nouvelles sociétés peuvent y entrer et faire concurrence aux sociétés existantes. Lorsque de nouvelles sociétés peuvent entrer dans une industrie, cela encourage les sociétés existantes à faire ce qui suit :

• innover;
• réduire leurs prix;
• adapter leurs offres aux demandes de leurs clients;
• offrir des produits de meilleure qualité.

Si les sociétés existantes choisissent de ne pas faire ce type de changements, les clients peuvent se tourner vers de nouveaux fournisseurs qui offrent ces plus grands avantages. Ce dynamisme est au cœur du processus concurrentiel. Cela permet de s’assurer que le marché récompense les sociétés qui offrent la meilleure valeur.

Par conséquent, connaître le nombre de nouvelles sociétés qui sont entrées dans une industrie nous donne une idée de l’étendue de la menace pour les sociétés existantes. En général, nous avons constaté que moins de sociétés sont entrées dans les industries. Cela signifie que ces industries sont devenues moins dynamiques avec le temps.

4. Augmentation des profits et des marges

Lorsque les sociétés doivent livrer une concurrence agressive contre leurs rivaux, elles font face à des pressions pour maintenir leurs prix faibles. Elles ne devraient donc pas obtenir des profits ou des marges beaucoup plus élevés. Nous avons étudié l’évolution des profits et des marges pour comprendre la façon dont la concurrence a changé parmi les rivaux.

Nous avons constaté que les profits et les marges des sociétés ont augmenté en général. Nous avons également constaté que ces augmentations étaient en général plus élevées pour les sociétés qui avaient déjà des marges et des profits élevés. L’augmentation des profits et des marges peut être un autre facteur qui démontre que l’intensité concurrentielle au Canada diminue.

Nous interprétons nos constatations avec prudence

Notre analyse est limitée dans certains secteurs, donc nous interprétons nos constatations avec une certaine prudence. Notre étude des indicateurs de concurrence utilisait des données qui sont organisées par activité commerciale au moyen du Système de classification des industries de l’Amérique du Nord (SCIAN). Ces industries du SCIAN ne correspondent pas aux pratiques habituelles d’analyse et d’application de la loi en matière de concurrence. Pour tenir compte de ce facteur, nous nous appuyons sur les pratiques exemplaires pour calculer et interpréter nos indicateurs de concurrence.

Ce que nous avons conclu

Nos constatations mettent en évidence la raison pour laquelle il est important de vigoureusement protéger et promouvoir la concurrence au Canada. Elles fournissent un contexte important pour notre travail au Bureau de la concurrence et aident à éclairer la discussion plus générale concernant le rendement du Canada en matière de productivité et d’économie. Elles démontrent à quel point il est essentiel de moderniser les lois régissant la concurrence au Canada pour répondre aux réalités de l’économie d’aujourd’hui. Elles soulignent également la raison pour laquelle il est important de mettre en œuvre des politiques publiques favorables à la concurrence, qui ne soustraient pas les industries à une concurrence saine.

Ce rapport contribue également à la conversation élargie sur la façon de mesurer et d’améliorer de façon appropriée l’intensité concurrentielle au Canada. Nous espérons que notre analyse des données couvrant l’ensemble de l’économie peut nous aider à faire progresser ce domaine de recherche et la compréhension des facteurs qui influencent l’intensité concurrentielle. Nous sommes impatients de voir comment la recherche progressera, particulièrement dans le contexte canadien, au fur et à mesure que ce domaine continuera de se développer.

La concurrence au Canada de 2000 à 2020 : Une économie à la croisée des chemins

Qui sommes-nous?

Au cours de nos enquêtes liées à l’application de la loi, nous recueillons souvent des renseignements très détaillés de différentes sources. Ces renseignements nous permettent de déterminer la façon dont la concurrence fonctionne dans un secteur ou marché étroitement défini. Cependant, nous sommes limités aux renseignements propres aux secteurs de préoccupation visés par l’enquête. Cela se limite en général à des lieux particuliers, des périodes particulières ou des sociétés et des clients particuliers. De plus, cela comprend souvent des renseignements confidentiels que nous pouvons utiliser seulement pour l’application de nos lois^{Note de bas de page 1}.

Pourquoi ce projet est-il nécessaire?

Les renseignements que nous recueillons dans le cadre de nos enquêtes ne fournissent pas une perspective élargie de l’évolution de la concurrence au Canada au fil du temps. Notre but avec ce projet est de combler cette lacune et d’acquérir cette compréhension élargie.

Nous avons utilisé des données couvrant la plupart des activités économiques au Canada pour produire des indicateurs de concurrence pour l’économie dans son ensemble entre 2000 et 2020. Ce projet de recherche est nouveau pour nous au Bureau. Ce que nous avons appris ici n’est pas destiné à motiver les activités d’application de la loi dans le cadre de la Loi sur la concurrence. L’intention n’était pas non plus de se concentrer sur un quelconque secteur ou une quelconque industrie en particulier. Ce que nous avons appris contribuera à la discussion continue sur les questions suivantes :

• Quel est l’état de la concurrence et de la productivité au Canada?
• Comment nos lois et politiques en matière de concurrence doivent-elles évoluer face aux circonstances changeantes?

Notre recherche fournit des perspectives nouvelles et plus détaillées propres au Canada. Certaines entités internationales ont entrepris une recherche semblable. Par exemple, en 2020, l’autorité de la concurrence du Royaume Uni (la United Kingdom Competition and Markets Authority [UK CMA]) a étudié l’état de la concurrence dans l’économie du Royaume-Uni. Elle a mis à jour ce rapport en 2022^{Note de bas de page 2}. En 2016, le ministère du Commerce de la Nouvelle-Zélande (le New Zealand Ministry of Business, Innovation and Employment [NZ MBIE]) a publié une étude sur la façon dont l’élasticité des profits a changé avec le temps dans diverses industries^{Note de bas de page 3}. Avec des données de certains pays membres, l’Organisation de coopération et de développement économiques (OCDE) a également publié des directives sur la façon de mesurer la concurrence du marché^{Note de bas de page 4}.

Pourquoi notre étude est-elle différente?

Des études universitaires ont également exploré diverses mesures de concurrence. Cependant, la vaste majorité de ces études se sont concentrées sur l’économie des États-Unis ou d’autres pays^{Note de bas de page 5}. Peu d’études se sont tournées en particulier vers le Canada, et celles qui l’ont fait, bien qu’informatives, sont limitées sur certains aspects. Par exemple, ces études mesurent seulement un sous-ensemble des indicateurs que nous avons produits pour ce projet, incluent seulement des sociétés cotées en bourse ou remontent à plusieurs années^{Note de bas de page 6}.

Notre projet utilise des données auxquelles Statistique Canada nous a accordé l’accès, ce qui nous a permis d’inclure toutes les sociétés qui produisent des déclarations d’impôt au Canada dans notre analyse. Par conséquent, cette recherche contribue à la littérature existante en matière de concurrence au Canada. Elle fournit des données empiriques, fondées sur l’observation, qui peuvent contribuer aux discussions publiques sur les politiques en matière de concurrence.

Elle bénéficie également au Bureau en renforçant notre base de connaissances et en accroissant notre expérience en recherche au moyen des données administratives. Enfin, elle fournit la fondation pour des analyses plus détaillées à l’avenir.

Pourquoi la concurrence est-elle importante?

La concurrence stimule la croissance économique. Elle encourage les entreprises à innover et à devenir plus productives. Elle bénéficie aux consommateurs puisqu’elle réduit les prix, augmente les choix et améliore la qualité^{Note de bas de page 7}.

Lorsque les entreprises mènent leurs activités dans un marché concurrentiel sain, les consommateurs ont la possibilité de choisir la meilleure option qui répond à leurs besoins et à leur budget. Une concurrence équitable signifie que les entreprises doivent proposer des arguments de poids aux consommateurs pour les convaincre que leurs produits ou services sont le meilleur choix. Cela mène à plus de produits et services, de plus grande qualité, qui répondent à l’éventail diversifié de goûts des consommateurs.

Nos méthodes de recherche

Notre approche dans le cadre de cette étude

La concurrence est un processus complexe où les comportements des sociétés sont enracinés dans la rivalité. Les sociétés réagissent à leur environnement et à leurs rivaux; elles auront des comportements différents si elles font face à une plus grande concurrence. En général, dans un environnement concurrentiel, les sociétés ne peuvent pas simplement augmenter leurs prix pour accroître leurs profits. Plutôt, elles doivent innover et surpasser leurs rivaux.

• La concentration mesure à quel point un nombre limité de grandes sociétés contrôlent une industrie. Nous pouvons mesurer la concentration soit en calculant la part des revenus de l’industrie qui vont aux plus grandes sociétés, soit en mesurant la façon dont les parts de revenus sont distribuées parmi les sociétés dans une industrie.
• La stabilité du classement mesure le nombre des dix plus grandes sociétés dans une industrie qui ont occupé cette position depuis les trois dernières années. Cela nous aide à comprendre à quel point des industries sont dynamiques et si les sociétés peuvent facilement rivaliser avec les plus gros joueurs dans leur industrie (également appelé « contestabilité »).
• Les taux d’entrée et de sortie mesurent le nombre de sociétés qui entrent dans une industrie et qui la quittent. Il s’agit d’une mesure du dynamisme d’une industrie et aide à indiquer la pression exercée sur les sociétés en raison des l’arrivée nouveaux concurrents.
• Les taux de survie mesurent le pourcentage de sociétés dans une industrie qui ont été actives au cours des cinq dernières années. Cela aide à indiquer le dynamisme d’une industrie et la probabilité que des sociétés se retrouvent confrontées aux mêmes concurrents année après année.
• Les économies d’échelle mesurent la productivité des plus petites sociétés dans une industrie comparativement à celle des plus grandes. Cela aide à indiquer l’un des obstacles potentiels auxquels font face les nouvelles sociétés lorsqu’elles décident d’entrer dans une industrie. Elles peuvent éprouver plus de difficultés à rivaliser contre des sociétés plus larges et établies, si elles sont plus petites et moins efficientes.

Indicateurs de rendement

Nous pouvons également étudier des indicateurs du résultat de la concurrence sur le rendement des sociétés. Ceux-ci sont normalement appelés « indicateurs de rendement ». Nous avons calculé les trois indicateurs suivants :

• Le rendement des ventes mesure les profits moyens dans une industrie et les marges mesurent la différence entre le prix fixé par les sociétés pour leurs produits et le coût pour les produire. Les profits et les marges fournissent une mesure de la pression que les sociétés subissent d’abaisser leurs prix afin qu’elles puissent faire concurrence à leurs rivaux.
• L’élasticité des profits à l’égard des coûts mesure l’intensité à laquelle les sociétés qui peuvent innover ou trouver des façons plus efficientes de produire des produits ou services mettent au pas leurs rivaux. L’élasticité des profits est un indicateur de l’intensité concurrentielle entre les sociétés.

Méthode d’analyse des données

Une équipe menée par Matthew Osborne, Ph. D., professeur adjoint de marketing au sein du département de gestion de l’Université de Toronto, nous a aidés avec ce projet^{Note de bas de page 8}. Elle a analysé les données que Statistique Canada nous a fournies dans les centres de données de recherche, ainsi que les tabulations fournies par Statistique Canada.

Nous avons également fait appel à l’expertise technique de la Division de l’analyse économique de la Direction des études analytiques et de la modélisation de Statistique Canada dans le cadre de la conception et de l’interprétation de notre analyse^{Note de bas de page 9}. Statistique Canada nous a également permis d’avoir accès aux ensembles de données que nous avons demandés par l’entremise du centre de données de recherche et il a produit des tabulations des données à notre demande^{Note de bas de page 10}.

Les ensembles de données de Statistique Canada que nous avons utilisés suivent les sociétés et les employés au fil du temps^{Note de bas de page 11}. Ils fournissent des renseignements anonymisés au sujet des sociétés, y compris les bilans, la rémunération et l’emploi, entre autres. Ils sont compilés à partir de renseignements provenant des sources suivantes :

• Statistique Canada
• Agence du revenu du Canada
• Innovation, Sciences et Développement économique Canada
• Emploi et Développement social Canada

Codes du SCIAN

Les données utilisées pour ce projet organisent les sociétés par activité commerciale au moyen du Système de classification des industries de l’Amérique du Nord (SCIAN). Le SCIAN fournit des définitions communes de la structure des industries au Canada, aux États-Unis et au Mexique. Chaque société se voit attribuer un code SCIAN, une série de chiffres correspondant à sa principale activité de production.

Le niveau d’industrie du SCIAN le plus détaillé pour lequel nous sommes arrivés à obtenir une quantité utile de données était pour le code à quatre chiffres^{Note de bas de page 13}. La principale partie de notre analyse a été menée au moyen des renseignements au niveau du code SCIAN à quatre chiffres. Dans certains cas, nous présentons des constatations au niveau du code SCIAN à trois chiffres également.

Interprétation des données

Notre confiance dans nos résultats est forte, puisque nous nous sommes fondés sur des données qui sont fortement représentatives de l’économie canadienne et avons calculé plusieurs indicateurs de concurrence. Nous avons également étudié les tendances pour tous ces indicateurs dans l’ensemble des industries et sur de nombreuses années.

Cette approche nous a permis de nous assurer que nous ne faisons pas une interprétation erronée des changements mineurs que nous pouvions voir dans les données. Les tendances que nous avons observées peuvent nous éclairer au sujet des changements généraux dans l’intensité concurrentielle de 2000 à 2020 dans l’ensemble de l’économie^{Note de bas de page 14}. Plutôt que de nous concentrer sur un seul indicateur ou aspect de la concurrence, l’étude de plusieurs indicateurs en même temps nous a aidés à mieux cerner la façon dont la concurrence a changé en général. Notre approche correspond aux orientations de l’OCDE et aux pratiques exemplaires internationales^{Note de bas de page 15}.

Chaque indicateur nous raconte quelque chose au sujet de la concurrence parmi les industries. Mais cela ne nous donne pas un portrait complet. Par exemple, la concentration nous indique si quelques sociétés ont capturé une plus grande part de la production. Cependant, elle ne nous dit pas à quel point il est facile pour les nouvelles sociétés d’entrer dans une industrie. Elle ne dévoile également pas si des sociétés avec de plus grandes parts des revenus pourraient faire face à de la concurrence, peu importe leur taille. Pour obtenir un portrait plus complet, nous utilisons plusieurs indicateurs de concurrence.

Facteurs que nous avons évalués

Ceci est un projet de recherche, pas une enquête. Nous ne cernons pas des comportements que nous voulons examiner en vertu de la Loi sur la concurrence. Le but de cette étude est de nous éclairer de façon générale au sujet de l’état de la concurrence au Canada et de la façon dont elle a évolué avec le temps.

Ci-dessous nous exposons les facteurs que nous avons gardés à l’esprit au moment d’interpréter nos constatations. Ces facteurs visent à tenir compte de la nature des données que nous utilisons^{Note de bas de page 16}. Ils mettent en évidence la raison pour laquelle il est plus utile d’étudier les tendances parmi différents indicateurs pour l’économie dans son ensemble que de nous concentrer sur les industries individuelles. Ces facteurs ont une incidence plus faible sur les tendances généralisées que sur les observations granulaires plus sensibles et hautement détaillées qui concerneraient une seule industrie ou une seule année.

Les industries ne sont pas des marchés

Parfois, au cours de nos enquêtes, nous examinons la puissance commerciale ou mesurons les changements dans la concurrence. Nous le ferons en général en fonction des marchés antitrust. Un marché antitrust est le groupe de produits ou services que les acheteurs considèrent comme de proches substituts dans où les acheteurs sont prêts ou en mesure de se déplacer pour passer d’un produit ou service à un autre^{Note de bas de page 17}.

Les données que nous utilisons ne regroupent pas les sociétés en marchés antitrust. Pour ce type de projet, les meilleurs renseignements dont nous disposons sur les types de produits et services qu’une société produit sont les catégories SCIAN. Comparativement à un marché antitrust, une industrie du SCIAN peut être définie de façon soit plus étroite, soit plus élargie. Dans ces cas, les mesures de l’intensité concurrentielle ne représenteront peut-être pas avec exactitude la dynamique concurrentielle qu’elles visent à mesurer pour des industries en particulier^{Note de bas de page 18}. Cela signifie que les constatations de ce projet à elles seules ne peuvent pas respecter nos normes en matière d’application de la loi. Cependant, elles sont tout de même informatives lorsque l’on se penche sur les tendances générales dans l’économie canadienne^{Note de bas de page 19}.

Les codes SCIAN changent avec le temps et les sociétés peuvent changer entre les codes SCIAN

Au fur et à mesure que l’économie change, l’activité capturée par un code SCIAN peut nécessiter certains ajustements. Les sociétés peuvent donc avoir un code SCIAN différent d’une année à l’autre à mesure que les catégories SCIAN sont redéfinies, même si leurs propres activités n’ont pas changé.

Également, bien qu’une société puisse avoir diverses activités dans plusieurs industries SCIAN, un seul code lui sera attribué. Donc une société peut être surreprésentée dans une industrie et absente d'une autre où elle rivalise avec d’autres sociétés. De plus, si l’une de ses activités devient plus importante pour une année, cette société peut changer son code SCIAN pour cette année.

Les changements que nous voyons dans nos indicateurs de concurrence peuvent donc découler de ces changements dans les codes SCIAN ou du mouvement des sociétés entre codes SCIAN. Ils pourraient ne pas témoigner des changements dans la structure concurrentielle d’une industrie. Nous nous sommes concentrés sur les tendances générales plutôt que des industries en particulier. De cette façon, nous sommes en mesure de nous assurer que nous ne faisons pas une interprétation erronée de ces changements dans des industries en particulier.

Les données fiscales ne représentent pas toujours la théorie économique

Bon nombre des indicateurs que nous avons calculés sont fondés sur une théorie économique qui ne correspond pas toujours directement aux données fiscales. Il s’agit d’une préoccupation courante. Une grande partie de la littérature que nous avons utilisée dans notre travail tient compte de ces différences et explore des façons d’utiliser les données administratives ou comptables. Nous sommes conscients des limites et des hypothèses de chaque modèle et indicateur.

Ces données représentent seulement les sociétés qui produisent des déclarations d’impôt au Canada

Les données que nous utilisons compilent seulement des renseignements sur les sociétés exploitées au Canada et qui y produisent des déclarations d’impôt. Elles ne capturent pas la différence entre les produits et les services achetés au Canada et ceux qui sont exportés. Elles ne tiennent pas compte des produits et des services achetés par des Canadiens de sociétés étrangères (importations) non plus. Il est possible que nous ne capturions pas la concurrence dans l’industrie de façon exhaustive puisque nous ne capturons pas les effets du commerce, et cela peut influencer nos constatations. Par exemple, la UK CMA a constaté que la concentration peut être sous-estimée ou surestimée si elle ne tient pas compte des importations et des exportations^{Note de bas de page 20}.

Le commerce peut influencer la concurrence dans différentes industries de différentes façons. Nous nous concentrons sur les tendances dans l’ensemble de l’économie pour éviter de tenir compte des effets qui se limitent à une industrie en particulier.

Certaines estimations ont été retenues pour assurer la confidentialité des renseignements

Statistique Canada a mis en place des conditions pour éviter de dévoiler des renseignements qui pourraient permettre l’identification de sociétés en particulier. Donc, parfois, certains renseignements ne nous ont pas été fournis ou nous n’étions pas en mesure de retirer certaines données du centre de données de recherche. Dans certains cas, nous avons regroupé les données de façon à nous assurer qu’elles maintiennent l’anonymat.

Ces mesures préventives peuvent influencer nos constatations, particulièrement puisque les renseignements retenus concerneront plus probablement les industries :

• qui sont les plus concentrées;
• qui ont le moins de sociétés;
• où une société est dominante^{Note de bas de page 21}.

Notre attention portée sur les tendances dans l’ensemble des industries devrait réduire les répercussions liées aux renseignements retenus sur nos conclusions.

Indicateurs structurels de la concurrence

La structure de l’industrie décrit des éléments comme les suivants :

• le nombre de sociétés dans une industrie;
• les obstacles à l’entrée pour les nouvelles sociétés;
• le nombre de sociétés qui entrent et qui sortent.

Les éléments de la structure d’une industrie influencent la façon dont les sociétés prennent des décisions et établissent le prix de leurs produits. Par exemple, le nombre et la taille des concurrents exercent une influence sur la pression sur les prix d’une société et sa motivation à innover.

L’interaction concurrentielle change subséquemment la structure de l’industrie. Par exemple, des concurrents agressifs peuvent forcer des sociétés inefficientes à quitter l’industrie. En revanche, s’il n’y a qu’une faible menace d’entrée par de nouvelles sociétés, les sociétés existantes peuvent être en mesure d’accroître leurs prix ou d’offrir moins de choix à leurs clients.

La structure de l’industrie à elle seule ne fournit peut-être pas un portrait complet de l’environnement dans lequel les sociétés mènent leurs activités. Elle fournit toutefois des renseignements importants sur la structure concurrentielle et les incitatifs qui poussent les sociétés à concurrencer.

Concentration

Pour ce projet, nous avons mesuré la concentration à l’aide de la part des revenus que les plus grandes sociétés gagnent^{Note de bas de page 22}.

Une concentration élevée signifie que quelques sociétés gagnent une plus grande part des revenus dans leur industrie. La théorie nous dicte que si un marché est plus concentré, il est plus facile pour les sociétés d’augmenter leurs prix et de réaliser des profits au-delà de ce dont elles pourraient s’attendre dans un environnement concurrentiel. Ces sociétés peuvent réaliser ces profits plus importants puisqu’elles font face à moins de concurrents. Si la concentration est plus élevée et qu’il y a moins de sociétés, il est également plus probable que certaines sociétés se coordonnent pour augmenter les prix^{Note de bas de page 23}.

Nous avons calculé deux mesures différentes de concentration :

• un ratio de concentration (RC);
• l’indice de Herfindahl-Hirschman (IHH).

Ratio de concentration (RC)

Le ratio de concentration nous indique le pourcentage de tous les revenus pour une industrie qui sont encaissés par les plus grandes sociétés. Plus particulièrement, nous calculons ce ratio pour les 10 plus grandes sociétés (RC10)^{Note de bas de page 24}.

La mesure du RC10 produit une valeur entre 0 % et 100 %. Par exemple, si les 10 plus grandes sociétés dans une industrie comptent chacune pour 5 % des revenus de l’industrie, le RC10 sera de 50 %. Plus la part des revenus est grande pour ces plus grandes sociétés, plus le ratio est élevé et l’industrie est concentrée. Cependant, le RC10 ne nous indique pas la façon dont les parts des revenus sont distribuées parmi les dix principales sociétés ou le reste de l’industrie.

Indice de Herfindahl-Hirschman (IHH)

Contrairement au RC10, l’IHH nous aide à comprendre la façon dont les parts de revenus dans l’industrie sont distribuées au-delà des plus grandes sociétés. L’IHH est la somme de la part au carré des revenus de l’industrie de chaque société dans une industrie. L’IHH est mesuré sur une échelle de 0 à 10 000.

L’IHH augmente lorsqu’un petit nombre de plus grandes sociétés gagnent une plus grande part des revenus de l’industrie. Il augmente également lorsque les revenus sont distribués dans une industrie de façon plus inégale. Par exemple, une industrie aurait un IHH de 10 000 si elle avait une seule société. Si une industrie a plus de petites sociétés avec des parts égales des revenus, alors son IHH sera plus près de 0.

Interpréter les mesures de la concentration

Il est difficile de fixer un seuil qui identifie de façon définitive une industrie fortement concentrée. Lorsque nous enquêtons sur des fusions particulières ou des comportements anticoncurrentiels, nous nous fions aux renseignements sur la part du marché. Cela nous aide à déterminer si les fusions ou certains comportements de sociétés dans un marché ont une probabilité plus ou moins élevée de soulever des préoccupations^{Note de bas de page 25}. Nous n’utilisons pas des seuils précis d’IHH pour l’application de la loi. Cependant, les Lignes directrices sur les fusions horizontales (Horizontal Merger Guidelines) du département de la Justice et de la Commission fédérale du commerce des États-Unis (U.S. Department of Justice et Federal Trade Commission) indiquent des seuils au-delà desquels il est plus probable que les fusions accroissent le pouvoir de marché^{Note de bas de page 26} :

• les marchés non concentrés : IHH inférieur à 1 500;
• les marchés de concentration moyenne : IHH entre 1 500 et 2 500;
• les marchés fortement concentrés : IHH supérieur à 2 500^{Note de bas de page 27}

Augmentation de la concentration dans les industries les plus concentrées

Nous avons constaté que la concentration a augmenté dans les industries les plus concentrées. Nous sommes particulièrement intéressés par l’étude de la façon dont la concentration a évolué dans des industries qui sont fortement concentrées. Il s’agit de celles que nous surveillerons probablement le plus dans le contexte de notre travail pour appliquer la loi ou promouvoir une concurrence équitable.

En classant les industries par leur concentration moyenne au fil de toutes les années, nous pouvons comparer la façon dont la concentration a évolué dans quelques-unes des industries les plus concentrées et les moins concentrées. Consultez la figure 1 ci-dessous pour connaître ce que nous avons trouvé.

La concentration a généralement augmenté dans les industries les 10 % et les 25 % les plus concentrées entre 2005 et 2018.

• L’IHH pour les industries les 10 % plus concentrées a augmenté de 8,6 % : il est passé de 2 818 en 2005 à 3 060 en 2018. Nous observons des variations au cours de cette période.
• L’IHH pour les industries les 25 % plus concentrées a augmenté de 10,7 % : il est passé de 1 942 en 2005 à 2 149 en 2018.

• Description de la figure 1

  Figure 1 : IHH annuel moyen de 2005 à 2018 pour les industries regroupées par IHH moyen

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2005	2818,476	1941,810	848,493	340,839	137,071	56,470
  2006	2701,440	1983,774	757,849	304,922	76,733	44,221
  2007	2813,578	2035,749	768,752	229,123	52,077	20,769
  2008	3145,707	2194,617	752,872	254,597	58,458	21,306
  2009	3794,201	2355,358	728,143	302,075	57,892	20,014
  2010	3537,148	2263,147	753,463	299,485	47,046	15,907
  2011	3082,633	2190,775	700,738	252,589	48,402	18,459
  2012	3003,323	2173,087	664,871	228,389	42,890	17,591
  2013	3058,483	2244,975	637,092	230,933	45,629	15,726
  2014	3351,492	2267,728	657,287	219,219	42,930	3351,492
  2015	3364,499	2231,552	641,694	217,085	42,889	15,133
  2016	3499,932	2201,032	713,576	220,587	48,575	15,149
  2017	3134,896	2225,665	781,866	236,095	50,116	13,336
  2018	3060,004	2148,750	741,124	303,211	46,382	15,248

Nous avons également constaté que le nombre d’industries avec un IHH supérieur à 2 500 (fortement concentrées) a augmenté, passant de 19 en 2005 à 27 en 2018. Sur un total d’un peu plus de 300 industries, ce taux représente approximativement une industrie tous les deux ans. Cela est fondé sur le nombre d’industries pour lesquels aucun renseignement n’a été retenu pour protéger la confidentialité. Lorsque des données ont été retenues pour protéger la confidentialité des sociétés, nous pouvons clairement supposer que ces industries sont plus concentrées. Cependant, les données retenues n’influencent pas la tendance à la hausse observée^{Note de bas de page 28}.

Nous trouvons des tendances semblables lorsque nous examinons le RC10. Le nombre d’industries avec un RC10 de plus de 80 % a également augmenté, à un degré moindre, passant de 47 à 2005 à 50 en 2018. Ce sont les industries où les dix plus grandes sociétés gagnent 80 % ou plus de tous les revenus de l’industrie.

Nous notons que la concentration moyenne a diminué dans les industries avec une concentration moyenne ou faible. À l’appendice A , vous trouverez une analyse approfondie à l’appui des constatations décrites ci-dessus.

Stabilité des classements

Les mesures de la concentration à elles seules ne peuvent pas témoigner des changements possibles dans la composition du classement des dix principales sociétés d’une industrie. Nous utilisons la stabilité des classements pour comprendre l’ampleur des variations dans le groupe des plus grandes sociétés. Cela nous aide à comprendre à quel point des industries sont dynamiques et si les sociétés peuvent facilement rivaliser avec les plus gros joueurs dans leur industrie (également appelé « contestabilité »).

Nous mesurons la stabilité des classements par le nombre de sociétés parmi les dix plus grandes sociétés par revenus dans une industrie qui étaient également parmi les dix plus grandes pour les trois années précédentes. Par exemple, une stabilité des classements de 10 signifie que les dix plus grandes sociétés sont restées les mêmes, alors qu’une stabilité des classements de 1 signifie qu’une seule société est demeurée parmi les dix plus grandes et les neuf autres sont nouvelles.

Lorsque la stabilité des classements est plus élevée, cela peut nous indiquer qu’il y a moins de concurrence. C’est parce que cela démontre que la probabilité est moindre que les concurrents existants ou les nouvelles sociétés entrant dans une industrie poussent les plus grandes sociétés hors de leur position. Lorsque la stabilité des classements est plus faible, cela nous indique qu’il est plus probable que les sociétés réussissent à concurrencer pour obtenir une plus grande part des revenus.

La stabilité des classements a augmenté en général

De 2003 à 2020, la stabilité des classements a augmenté dans toutes les industries. La figure 2 ci-dessous présente la stabilité moyenne des classements pour toutes les industries en fonction du revenu. Cette augmentation touche presque toutes les industries. Moins de 1 % des industries ont connu une réduction de leur stabilités des classements. Cela compte pour moins de 0,5 % des revenus de toutes les industries.

• Description de la figure 2

  Figure 2 : Stabilité moyenne des classements de 2003 à 2020 pour toutes les industries

  Année	Stabilité moyenne des classements (nombre de sociétés)	Stabilité du classement inférieur (nombre de sociétés)	Stabilité du classement supérieur (nombre de sociétés)
  2003	4,283	4,060	4,486
  2004	4,475	4,199	4,737
  2005	4,429	4,139	4,705
  2006	4,340	4,056	4,624
  2007	4,809	4,551	5,059
  2008	5,224	4,995	5,469
  2009	5,040	4,785	5,292
  2010	5,202	4,968	5,436
  2011	5,252	4,998	5,492
  2012	5,444	5,222	5,686
  2013	5,545	5,301	5,809
  2014	5,510	5,241	5,753
  2015	5,703	5,514	5,900
  2016	5,540	5,342	5,737
  2017	5,383	5,145	5,599
  2018	5,432	5,151	5,680
  2019	5,508	5,260	5,752
  2020	5,778	5,548	6,026

Remarque : La zone ombrée en rouge indique la bande de confiance de 95 %. Cela signifie que si nous faisions un nouvel échantillonnage de la population de la même manière, notre attente serait que les données s’insèrent dans l’intervalle des valeurs 95 % du temps.

L’augmentation globale générale dans la stabilité du classement dans l’ensemble de l’économie pourrait signifier que l’intensité concurrentielle a diminué. Les plus grandes sociétés sont plus enracinées dans leurs positions. Nous décrivons de façon approfondie notre analyse de nos constatations sur la stabilité du classement à l’appendice B.

Entrée, sortie, survie et dynamisme de l’industrie

Taux d’entrée et de sortie

La menace que de nouveaux concurrents entrent dans une industrie encourage les sociétés à concurrencer plus activement. Cela est vrai même lorsqu’il peut y avoir moins de sociétés dans l’industrie. Les taux d’entrée et de sortie nous aident à comprendre à quel point une industrie est dynamique. Une industrie est dynamique lorsque de nouvelles sociétés peuvent y entrer et faire concurrence aux sociétés existantes.

Lorsque de nouvelles sociétés peuvent entrer dans une industrie, cela encourage les sociétés existantes à faire ce qui suit :

• innover;
• réduire leurs prix;
• adapter leurs offres aux demandes de leurs clients;
• offrir des produits de meilleure qualité.

Si les sociétés existantes choisissent de ne pas faire ce type de changements, les clients peuvent se tourner vers de nouveaux fournisseurs qui offrent ces plus grands avantages. Ce dynamisme est au cœur du processus concurrentiel. Il permet de s’assurer que les sociétés qui offrent une meilleure valeur connaissent plus de succès.

Dans une économie concurrentielle et dynamique, nous nous attendons également à voir les sociétés inefficientes quitter l’industrie. Elles quitteraient l’industrie puisqu’elles ne peuvent plus continuer à concurrencer contre des rivaux plus efficients. Cependant, nous notons que si les sociétés plus petites et nouvelles sont principalement celles qui quittent les industries, un taux d’entrée ou de sortie plus élevé ne signifiera pas nécessairement une concurrence accrue.

Nous avons calculé les taux d’entrée de 2001 à 2020 en nous fondant sur le nombre de sociétés entrant en activité pour une année donnée par rapport au total des sociétés actives au cours de cette année, exprimé en pourcentage. Le taux de sortie est le nombre de sociétés ayant cessé leurs activités pour une année donnée par rapport au total des sociétés actives au cours de cette année, exprimé en pourcentage^{Note de bas de page 29}.

Taux de survie

Avec les taux d’entrée et de sortie, nous avons calculé les taux de survie des sociétés dans les industries de 2005 à 2020. Ces renseignements sont un autre indice du niveau de dynamisme d’une industrie.

Le taux de survie est le pourcentage de sociétés qui ont été actives pendant au moins cinq ans par rapport au nombre moyen de sociétés actives au cours de ces années.

Un taux de survie élevé peut indiquer qu’une industrie n’est pas très dynamique. Dans une industrie où peu de sociétés entrent et sortent, le taux de survie sera élevé. Avec un taux de survie plus élevé, les sociétés sont peut-être plus en mesure de comprendre le comportement de leurs concurrents. Cela en retour peut atténuer la rivalité entre elles. Leur rivalité n’est pas aussi intense, puisqu’elles peuvent apprendre à prédire la façon dont leurs concurrents réagiront et baser leurs stratégies sur ce facteur.

En revanche, si de nombreuses sociétés entrent dans une industrie et les nouvelles sociétés sont celles qui la quittent le plus souvent, le taux de survie peut être faible. Pourtant, cela n’indiquerait pas nécessairement que la concurrence est plus forte.

Les taux d’entrée et de sortie ont diminué en général

Il est difficile de cerner le taux concurrentiel d’entrée, de sortie ou de survie pour chaque industrie. Cela variera par industrie, en fonction de plusieurs facteurs. Ceux-ci comprennent les suivants :

• les types de produits ou de services offerts;
• la nature des intrants des sociétés et s’ils sont dispendieux ou rares;
• la réglementation en vigueur;
• la concurrence qui existe déjà;
• la composition géographique de l’endroit où la société mène ses activités.

Donc plutôt, nous nous concentrons sur les tendances dans les taux d’entrée, de sortie et de survie. Cela fournit plus de renseignements pour nous aider à comprendre si l’économie canadienne dans son ensemble est devenue plus ou moins dynamique.

Nous constatons que les taux d’entrée et de sortie moyens ont diminué dans l’ensemble de l’économie entre 2001 et 2020 (voir la figure 3 ci-dessous). Les taux d’entrée ont diminué de 24 % (passant de 11,8 % à 9,0 %); les taux de sortie de 8 % (passant de 13,4 % à 12,3 %).

Cette baisse dans les taux d’entrée et de sortie peut sembler petite, mais nous l’avons remarquée dans l’ensemble des industries^{Note de bas de page 30}. Cela nous indique que les industries canadiennes dans l’ensemble de l’économie sont devenues moins dynamiques de 2001 à 2020.

• Description de la figure 3

  Figure 3 : Taux d’entrée et de sortie moyens de 2001 à 2020 pour toutes les industries

  Année	Entrée (proportionnellement aux sociétés actives)	Sortie (proportionnellement aux sociétés actives)
  2001	0,118	0,134
  2002	0,106	0,124
  2003	0,105	0,112
  2004	0,117	0,103
  2005	0,115	0,098
  2006	0,113	0,102
  2007	0,094	0,102
  2008	0,869	0,103
  2009	0,094	0,120
  2010	0,091	0,111
  2011	0,091	0,104
  2012	0,101	0,103
  2013	0,097	0,105
  2014	0,096	0,105
  2015	0,095	0,104
  2016	0,092	0,115
  2017	0,097	0,103
  2018	0,098	0,105
  2019	0,101	0,105
  2020	0,090	0,123

Remarque : Moyenne des taux d’entrée et de sortie de l’industrie pondérée par les revenus de l’industrie

Les taux de survie ont légèrement augmenté en général

Les taux de survie correspondent à ce que nous avons appris au sujet des taux d’entrée et de sortie : ils ont augmenté dans l’ensemble des groupes d’industries, d’une moyenne de 68,4 % en 2005 à 70,4 % en 2020 (voir la figure 4 ci-dessous). Il s’agit d’une petite augmentation (2 %), mais elle couvre un large éventail d’industries^{Note de bas de page 31}. Lorsque nous évaluons ces taux en combinaison avec la réduction des taux d’entrée et de sortie, de nouveau nous voyons que les industries sont devenues moins dynamiques.

• Description de la figure 4

  Figure 4 : Taux de survie moyen de 2005 à 2020 pour toutes les industries

  Année	Taux de survie moyen (proportionnellement aux sociétés actives)	Taux de survie inférieur (proportionnellement aux sociétés actives)	Taux de survie supérieur (proportionnellement aux sociétés actives)
  2005	0,684	0,600	0,773
  2006	0,692	0,602	0,778
  2007	0,698	0,607	0,784
  2008	0,702	0,615	0,788
  2009	0,684	0,605	0,772
  2010	0,694	0,613	0,783
  2011	0,704	0,634	0,795
  2012	0,700	0,629	0,788
  2013	0,702	0,632	0,793
  2014	0,707	0,637	0,798
  2015	0,708	0,635	0,798
  2016	0,703	0,638	0,800
  2017	0,705	0,638	0,801
  2018	0,706	0,638	0,802
  2019	0,707	0,634	0,801
  2020	0,704	0,630	0,797

Remarque : Moyenne du taux de survie pondéré par les revenus de l’industrie. La zone ombrée en rouge indique une déviation standard de +/- 1 de la médiane. Cela représente l’intervalle où approximativement 68 % des données au niveau de l’industrie se trouvent pour une année donnée.

Les réductions dans les taux d’entrée et de sortie et l’augmentation dans les taux de survie indiquent une diminution du dynamisme global de l’économie. Nous décrivons de façon approfondie notre analyse de nos constatations sur les taux d’entrée, de sortie et de survie à l’appendice C.

Obstacles à l’entrée : Économies d’échelle

Comme il est indiqué ci-dessus, si les sociétés se sentent menacées par de nouveaux concurrents, elles seront encouragées à livrer une concurrence plus active. Au Bureau, nous évaluons les obstacles à l’entrée et la façon dont ils influencent la concurrence lorsque nous examinons les fusions ou les allégations de pratiques monopolistiques.

En plus des parts du marché et de la concentration, les obstacles à l’entrée sont un aspect important de la structure de l’industrie et de la concurrence. Les obstacles à l’entrée peuvent adopter de nombreuses formes, y compris les suivantes :

• des coûts d’entrée ou d’expansion irrécouvrables plus élevés;
• la réglementation^{Note de bas de page 32};
• les économies d’échelle^{Note de bas de page 33}.

À l’aide des données, nous pouvons estimer les économies d’échelle comme obstacles à l’entrée. Les économies d’échelle se produisent lorsque le coût moyen de la production de chaque unité d’un produit ou d’un service diminue au fur et à mesure que la production augmente. Avec des économies d’échelle élevées, une société peut probablement seulement entrer dans une industrie avec succès si elle le fait à une échelle suffisamment large pour rivaliser de façon profitable contre des sociétés existantes dont les coûts sont plus faibles. Cela signifie que les plus petits concurrents peuvent être découragés d’entrer dans des industries avec des économies d’échelle élevées.

Nous avons utilisé le ratio coûts-désavantages (RCD) pour mesurer les économies d’échelle

Nous avons calculé le ratio coûts-désavantages (RCD) comme mesure des économies d’échelle. Le RCD compare la valeur ajoutée par travailleur de petites sociétés à la valeur ajoutée par travailleur de plus grandes sociétés dans une industrie^{Note de bas de page 34}.

Lorsque le RCD dépasse 1 (il n’y a pas de limite supérieure), il indique que les économies d’échelle estimatives sont plus élevées. Plus particulièrement, la valeur ajoutée par travailleur pour les plus grandes sociétés est plus élevée que celle des plus petites sociétés. Si le RCD est entre 0 et 1, il indique des déséconomies d’échelle. Autrement dit, les plus petites sociétés sont plus efficientes que les plus grandes sociétés. Si le RCD est égal à 1, cela indique qu’il n’y a aucune économie d’échelle. Dans ce cas, les plus petites sociétés sont toutes aussi efficientes que les plus grandes.

Nous nous attendons à trouver des économies d’échelle dans la plupart des industries^{Note de bas de page 35}, mais nous ne pouvons pas déterminer si le RCD nous indique que les obstacles à l’entrée mineront la concurrence. D’abord, les produits ou les services que les sociétés produisent dans les industries peuvent grandement varier. Deuxièmement, le modèle ne tient peut-être pas compte des différences dans la qualité de la main-d’œuvre^{Note de bas de page 36}. Enfin, il existe d’autres obstacles à l’entrée, uniques pour chaque industrie, qui sont également en jeu. Par conséquent, il est plus informatif d’examiner les tendances dans le RCD que de comparer les RCD entre les différentes industries pour comprendre la façon dont cet obstacle potentiel à l’entrée a changé.

Les économies d’échelle ont diminué en général

Nous constatons que les économies d’échelle ont diminué en moyenne dans l’ensemble des industries de 2001 à 2018. Cela nous indique que les plus grandes sociétés deviennent moins efficientes comparativement aux plus petites. À la figure 5, nous regroupons le RCD moyen pour les industries par économies d’échelle d’élevées à faibles. Nous remarquons que le RCD global a diminué, particulièrement dans les industries où il est le plus élevé en moyenne^{Note de bas de page 37}.

• Description de la figure 5

  Figure 5 : RCD annuel moyen de 2001 à 2018 pour industries regroupées par économies d’échelle élevées à faibles

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2001	9,916	6,017	2,296	1,889	1,472	1,276
  2002	10,174	5,689	2,371	1,893	1,309	1,137
  2003	12,307	6,857	2,384	1,825	1,300	1,075
  2004	8,489	5,781	2,217	1,702	1,283	1,164
  2005	7,524	4,782	2,622	1,658	1,273	1,171
  2006	6,826	5,166	2,384	1,641	1,291	1,132
  2007	11,006	6,322	2,388	1,729	1,344	1,294
  2008	5,080	4,075	2,265	1,693	1,328	1,118
  2009	8,278	5,161	2,037	1,749	1,248	1,066
  2010	4,326	3,579	2,190	1,741	1,219	1,016
  2011	6,968	4,648	2,206	2,114	1,355	1,053
  2012	5,157	4,256	2,124	1,735	1,467	1,089
  2013	5,015	3,977	2,033	1,715	1,312	1,100
  2014	3,215	3,080	2,822	1,764	1,296	1,100
  2015	3,610	3,428	2,158	1,742	1,266	1,096
  2016	4,310	3,676	2,072	1,672	1,253	1,111
  2017	5,054	4,148	2,043	1,848	1,376	1,077
  2018	3,705	3,768	2,058	1,744	1,303	1,056

De manière générale, nous nous attendons à ce que les plus grandes sociétés soient plus efficientes que les plus petites en raison des économies d’échelle. Si la technologie de production permet aux plus grandes sociétés de mener leurs activités à un coût moyen plus bas, alors il peut être plus efficient d’avoir moins de sociétés avec une plus grande échelle de production dans une industrie. Cela signifie qu’une certaine concentration dans les industries avec des économies d’échelle élevées ne représente pas nécessairement une faible concurrence.

Pour déterminer si cela est vrai, nous avons étudié la question de savoir si nous voyons une concentration plus élevée dans des industries avec des économies d’échelle plus élevées. Nous n’avons décelé aucune corrélation claire entre les industries avec un RCD élevé et celles avec une concentration élevée. Autrement dit, les industries avec économies d’échelle élevées n’avaient pas une probabilité plus élevée d’avoir une concentration élevée. Cela suggère que les augmentations de la concentration que nous avons observées n’étaient pas en raison d’un accroissement de l’efficience des plus grandes sociétés.

De plus, nous nous attendons à ce que la diminution des économies d’échelle signifie une diminution des obstacles à l’entrée. Au fur et à mesure que les économies d’échelle diminuent, les nouvelles sociétés n’ont pas besoin d’atteindre une aussi grande taille pour rivaliser avec les plus grandes sociétés existantes. L’avantage-coût des plus grandes sociétés est plus petit lorsque les économies d’échelle sont plus petites. Cependant, nous n’avons pas remarqué de taux d’entrée en croissance au cours de la même période (comme il est décrit ci-dessus). Par conséquent, nous ne pouvons pas lier la diminution des économies d’échelle que nous avons observée à l’augmentation des taux d’entrée comme on pourrait s’y attendre.

En examinant le RCD, nous voyons que les économies d’échelle ont légèrement diminué, mais que les taux d’entrée n’ont pas augmenté en même temps. Voir l’appendice D pour une analyse approfondie de nos constatations sur les obstacles à l’entrée.

Indicateurs de rendement

Dans la section précédente, nous avons expliqué la façon dont nous avons mesuré les indicateurs structuraux comme la concentration, les obstacles à l’entrée et les dynamiques de l’industrie. Tous ces indicateurs nous aident à comprendre l’environnement dans lequel les sociétés mènent leurs activités. Ils peuvent révéler les tendances générales et les changements dans la concurrence puisque la structure de l’industrie influencera les choix des sociétés.

Nous pouvons en apprendre plus sur la façon dont la concurrence a changé en étudiant les indicateurs de rendement : la marge, les profits et l’élasticité des profits à l’égard des coûts. Ces indicateurs mesurent le résultat direct des actions des sociétés.

Des profits et une marge plus élevés peuvent être tous deux des indicateurs d’une économie moins concurrentielle. Dans une industrie concurrentielle, les sociétés font face à des pressions pour maintenir leurs prix bas. Cela, en retour, signifie que nous ne devrions pas nous attendre à ce que les sociétés obtiennent des profits ou une marge beaucoup plus élevés. Dans le même ordre d’idées, nous pouvons nous pencher sur la façon dont les augmentations de coûts sont transmises aux consommateurs, ce qui est représenté dans l’élasticité des profits. Cela nous aide à comprendre le degré de pression auquel font face les sociétés en vue de diminuer les prix et d’innover.

Marge

La marge est définie par la différence entre le prix qu’une société donne à un produit et son coût marginal. Le coût marginal décrit le coût de la production d’une unité supplémentaire^{Note de bas de page 38}. Une société avec un pouvoir de marché peut habituellement facturer un prix beaucoup plus élevé que son coût marginal. Ainsi, elle bénéficiera d’une marge plus élevée. Lorsque les sociétés font face à une forte concurrence de la part de leurs rivaux, elles subiront habituellement de la pression pour réduire leurs prix pour qu’ils se rapprochent davantage de leurs coûts. En théorie, dans un marché parfaitement concurrentiel, la marge est de zéro. La concurrence dans ce marché pousse les prix vers le bas jusqu’au coût marginal.

Il n’est pas simple d’estimer la marge

L’un des défis avec la mesure directe de la marge est que nous n’observons pas le coût marginal d’une société. Les coûts marginaux ne sont pas observés et ne sont pas déclarés dans les données comptables ou fiscales. La littérature économique fournit plusieurs approches pour estimer la marge à l’aide de données comptables ou fiscales. Nous adoptons deux approches courantes pour ce projet^{Note de bas de page 39}. Les deux méthodes calculeront la marge en estimant les fonctions de production des sociétés, analysant essentiellement la façon dont les sociétés utilisent la main-d’œuvre et le capital pour produire des produits tout en gardant leurs coûts à un minimum. Les méthodes diffèrent dans la façon dont elles utilisent les données disponibles pour tenir compte de la productivité des sociétés. Voir l’appendice E pour les détails de notre méthode^{Note de bas de page 40}.

La marge est un bon indicateur du pouvoir de marché. Pourtant, elle n’indique peut-être pas de façon précise la concurrence à elle seule. Les sociétés peuvent être en mesure d’atteindre une marge plus élevée, même lorsqu’elles mènent une concurrence intense, si elles apportent des changements comme les suivants :

• développer des produits nouveaux et novateurs;
• différencier leurs produits d’une quelconque façon;
• fournir aux consommateurs un large éventail de produits;
• faire concurrence sur des facteurs au-delà du prix;
• réduire leurs coûts et mener leurs activités de façon plus efficiente^{Note de bas de page 41}

Ce sont tous des exemples de mesures potentiellement concurrentielles. Une augmentation de la marge peut également représenter une augmentation des coûts fixes, comme plus d’investissement dans la recherche et le développement. Les sociétés peuvent augmenter les prix pour récupérer ces coûts fixes, mais leurs coûts marginaux demeureront les mêmes, donc la marge sera plus élevée. Il est tout de même utile d’étudier les tendances dans la marge avec le temps. Cela s’explique par le fait que les changements dans la marge peuvent signaler des dynamiques concurrentielles en évolution dans des industries.

Il est également plus utile d’étudier les tendances concernant la marge plutôt que de comparer les niveaux entre les industries. La raison est que la marge peut être différente entre les industries en fonction de facteurs propres aux industries. Par exemple, sont-elles des secteurs intensifs en recherche ou intensifs en technologie? Ou sont-elles des industries avec des coûts fixes élevés? Compte tenu des méthodes que nous utilisons pour estimer la marge, il peut être plus utile d’étudier les tendances^{Note de bas de page 42}.

La marge a augmenté en général et davantage dans les industries avec une marge plus élevée

Nous observons une petite augmentation générale de 6,7 % de marge moyenne dans l’ensemble des industries entre 2002 et 2018. Cependant, cette augmentation est beaucoup plus marquée dans les industries avec les marges estimatives les plus élevées, où elles ont augmenté de 12,5 %. Ces augmentations sont illustrées à la figure 6 ci-dessous. Ici, nous indiquons la façon dont la marge a évolué pour les groupes d’industries avec des marges moyennes plus élevées et plus basses.

• Description de la figure 6

  Figure 6 : Marge annuelle moyenne de 2002 à 2018 pour les industries regroupées par marge moyenne

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2001	0	0	0	0	0	0
  2002	4,043	2,969	1,787	1,553	0,995	0,636
  2003	4,068	2,986	1,804	1,552	0,981	0,609
  2004	4,267	2,986	1,853	1,579	0,981	0,637
  2005	4,212	2,992	1,806	1,541	0,985	0,626
  2006	4,184	3,053	1,804	1,562	0,992	0,647
  2007	4,647	3,337	1,775	1,527	0,957	0,603
  2008	4,654	3,234	1,826	1,544	0,954	0,578
  2009	4,849	3,392	1,790	1,502	0,970	0,597
  2010	4,984	3,405	1,830	1,531	0,972	0,594
  2011	5,235	3,493	1,822	1,519	0,961	0,599
  2012	4,450	3,211	1,869	1,547	1,025	0,618
  2013	4,854	3,325	1,847	1,556	1,056	0,713
  2014	4,788	3,346	1,825	1,535	1,039	0,706
  2015	4,791	3,264	1,845	1,541	1,034	0,661
  2016	4,850	3,399	1,853	1,627	1,021	0,680
  2017	4,472	3,209	1,864	1,597	1,038	0,660
  2018	4,550	3,198	1,923	1,590	1,038	0,67

Note: industry quantities are constructed based on average markups over the entire sample.

Pour mieux illustrer cette tendance à la hausse parmi les industries, nous fixons à 100 le point de départ de chaque groupe suivi ci-dessus. Cela nous permet de suivre la façon dont la marge a changé pour les industries avec des marges élevées et faibles en moyenne (figure 7 ci-dessous).

• Description de la figure 7

  Figure 7 : Tendance indexée de la marge moyenne de 2002 à 2018 pour les industries regroupées par marge moyenne

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2001	0%	0%	0%	0%	0%	0%
  2002	100%	100%	100%	100%	100%	100%
  2003	100,624%	102,067%	100,940%	99,934%	98,580%	95,729%
  2004	105,550%	102,651%	103,642%	101,632%	98,529%	100,165%
  2005	104,186%	102,858%	101,063%	99,426%	98,965%	98,516%
  2006	103,495%	104,947%	100,906%	100,577%	99,692%	101,688%
  2007	114,939%	114,713%	99,327%	98,311%	96,096%	94,816%
  2008	115,117%	111,198%	102,144%	99,426%	95,882%	90,924%
  2009	119,946%	116,627%	100,160%	96,717%	97,494%	93,853%
  2010	123,271%	117,075%	102,387%	98,549%	97,689%	93,364%
  2011	129,495%	120,072%	101,949%	97,817%	96,567%	94,135%
  2012	110,079%	110,398%	104,565%	99,594%	102,999%	97,250%
  2013	120,059%	114,322%	103,344%	100,185%	106,085%	112,194%
  2014	118,433%	115,119%	102,073%	98,816%	104,345%	110,978%
  2015	118,516%	112,198%	103,234%	99,2151%	103,834%	103,937%
  2016	119,959%	116,847%	103,641%	104,720%	102,601%	106,889%
  2017	110,626%	110,326%	104,258%	102,792%	104,360%	103,816%
  2018	112,543%	109,933%	107,554%	102,342%	104,240%	105,374%

Bien que nous observions une divergence dans la marge entre les industries en haut de l’échelle et celles en bas de l’échelle au cours de notre période, la tendance entre tous les groupes indique une marge accrue en général.

Bien que nous observions une divergence dans la marge entre les industries en haut de l’échelle et celles en bas de l’échelle au cours de notre période, la tendance entre tous les groupes indique une marge accrue en général. Comme il est indiqué ci-dessus, plusieurs facteurs différents peuvent imposer de la pression sur la marge pour qu’elle augmente. Malgré tout, cette augmentation généralisée de la marge pourrait indiquer une diminution de l’intensité de la concurrence à laquelle les sociétés font face. Cela correspond également aux tendances observées dans notre mesure des profits, laquelle nous donne une confiance accrue dans les tendances que nous avons observées^{Note de bas de page 43}.

Profits

Lorsque les sociétés doivent faire une concurrence agressive contre leurs rivaux, elles font face à des pressions pour maintenir leurs prix faibles. On ne s’attendrait donc pas à ce qu’elles gagnent des profits beaucoup plus élevés.

Nous avons mesuré les profits par la rentabilité des ventes (RDV). La RDV est définie comme les bénéfices d’exploitation^{Note de bas de page 44} divisés par les recettes. Les bénéfices d’exploitation sont les bénéfices liés aux opérations avant intérêts et impôts (BAII). Pour une description détaillée de la façon dont nous avons calculé les BAII au moyen de notre ensemble de données, voir l’appendice F.

La RDV ne fournit aucune norme pour déterminer un niveau de profits qui est concurrentiel ou supérieur à ce qu’une société ferait dans un scénario de concurrence optimale. La RDV concurrentielle sera différente pour chaque industrie puisque cela dépend de facteurs comme les coûts fixes, la façon dont les sociétés utilisent leur main-d’œuvre et le capital et dans quelle proportion elles le font, et ainsi de suite. Et comme notre description ci-dessus pour la marge, dans un environnement concurrentiel, une société peut tout de même gagner des profits plus élevés dans certaines conditions. Par exemple, si elle innove ou fournit un large éventail de produits, elle peut être en mesure de gagner des profits plus élevés. Par conséquent, nos constatations sont beaucoup plus informatives si nous examinons les tendances de la RDV au fil du temps. Ensuite, nous pouvons comprendre la façon dont la pression concurrentielle sur les profits a changé au fil du temps.

Les profits ont augmenté en général et davantage dans les industries avec des profits plus élevés

Nous avons constaté que la RDV a augmenté pour la plupart des industries et en moyenne dans l’ensemble. Nous avons également vu que les industries avec les profits les plus élevés ont subi une augmentation légèrement plus rapide par rapport à la moyenne (voir figure 8 ci-dessous). Le 10 % des plus grandes industries avec la RDV la plus élevée ont une augmentation de la RDV, qui est passée de 29,2 % en 2000 à 37,7 % en 2020 (une augmentation de 8,5 %). En général, la RDV moyenne a augmenté, passant de 15,7 % en 2000 à 19,5 % en 2020 (une augmentation de 3,8 %).

• Description de la figure 8

  Figure 8 : RDV annuelle moyenne de 2000 à 2020 pour les industries regroupées par RDV moyenne

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2000	0,292	0,238	0,161	0,128	0,099	0,086
  2001	0,306	0,247	0,168	0,130	0,098	0,081
  2002	0,319	0,252	0,167	0,128	0,095	0,077
  2003	0,301	0,244	0,165	0,128	0,092	0,075
  2004	0,284	0,229	0,161	0,125	0,090	0,074
  2005	0,291	0,234	0,157	0,125	0,090	0,075
  2006	0,280	0,233	0,159	0,128	0,092	0,076
  2007	0,292	0,240	0,164	0,1303	0,0931	0,0752
  2008	0,313	0,252	0,172	0,132	0,096	0,078
  2009	0,320	0,262	0,173	0,136	0,094	0,079
  2010	0,332	0,268	0,175	0,137	0,098	0,080
  2011	0,379	0,285	0,173	0,136	0,101	0,085
  2012	0,352	0,277	0,175	0,136	0,099	0,080
  2013	0,359	0,283	0,180	0,141	0,102	0,083
  2014	0,388	0,293	0,183	0,142	0,104	0,086
  2015	0,375	0,292	0,186	0,146	0,105	0,086
  2016	0,428	0,314	0,185	0,150	0,105	0,088
  2017	0,366	0,292	0,186	0,148	0,111	0,092
  2018	0,399	0,304	0,184	0,149	0,109	0,089
  2019	0,417	0,314	0,184	0,150	0,110	0,090
  2020	0,377	0,305	0,193	0,160	0,122	0,102

Tout comme dans le cas de la marge, d’autres facteurs peuvent imposer de la pression à la hausse sur la RDV. Cependant, l’augmentation de la RDV parmi les industries pourrait signifier que les sociétés font face à une diminution de la pression concurrentielle en vue d’abaisser les prix ou de les garder bas, ce qui peut améliorer la rentabilité.

Élasticité des profits à l’égard des coûts

Nous pouvons également considérer la concurrence comme un processus continu permanent. Les sociétés continuent de s’affronter et de chercher des façons de faire concurrence à leurs rivaux en trouvant des façons plus efficientes de produire des produits et des services.

Nous supposons que, dans un environnement concurrentiel, les sociétés sont poussées à innover et à trouver de nouvelles façons de produire à un coût plus faible. Par conséquent, une seule ou quelques sociétés peuvent gagner des profits plus élevés pendant un certain temps alors que les concurrents tentent de se rattraper.

Un intrant de production est tout ce qui va dans la production de produits et services. Cela comprend les matériaux, la main-d’œuvre et l’équipement. Si les coûts des intrants augmentent dans une industrie et que les sociétés ne font face à aucune pression de leurs concurrents, ils transféreront simplement ces coûts aux clients en facturant des prix plus élevés. Cependant, lorsque certaines sociétés ont une marge de profit plus grande en raison d’une plus grande efficience, elles peuvent continuer à faire pression sur leurs rivaux en maintenant leur prix, puisqu’elles absorbent l’augmentation des coûts dans leur marge de profit. Cela signifie que ces sociétés plus efficientes limiteront à quel point l’augmentation des coûts sera transférée aux clients. Par conséquent, les profits pour les sociétés dans cette industrie diminueront plus que pour les industries où les sociétés font face à moins de pression pour concurrencer et garder les prix bas.

L’élasticité des profits à l’égard des coûts, également appelée l’indicateur Boone, mesure la taille d’un changement en matière de profit qui a lieu lorsque le coût marginal d’une société augmente^{Note de bas de page 45}. Puisque les coûts marginaux ne peuvent pas être observés directement, nous les calculons en étudiant le coût variable moyen^{Note de bas de page 46}.

Cet indicateur peut mieux mesurer la concurrence dans des industries où il y a une seule ou quelques plus grandes sociétés, et qu’elles sont grandes en raison de leur plus grande efficience. Cela comble une lacune créée par nos mesures de la concentration et d’autres mesures qui se penchent seulement sur le résultat de la concurrence, comme la marge.

L’indicateur Boone prend une valeur entre l’infinité négative (-∞) et un (1). Dans des industries plus concurrentielles, nous nous attendons à ce que l’indicateur Boone se rapproche de l’infinité négative. La raison pour cela est qu’une augmentation des coûts signifiera une plus grande diminution des profits. Comme nous l’avons remarqué ci-dessus, cela se produit parce que les concurrents plus efficients peuvent imposer la discipline aux autres dans une industrie. Alors qu’il augmente vers 1, l’indicateur Boone montre une intensité concurrentielle plus faible.

De nouveau, nous nous sommes concentrés sur les tendances que nous avons observées dans l’élasticité des profits plutôt que de comparer l’élasticité entre les industries. Le niveau de l’indicateur Boone a été influencé par plusieurs facteurs en fonction de l’industrie et des données que nous avons utilisées. Donc, nous avons obtenu des renseignements plus utiles en observant le changement dans l’ensemble des industries.

L’élasticité des profits a augmenté en général

Nous avons constaté une augmentation de l’indicateur Boone en moyenne dans l’ensemble des industries. Cette augmentation est plus grande pour le 10 % des plus grandes industries avec l’indicateur Boone moyen le plus élevé. Les industries où l’indicateur Boone est le plus bas ont vu une petite réduction, indiquant une augmentation de l’intensité concurrentielle. Cependant, la tendance générale est à la hausse, comme on peut le voir à la figure 9. Dans cette figure, nous traçons les tendances de l’indicateur Boone de 2001 à 2018 pour les industries regroupées de la valeur la plus élevée à la plus basse en moyenne.

• Description de la figure 9

  Figure 9 : Indicateur Boone annuel moyen de 2001 à 2018 pour les industries regroupées par indicateur Boone moyen

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2001	-0,286	-0,576	-0,937	-1,412	-1,853	-2,163
  2002	-0,193	-0,550	-0,891	-1,315	-1,795	-1,920
  2003	-0,150	-0,510	-0,897	-1,327	-1,893	-2,131
  2004	-0,139	-0,561	-0,877	-1,190	-1,859	-2,249
  2005	-0,031	-0,454	-0,891	-1,190	-1,861	-2,274
  2006	-0,059	-0,448	-0,871	-1,211	-1,905	-2,379
  2007	-0,071	-0,426	-0,873	-1,075	-1,901	-2,294
  2008	-0,155	-0,372	-0,881	-1,175	-1,943	-2,369
  2009	-0,094	-0,344	-0,896	-1,172	-1,878	-2,132
  2010	-0,065	-0,302	-0,870	-1,236	-1,975	-2,304
  2011	0,016	-0,303	-0,838	-1,256	-1,844	-2,121
  2012	-0,014	-0,338	-0,838	-1,218	-1,778	-2,025
  2013	0,013	-0,306	-0,867	-1,171	-1,722	-1,989
  2014	0,052	-0,280	-0,845	-1,152	-1,838	-2,166
  2015	0,102	-0,240	-0,818	-1,173	-1,833	-2,001
  2016	0,117	-0,253	-0,850	-1,119	-1,850	-1,969
  2017	0,060	-0,260	-0,821	-1,143	-1,955	-2,220
  2018	0,083	-0,266	-0,795	-1,138	-2,055	-2,282

L’augmentation générale de l’indicateur Boone dans l’ensemble des industries peut indiquer que l’intensité concurrentielle diminue dans les industries. Lorsque les coûts augmentent, il est moins probable que les sociétés fassent face à des pressions en vue de maintenir des prix bas. Plutôt, elles peuvent transférer l’augmentation des coûts à leurs clients. Cela correspond avec l’augmentation générale de la marge et des profits que nous avons également observée au cours de cette période et pointe vers une réduction de l’intensité concurrentielle en général. Voir l’appendice G pour plus de détails sur notre analyse et nos constatations.

Conclusion

Nous avons examiné plusieurs indicateurs de concurrence communément utilisés. Chacun nous raconte quelque chose au sujet de la concurrence. Ils nous informent soit au sujet de l’environnement dans lequel les sociétés se font concurrence, soit au sujet des résultats du processus concurrentiel sur le rendement des sociétés.

Comme il est décrit dans les sections ci-dessus, nous devons faire preuve de prudence lorsque nous interprétons ces indicateurs. Pourtant, en étudiant plusieurs indicateurs ensemble, nous trouvons une réduction uniforme et claire dans l’intensité concurrentielle au Canada entre 2000 et 2020. Pour résumer nos principales conclusions :

Ces constatations nous aident à mesurer la façon dont l’intensité concurrentielle a évolué au Canada. Il s’agit de renseignements importants que nous pouvons utiliser pour comprendre la performance des politiques en matière de concurrence au Canada. Nos constatations fournissent également un contexte important pour notre travail au Bureau pour appliquer la Loi sur la concurrence et faire la promotion de règlements qui réduisent les obstacles à la concurrence dans l’économie canadienne. De façon plus générale, ce travail souligne pourquoi il est important de moderniser l’infrastructure concurrentielle du Canada et de recentrer le rôle de la concurrence dans notre économie.

Le Bureau continuera d’explorer des façons de raffiner nos constatations et de s’appuyer sur elles en approfondissant les connaissances et l’expertise que nous avons recueillies pour cette étude.

Appendices

Appendice A : Concentration

Un marché concentré est un marché dans lequel quelques entreprises représentent une part importante des revenus totaux. Si un marché est plus concentré, il peut être plus facile pour une entreprise d’augmenter son prix au-dessus d’un niveau auquel nous nous attendrions dans un marché concurrentiel. La probabilité que certaines entreprises soient en mesure d’augmenter les prix en coordonnant leurs actions augmente également à mesure que le niveau de concentration dans un marché augmente et que le nombre d’entreprises diminue^{Note de bas de page 1}.

Les changements dans les mesures de concentration peuvent nous informer des changements dans la structure du marché. Bien que nous ne définissions pas un niveau précis de concentration susceptible de déclencher des mesures d’application de la loi, nous constatons généralement qu’une fusion aura moins vraisemblablement pour effet de diminuer sensiblement la concurrence lorsque les parts de marché ou les mesures de concentration sont faibles^{Note de bas de page 2}.

Nous avons calculé trois mesures de concentration différentes : les ratios de concentration RC3 et RC10, et l’indice Herfindahl-Hirschman (IHH).

Méthodologie : ratios de concentration

Le ratio de concentration (RC) est défini comme la somme des parts de marché des principales entreprises d’une industrie. Dans une industrie donnée, le RC10 mesure la part des 10 entreprises les plus grandes, tandis que le RC3 mesure la part des 3 entreprises les plus grandes. Un ratio de concentration plus élevé signifie que les plus grandes entreprises représentent une plus grande part de l’industrie. Le RC10 et le RC3 peuvent s’approcher de 0 % dans le cas de nombreuses petites entreprises et atteindre 100 % dans le cas où les 10 (ou 3) plus grandes entreprises représentent l’ensemble des revenus de l’industrie.

Les ratios de concentration nous ont été fournis dans des tableaux personnalisés par Statistique Canada à l’aide des ensembles de données du Fichier de microdonnées longitudinales des comptes nationaux (FMLCN), de la Déclaration financière T1 (DF T1) et de la Déclaration d’entreprise T1 (DE T1)^{Note de bas de page 3} de 2005 à 2018. Ils sont calculés pour chaque industrie du Système de classification des industries de l’Amérique du Nord (SCIAN) à 4 chiffres et agrégés en tant que moyennes pondérées en fonction des revenus des codes du SCIAN à 4 chiffres pour les industries du SCIAN de niveau supérieur (industries du SCIAN à 2 et 3 chiffres). Les ensembles de données du FMLCN contiennent toutes les entreprises constituées en société, tandis que les ensembles de données de la DF T1 et de la DE T1 contiennent toutes les entreprises non constituées en société qui ont déposé une déclaration de revenus ou y ont été déclarées.

Nous avons utilisé les étapes suivantes pour calculer le RC3 et le RC10 :

1. Dans l’ensemble de données du FMLCN, plusieurs observations manquent le code d’industrie du SCIAN. Nous remplissons les codes manquants du SCIAN dans une année avec la valeur d’une année antérieure ou subséquente, dans la mesure du possible. Si le code du SCIAN est manquant pour une entreprise tout au long de l’ensemble de données, l’entreprise est exclue de notre analyse.
2. Pour chaque année, nous calculons les revenus de toute entreprise constituée en société à l’aide des variables farm_total_revenue^{Note de bas de page 4} et total_revenue de la FMLCN, et, pour toute entreprise non constituée en société, le revenu est calculé à l’aide des variables L8299^{Note de bas de page 5} et L9659^{Note de bas de page 6} de l’ensemble de données DF T1 et DE T1. Nous calculons ensuite le revenu total d’une industrie du SCIAN à 4 chiffres en additionnant les revenus de toutes les entreprises de l’industrie.
3. Le RC3 et le RC10 du SCIAN à 4 chiffres sont ensuite calculés comme la somme des revenus des 3 et 10 plus grandes entreprises pour le RC3 et le RC10 respectivement, puis divisés par le total des revenus de l’industrie du SCIAN à 4 chiffres.
4. Le ratio de concentration des industries du SCIAN à 2 et 3 chiffres est calculé comme la moyenne pondérée des ratios de concentration des industries sous-jacentes du SCIAN à 4 chiffres.

Méthodologie : indice Herfindahl-Hirschman (IHH)

L’IHH d’une industrie est définie comme la somme de la part au carré des revenus de chaque entreprise dans une industrie. Une valeur d’IHH plus élevée indique que moins d’entreprises représentent une plus grande part des revenus et que les revenus sont répartis plus inégalement entre les entreprises d’une industrie (c.-à-d. qu’elles sont plus concentrées au sein d’un moins grand nombre d’entreprises). L’IHH s’approchera de 0 dans le cas de nombreuses petites entreprises et atteindra 10 000 dans le cas où une seule entreprise représente l’ensemble des revenus de l’industrie.

L’IHH nous a été fourni dans des tableaux croisés personnalisés par Statistique Canada à l’aide du FMLCN, de la DF T1 et de la DE T1, qui couvrent les années 2005 à 2018 pour chaque code du SCIAN à 4 chiffres (à moins que les données n’aient pas été communiquées pour une paire code-année du SCIAN particulière en raison de préoccupations en matière de confidentialité).

Tout comme les ratios de concentration, nous suivons les étapes 1 et 2 (section sur les ratios de concentration ci-dessus) pour calculer les revenus des entreprises et des industries du SCIAN à 4 chiffres. Nous ventilons ensuite les revenus de chaque entreprise en fonction du revenu total de l’industrie afin d’obtenir la part des revenus de chaque entreprise dans une industrie du SCIAN à 4 chiffres.

L’IHH est ensuite calculé en additionnant la part au carré des revenus de chaque entreprise active dans une industrie du SCIAN à 4 chiffres. L’IHH pour les industries du SCIAN à 2 et 3 chiffres est calculé comme la moyenne pondérée des revenus de l’IHH des industries sous-jacentes du SCIAN à 4 chiffres.

Confidentialité

Pour le RC3, Statistique Canada n’a communiqué que les moyennes pondérées en fonction des revenus (des industries du SCIAN à 4 chiffres) aux niveaux des codes du SCIAN à 3 et 2 chiffres afin de protéger la confidentialité des entreprises individuelles.

De plus, Statistique Canada n’a pas communiqué les mesures du RC10, du RC3 et de l’IHH pour certaines industries du SCIAN au cours de certaines années. Cela a été fait lorsque le nombre d’entreprises d’une industrie du SCIAN au cours d’une année donnée était trop faible ou lorsqu’une ou plusieurs entreprises étaient surreprésentées dans le résultat. Cela est important dans le contexte des mesures de concentration, car les industries plus concentrées sont plus susceptibles de faire l’objet de caviardages.

Résultats détaillés

Les industries concentrées sont devenues plus concentrées (IHH)

En regroupant les industries par leur concentration moyenne sur toute la période de 2005 à 2018, nous pouvons suivre et comparer le changement de la concentration des industries les plus concentrées avec celles qui sont moins concentrées. La Figure A1 montre le changement de l’IHH pour les industries regroupées par leur IHH moyenne sur l’ensemble de l’échantillon. Nous regroupons les industries en 4 quartiles (25 % supérieurs, 50 % à 75 % moyens, 25 % à 50 % moyens et 25 % inférieurs) ainsi que les 10 % supérieurs et inférieurs.

Nous sommes particulièrement intéressés par la façon dont la concentration a évolué dans des industries fortement concentrées. Ce sont celles que nous examinerions le plus probablement dans le contexte de notre travail d’application de la loi ou de promotion de la concurrence^{Note de bas de page 7}.

Nous observons une augmentation globale de la concentration dans les industries les plus concentrées, notamment le quart supérieur des industries, classées par concentration, et, dans ce groupe, les 10 % des industries les plus concentrées^{Note de bas de page 8}.

• Description de la figure A1

  Figure A1 : Indice moyen annuel de l’IHH de 2005 à 2018 pour les industries regroupées par indice moyen de l’IHH

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2005	2818,476	1941,810	848,493	340,836	137,071	56,469
  2006	2701,440	1983,774	757,843	304,922	76,733	44,221
  2007	2813,578	2035,749	768,752	229,123	52,077	20,769
  2008	3145,707	2194,617	752,872	254,597	58,458	21,306
  2009	3794,201	2355,358	728,143	302,075	57,892	20,014
  2010	3537,148	2263,147	753,463	299,485	47,046	15,907
  2011	3082,633	2190,775	700,738	252,589	48,402	18,459
  2012	3003,323	2173,087	664,871	228,389	42,890	17,591
  2013	3058,483	2244,975	637,092	230,933	45,629	15,726
  2014	3351,492	2267,728	657,287	219,219	42,930	17,056
  2015	3364,499	2231,552	641,694	217,085	42,889	15,133
  2016	3439,932	2201,032	713,576	220,587	48,575	15,149
  2017	3134,896	2225,665	781,868	236,095	50,116	13,336
  2018	3060,004	2148,750	741,123	303,211	46,381	15,248

Plus précisément, l’IHH du groupe d’industries le plus concentré (les 10 % les plus concentrés) a augmenté, passant de 2 818 à 3 060 (8,6 %) de 2005 à 2018, et l’IHH des 25 % les plus concentrés a augmenté, passant de 1 942 à 2 149 (1,7 %) au cours de cette période. En comparaison, l’IHH moyen de toutes les industries a diminué, passant de 800 à 790 (-1,3 %). Cette baisse générale est attribuable à la diminution de la concentration dans les industries moins concentrées, comme le montre le Tableau A1.

Tableau A1 : Variation de l’IHH moyen de 2005 à 2018 pour les industries de différents groupes distributionnels

	IHH en 2005	IHH en 2018	Variation de l’IHH
10 % supérieurs	2,818	3,060	+242
25 % supérieurs	1,942	2,149	+207
50 % à 75 % moyens	848	741	-107
25 % à 50 % moyens	341	303	-38
25 % inférieurs	137	46	-91
10 % inférieurs	56	15	-41

En vue de vérifier davantage que la concentration a augmenté pour les industries qui étaient, en moyenne, les plus concentrées, nous avons évalué le changement de la concentration de 2005 à 2018 des industries qui peuvent être décrites comme étant fortement concentrées (IHH supérieur à 2 500), modérément concentrées (IHH de 1 500 à 2 500) et non concentrées (IHH inférieur à 1 500)^{Note de bas de page 9}.

Nous avons constaté que, dans le cas des industries fortement concentrées, 9 (sur 26) ont encore augmenté leur concentration, tandis que 2 ont diminué, 13 n’ont affiché aucun changement significatif de concentration et que, pour 2 industries, les données n’ont pas été communiquées ou étaient manquantes, et nous n’avons pas pu mesurer une tendance. De même, dans le cas des industries modérément concentrées, 8 (sur 27) ont augmenté leur concentration, 5 ont diminué et 14 n’ont affiché aucun changement significatif. Dans le même temps, pour les industries non concentrées, près de deux fois plus d’industries ont affiché une baisse plutôt qu’une augmentation. Le tableau A2 en présente les détails ci-dessous.

Tableau A2 : Signification de la tendance moyenne de l’IHH des industries ayant différents niveaux de concentration moyenne

	IHH supérieur à 2 500	IHH de 1 500 à 2 500	IHH inférieur à 1 500	Ensemble des industries
Augmentation de l’IHH	9	8	42	59
Diminution de l’IHH	2	5	81	88
Aucun changement significatif	13	14	137	164
Impossible de mesurer la tendanceNote de bas de page 10	2	0	1	3

Plus d’industries sont devenues fortement concentrées

Nous constatons que le nombre d’industries concentrées a augmenté de 2005 à 2018. Ci-dessous, au tableau A3, nous assurons le suivi du nombre d’industries (SCIAN à 4 chiffres) qui sont fortement concentrées (IHH supérieur à 2 500), moyennement concentrées (IHH de 1 500 à 2 500) et non concentrées (IHH inférieur à 1 500)^{Note de bas de page 11}. Nous constatons qu’il y a une augmentation du nombre d’industries dont l’IHH est supérieur à 2 500^{Note de bas de page 12}.

Tableau A3 : Nombre d’industries du SCIAN à 4 chiffres dont l’IHH est supérieur à 2 500, est de 1 500 à 2 500 ou est inférieur à 1 500

	IHH supérieur à 2 500	IHH de 1 500 à 2 500	IHH inférieur à 1 500	Industries pour lesquelles les données n’ont pas été communiquées en raison de la confidentialité
Nombre d’industries (2005)	19	27	259	8
Nombre d’industries (2018)	27	25	254	7
Variation du nombre d’industries	8	-2	-5	-

Comparaison de l’IHH au RC10 et au RC3

Nous concentrons principalement notre analyse sur l’IHH, car il s’agit de la mesure la plus descriptive de la concentration. Bien que le RC10 et le RC3 soient également des mesures informatives de la concentration, ils ne fournissent pas le même niveau de détails que l’IHH. L’IHH donne un aperçu de la répartition des parts dans une industrie, tandis que le RC10 et le RC3 ne fournissent que des renseignements sur la part combinée des 10 ou 3 plus grandes entreprises.

Par exemple, une industrie hypothétique avec un RC10 de 100 % pourrait avoir des IHH très différents. L’IHH serait de 1 000 dans une industrie où les 10 entreprises les plus grandes détiennent chacune une part de 10 %. Toutefois, l’IHH serait de 8 111 dans une industrie où une entreprise détient une part de 90 %, tandis que les 10 % restants des revenus de l’industrie sont répartis également entre les neuf autres entreprises.

Ci-dessous, dans les figures A2 et A3, nous traçons la répartition conjointe du RC10 et de l’IHH. Nous pouvons voir que les industries où nous observons les valeurs plus élevées du RC10 peuvent produire un plus large éventail d’IHH possibles.

• Description de la figure A2

  La figure est un nuage de points de l’IHH et du RC10, avec le RC10 sur l’axe des Y et l’IHH sur l’axe des X. La figure montre que l’IHH et le RC10 sont positivement corrélés, en particulier dans les industries à faible concentration où les deux mesures sont proches de 0. À mesure que le RC10 augmente, la dispersion de l’IHH s’accroît; pour les industries dont le RC10 est supérieur à 80 %, l’IHH varie de moins de 1 000 à plus de 7 000. Ces grandes variations de l’IHH parmi les industries ayant un RC10 similaire reflètent des différences significatives dans la distribution des revenus en dehors des dix plus grandes entreprises.

• Description de la figure A3

  La figure est un nuage de points des logarithmes naturels de l’IHH et du RC10, avec ln(RC10) sur l’axe des Y et ln(IHH) sur l’axe des X. Lorsque nous prenons les logarithmes naturels des deux, ils apparaissent très clairement corrélés, encore plus que dans la figure A2.

Nous nous attendons à ce que les ratios de concentration soient corrélés avec l’IHH, et nous constatons que le RC10 et l’IHH sont fortement corrélés^{Note de bas de page 13}. La corrélation entre le RC10 et l’IHH est de 0,784, et la corrélation entre le RC10 et le logarithme de l’IHH est de 0,928. De plus, nous constatons que 61 % des industries qui se situent dans les 10 % supérieurs de l’IHH figurent également dans les 10 % supérieurs du RC10. Les comparaisons de l’IHH avec le RC3 sont moins informatives parce que les résultats que nous avons reçus pour le RC3 de l’industrie ont été regroupés jusqu’au niveau du SCIAN à 3 chiffres en tant que moyenne pondérée des RC3 du SCIAN à 4 chiffres pour des raisons de confidentialité.

L’IHH et le RC10 présentent des tendances semblables

Nous présentons ci-dessous les tendances de RC10 dans l’ensemble de la répartition des industries, tout comme nous l’avons fait pour l’IHH ci-dessus. Nous constatons une augmentation semblable de la concentration des industries les plus concentrées, bien qu’elle soit inférieure à l’augmentation de l’IHH. Cette différence de magnitude n’est pas inattendue compte tenu de l’écart important observé dans l’IHH dans les industries les plus concentrées du RC10. L’IHH est plus sensible à la répartition des parts des revenus et, par conséquent, saisira une plus grande variation dans la composition de l’industrie.

• Description de la figure A4

  Figure A4 : Indice moyen annuel du RC10 de 2005 à 2018 pour les industries regroupées par indice moyen du RC10

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2005	0,895	0,809	0,547	0,382	0,225	0,178
  2006	0,923	0,822	0,527	0,346	0,177	0,134
  2007	0,927	0,814	0,530	0,333	0,142	0,828
  2008	0,928	0,820	0,544	0,329	0,148	0,083
  2009	0,930	0,825	0,534	0,327	0,151	0,096
  2010	0,938	0,828	0,541	0,330	0,140	0,073
  2011	0,936	0,822	0,536	0,320	0,132	0,077
  2012	0,930	0,817	0,531	0,310	0,130	0,074
  2013	0,931	0,816	0,524	0,302	0,131	0,066
  2014	0,930	0,807	0,534	0,294	0,129	0,068
  2015	0,926	0,799	0,540	0,306	0,122	0,067
  2016	0,922	0,797	0,541	0,309	0,122	0,064
  2017	0,918	0,820	0,560	0,316	0,121	0,061
  2018	0,915	0,821	0,547	0,322	0,125	0,061

Le RC10 du groupe d’industries le plus concentré (les 10 % les plus concentrés) a augmenté, passant de 90 % à 92 % (+2,2 %) de 2005 à 2018, et le RC10 des 25 % les plus concentrés a augmenté, passant de 81 % à 82 % (+1,4 %) au cours de cette période. En comparaison, la moyenne des RC10 dans toutes les industries a chuté, passant de 49 % à 45 % de 2005 à 2018 (-8 %). Encore une fois, nous constatons que cette baisse est attribuable à une diminution de la concentration des industries moins concentrées. Ces changements sont décrits en détail dans le tableau A4 ci-dessous.

Tableau A4 : Variation du RC10 de 2005 à 2018 pour les industries de différents groupes distributionnels

Groupe	RC10 en 2005	RC10 en 2018	Variation de RC10 (points de pourcentage)
10 % supérieurs	90 %	92 %	+2
25 % supérieurs	81 %	82 %	+1
50 % à 75 % moyens	55 %	55 %	0
25 % à 50 % moyens	38 %	32 %	-6
25 % inférieurs	22 %	12 %	-10
10 % inférieurs	18 %	7 %	-11

Tendances du RC3

Les tendances du RC3 ne reflètent pas les tendances observées pour l’IHH et le RC10. Nous avons observé une baisse du RC3 dans les industries où il était le plus élevé ainsi que dans toutes les industries en moyenne. C’est ce que montre la figure A5 ci-dessous, où nous traçons l’évolution du RC3 en regroupant les industries par leur RC3 moyen au fil des années.

• Description de la figure A5

  Figure A5 : Indice moyen annuel du RC3 de 2005 à 2018 pour les industries regroupées par indice moyen du RC3

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2005	0,729	0,613	0,346	0,194	0,121	0,085
  2006	0,711	0,599	0,367	0,185	0,113	0,074
  2007	0,696	0,589	0,307	0,186	0,087	0,053
  2008	0,696	0,607	0,307	0,201	0,088	0,048
  2009	0,729	0,610	0,295	0,201	0,089	0,048
  2010	0,719	0,612	0,297	0,210	0,080	0,043
  2011	0,656	0,579	0,310	0,198	0,079	0,056
  2012	0,647	0,569	0,280	0,177	0,077	0,066
  2013	0,666	0,572	0,267	0,173	0,081	0,058
  2014	0,662	0,541	0,275	0,165	0,081	0,059
  2015	0,645	0,528	0,282	0,177	0,070	0,049
  2016	0,690	0,538	0,282	0,168	0,069	0,050
  2017	0,692	0,546	0,288	0,184	0,061	0,040
  2018	0,702	0,548	0,288	0,175	0,056	0,043

Le RC3 du groupe d’industries le plus concentré (10 % supérieurs) au niveau du SCIAN à 3 chiffres est passé de 73 % à 70 % (-3,6 %) de 2005 à 2018, et le RC3 des 25 % supérieurs au niveau du SCIAN à 3 chiffres a diminué, passant de 61 % à 55 % (-10,61 %) pendant cette période.

Toutefois, en raison de la confidentialité, nous avons reçu des tableaux sur les RC3 comme moyennes pondérées des RC3 sous-jacents du SCIAN à 4 chiffres pour chaque code du SCIAN à 3 chiffres. Il est important de noter que l’IHH et le RC10 au niveau du code du SCIAN à 4 chiffres varient grandement au sein de chaque code du SCIAN à 3 chiffres. Par conséquent, la présentation des RC3 au niveau du SCIAN à 3 chiffres peut masquer les tendances et les niveaux au niveau du SCIAN à 4 chiffres plus désagrégé. Par exemple, les codes du SCIAN à 3 chiffres les plus concentrés par RC10 ont des RC10 de 92 % et de 89 %, mais à l’intérieur de ces codes, les valeurs des RC10 des codes sous-jacents du SCIAN à 4 chiffres diffèrent grandement. Ils varient de 59 % à 98 % et de 39 % à 99 %.

Ainsi, les tendances observées au niveau du SCIAN à 4 chiffres peuvent ne pas être les mêmes que celles observées à un niveau d’agrégation plus élevé, comme le niveau du SCIAN à 2 ou 3 chiffres.

Nous démontrons que nos résultats sont solides pour diverses mesures de concentration. L’IHH et le RC10 indiquent tous deux une augmentation de la concentration parmi les industries les plus concentrées (10 % et 25 % supérieurs). Bien que le RC3 semble indiquer que la concentration diminue parmi les industries les plus concentrées, les données sont plutôt agrégées pour des raisons de confidentialité, et les résultats sont moins fiables.

Appendice B : Stabilité des classements

La stabilité des classements mesure le nombre d’entreprises qui sont demeurées parmi les dix plus grandes entreprises d’une industrie au cours des trois dernières années. Cela nous aide à comprendre la façon dont les industries sont dynamiques et si les entreprises peuvent facilement rivaliser avec les plus grands acteurs de leur industrie (aussi appelé « contestabilité »). Nous avons obtenu la stabilité des classements moyenne des industries à code du Système de classification des industries de l’Amérique du Nord (SCIAN) à 4 chiffres pour chaque industrie à code SCIAN à 3 chiffres pour la période de 2003 à 2020.

Méthode

Statistique Canada nous a fourni la stabilité des classements dans des tableaux croisés personnalisés à l’aide de l’ensemble de données du Fichier de microdonnées longitudinales des comptes nationaux (FMLCN) au niveau de l’identificateur de l’entité mère ultime. Nous calculons les mesures de stabilité des classements en utilisant deux critères : le revenu et les bénéfices variables^{Note de bas de page 1}. Pour établir notre ensemble de données, nous mettons en œuvre la procédure de nettoyage des données suivante :

1. Dans l’ensemble de données du FMLCN, plusieurs observations manquent le code d’industrie du SCIAN. Nous remplissons les codes manquants du SCIAN dans une année avec la valeur d’une année antérieure ou subséquente, dans la mesure du possible. Si le code du SCIAN est manquant pour une entreprise tout au long de l’ensemble de données, l’entreprise est exclue de notre analyse.
2. Nous combinons des entreprises qui ont des identificateurs d’entreprise différents, mais le même identificateur de l’entité mère ultime. Ce faisant, nous additionnons leurs variables connexes (comme le revenu total et le bénéfice variable), de sorte que nous obtenions une observation pour chaque paire d’identificateurs de l’entité mère ultime et de SCIAN pour chaque année^{Note de bas de page 2}.
3. Ci-dessous, nous montrons la façon d’obtenir la stabilité des classements pour l’année-industrie (j, t) en fonction du critère de revenu. La stabilité des classements fondée sur le bénéfice variable est dérivée de la même façon. Premièrement, nous fusionnons les données pour l’année t avec les données pour l’année en fonction de l’identificateur d’entreprise. Ensuite, pour chaque code du SCIAN à 4 chiffres, nous identifions les dix entreprises supérieures selon le revenu de l’année t et les dix entreprises supérieures de l’année $\mathrm{<em>t</em>}—3$. La stabilité des classements est le nombre d’entreprises appartenant aux deux groupes.
4. Afin de protéger la confidentialité des entreprises dans ces données, Statistique Canada n’a pas fourni de résultat au code du SCIAN à 4 chiffres. Nous avons plutôt obtenu une stabilité des classements moyenne pour les codes du SCIAN à 4 chiffres dans les codes du SCIAN à 2 et 3 chiffres.

Résultats

Nous constatons une augmentation générale de la stabilité des classements dans l’ensemble de l’économie, ce qui indique que les plus grandes entreprises d’une industrie sont moins susceptibles d’être remplacées et qu’elles font face à moins de difficultés quant à leur position prédominante.

La stabilité des classements fondée sur les bénéfices et les revenus affiche des tendances et des niveaux semblables

Dans notre rapport principal, nous nous concentrons sur la stabilité des classements fondée sur les revenus, car elle est plus étroitement liée à nos mesures de la concentration de l’industrie, qui est calculée en fonction des parts du revenu. Toutefois, nous avons aussi obtenu des tableaux sur la stabilité des classements fondée sur les bénéfices. La figure B1 ci-dessous montre la stabilité des classements moyenne en fonction des profits et des revenus. Les deux indicateurs présentent une tendance semblable.

• Description de la figure B1

  Figure B1 : Stabilité moyenne des classements fondée sur les bénéfices et les revenus de 2003 à 2020 pour toutes les industries

  Année	Stabilité moyenne des classements
  	Stabilité des classements basée sur les bénéfices	Stabilité des classements basée sur les revenus
  2003	4,155	4,283
  2004	4,281	4,475
  2005	4,353	4,429
  2006	4,178	4,340
  2007	4,604	4,809
  2008	4,985	5,224
  2009	4,896	5,040
  2010	5,128	5,202
  2011	5,022	5,252
  2012	5,112	5,444
  2013	5,358	5,545
  2014	5,384	5,510
  2015	5,568	5,703
  2016	5,409	5,540
  2017	5,280	5,383
  2018	5,204	5,433
  2019	5,310	5,508
  2020	5,548	5,778

Le calcul de la tendance temporelle au niveau de l’industrie pour la stabilité des classements fondée sur les bénéfices et les revenus a affiché des résultats semblables. Le pourcentage d’industries qui ont connu une augmentation ou une diminution significative^{Note de bas de page 3} de la stabilité des classements est très semblable, comme le montrent les tableaux B1 et B2.

Tableau B1 : Signification de la tendance à la stabilité des classements fondée sur les revenus pour toutes les industries (SCIAN à 4 chiffres)

	Nombre d’industries	Pourcentage d’industries	Part de l’ensemble des revenus de l’industrie
Augmentation de la stabilité des classements	31	32 %	46 %
Diminution de la stabilité des classements	1	1 %	0 %
Aucun changement significatif	44	45 %	28 %
Impossible de mesurer la tendanceNote de bas de page 4	22	22 %	21 %

Tableau B2 : Signification de la tendance à la stabilité des classements fondée sur les bénéfices pour toutes les industries (SCIAN à 4 chiffres)

	Nombre d’industries	Pourcentage d’industries	Part de l’ensemble des revenus de l’industrie
Augmentation de la stabilité des classements	33	34 %	49 %
Diminution de la stabilité des classements	0	0 %	0 %
Aucun changement significatif	43	44 %	25 %
Impossible de mesurer la tendance	22	22 %	21 %

Lorsque nous examinons les tendances temporelles propres à l’industrie, nous constatons que les industries représentant plus de 45 % de tous les revenus ont affiché une stabilité des classements croissante entre 2003 et 2020 pour les deux mesures. La stabilité des classements de moins de 1 % des industries a chuté. Ces revenus représentent moins de 0,5 % de l’ensemble des revenus de l’industrie.

La stabilité des classements a augmenté dans l’ensemble de la répartition des industries

Afin de déterminer la façon dont la stabilité des classements a changé dans l’ensemble de l’économie, nous avons regroupé les industries et tracé l’évolution de la stabilité des classements pour les industries ayant la stabilité des classements la plus élevée en moyenne au cours de l’ensemble des années par rapport à celles ayant la stabilité des classements la plus faible. La figure B2 et le tableau B3 présentent les tendances à la stabilité des classements fondée sur les revenus pour chaque groupe^{Note de bas de page 5}. Nous constatons que l’augmentation de la stabilité des classements est répandue dans toutes les industries, peu importe la stabilité des classements en 2003. En fait, au début de la période, les industries dont la stabilité des classements était inférieure ont connu une augmentation plus rapide de la stabilité des classements.

• Description de la figure B2

  Figure B2 : Stabilité moyenne des classements fondée sur le revenu de 2003 à 2020 pour les industries regroupées par stabilité moyenne des classements fondée sur le revenu^{Note de bas de page 6}

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2003	5,611	5,083	4,479	4,412	3,615	3,301
  2004	5,333	5,306	4,973	4,453	3,593	3,076
  2005	6,125	5,324	5,011	4,294	3,447	2,646
  2006	6,042	5,492	4,955	4,015	3,428	2,379
  2007	6,233	5,979	5,025	4,735	3,914	3,552
  2008	6,767	6,25	5,389	5,066	4,393	4,033
  2009	6,1	6,030	5,359	5,030	4,248	4,007
  2010	6,367	6,096	5,354	5,176	4,393	4,588
  2011	5,7	6,125	5,736	5,117	4,408	4,357
  2012	6,833	6,428	5,721	5,448	4,400	4,481
  2013	6,528	6,606	5,785	5,202	4,631	4,405
  2014	7,028	6,396	6,047	5,141	4,657	4,451
  2015	7,357	6,539	5,799	5,338	5,148	4,985
  2016	6,762	6,329	5,836	5,207	4,841	4,643
  2017	6,262	6,088	5,908	5,027	4,459	3,998
  2018	6,476	6,368	5,987	5,177	4,397	3,985
  2019	6,833	6,323	6,046	5,273	4,509	4,198
  2020	6,786	6,463	6,154	5,585	4,970	4,547

Tableau B3 : Variation de la stabilité des classements fondée sur le revenu de 2003 à 2020 pour les industries appartenant à différents groupes distributionnels

Groupe	Stabilité des classements en 2003	Stabilité des classements en 2020	Variation de la stabilité des classements
10 % supérieurs	5,61	6,79	+1,17
25 % supérieurs	5,08	6,46	+1,38
50 % à 75 % moyens	4,48	6,15	+1,67
25 % à 50 % moyens	4,41	5,58	+1,17
25 % inférieurs	3,61	4,97	+1,36
10 % inférieurs	3,30	4,55	+1,25

Nous constatons que la stabilité des classements augmente dans tous les groupes d’industries, et ces résultats tiennent compte de la stabilité des classements fondée sur les bénéfices et les revenus.

Appendice C : Taux d’entrée, de sortie et de survie

Les taux d’entrée (de sortie) d’une année donnée sont calculés comme le ratio entre nouveaux venus (nouvelles sorties) et entreprises actives. Des taux d’entrée et de sortie sains sur un marché peuvent indiquer que des entreprises plus efficaces entrent sur le marché et remplacent des entreprises titulaires moins efficaces. Ce roulement peut mener à des niveaux accrus d’innovation et à une intensité concurrentielle plus élevée. Bien que les taux d’entrée et de sortie soient des indicateurs utiles, il est important de les prendre en compte conjointement avec d’autres indicateurs. Par exemple, si les entreprises plus petites et plus récentes sont surtout celles qui sortent de l’industrie, un taux d’entrée ou de sortie plus élevé peut ne pas signifier une plus grande concurrence.

Méthode

Taux d’entrée et de sortie

Les renseignements sur les entrées et les sorties nous sont fournis dans des tableaux croisés personnalisés par Statistique Canada à l’aide de l’ensemble de données du Programme d’analyse longitudinale de l’emploi (PALE). Nous calculons les taux d’entrée et de sortie pour chaque industrie du Système de classification des industries de l’Amérique du Nord (SCIAN) à 4 chiffres.

Nous nous concentrons sur les entreprises actives, c’est-à-dire les entreprises ayant des unités moyennes de main-d’œuvre positive (UMM). L’UMM est définie comme l’emploi moyen d’une entreprise si elle verse à ses employés la rémunération annuelle moyenne (RAM) d’un travailleur type dans cette province, cette taille d’entreprise et cette industrie du SCIAN à 4 chiffres.

Nous définissons les variables suivantes :

• Entrée : le nombre d’entreprises actives au cours de la période t qui n’existaient pas ou qui avaient une UMM de zéro au cours de la période $\mathrm{<em>t</em>}-1$.
• Sortie : le nombre d’entreprises actives au cours de la période t qui n’existaient pas ou qui avaient une UMM de zéro au cours de la période $\mathrm{<em>t</em>}+1$.

À titre de vérification de la robustesse, nous calculons également les mesures à plus long terme d’entrée et de sortie :

• Entrée (long terme) : le nombre d’entreprises actives au cours de la période t qui n’existaient pas ou qui avaient une UMM de zéro au cours des périodes $\mathrm{<em>t</em>}-1$, $\mathrm{<em>t</em>}-2$, et $\mathrm{<em>t</em>}-3$.
• Sortie (long terme) : le nombre d’entreprises actives au cours de la période t qui n’existaient pas ou qui avaient une UMM de zéro au cours des périodes $\mathrm{<em>t</em>}+1$, $\mathrm{<em>t</em>}+2$, et $\mathrm{<em>t</em>}+3$.

Les taux sont calculés en prenant le nombre pertinent, et en le divisant par le nombre d’entreprises actives dans chaque industrie pour chaque année.

Taux de survie

Les taux de survie nous ont été fournis dans des tableaux croisés personnalisés par Statistique Canada à l’aide de l’ensemble de données du PALE. Premièrement, nous gardons les entreprises actives avec une UMM positive. Le taux de survie est ensuite calculé comme le nombre d’entreprises qui ont été actives au cours des cinq dernières années (y compris l’année en cours), divisé par le nombre d’entreprises actives moyennes au cours de ces années.

Résultats détaillés

Les taux d’entrée et de sortie ont diminué globalement

Nous examinons les taux moyens d’entrée et de sortie pondérés en fonction des revenus entre 2001 et 2020, et observons une baisse des taux d’entrée et de sortie (figure C1).

• Description de la figure C1

  Figure C1 : Taux moyens d’entrée et de sortie de 2001 à 2020 pour toutes les industries*

  Année	Entrée (proportionnellement aux sociétés actives)	Sortie (proportionnellement aux sociétés actives)
  2001	0,118	0,134
  2002	0,106	0,124
  2003	0,105	0,112
  2004	0,117	0,103
  2005	0,115	0,098
  2006	0,113	0,102
  2007	0,093	0,102
  2008	0,087	0,103
  2009	0,094	0,120
  2010	0,091	0,111
  2011	0,091	0,104
  2012	0,101	0,103
  2013	0,097	0,105
  2014	0,096	0,105
  2015	0,095	0,104
  2016	0,092	0,115
  2017	0,097	0,103
  2018	0,098	0,105
  2019	0,101	0,105
  2020	0,900	0,123

*Moyenne des taux d’entrée et de sortie de l’industrie pondérés en fonction des revenus de l’industrie

Plus précisément, nous constatons que les taux moyens d’entrée et de sortie pondérés en fonction des revenus ont diminué dans l’ensemble de l’économie entre 2001 et 2020. Les taux d’entrée ont diminué de 24 % (passant de 11,8 % à 9,0 %) et les taux de sortie ont diminué de 8 % entre 2001 et 2020 (passant de 13,4 % à 12,3 %)^{Note de bas de page 1} (Table C1).

Tableau C1 : Variation des taux d’entrée et de sortie de 2001 à 2020 pour toutes les industries (SCIAN à 4 chiffres)

Variable	Taux en 2001	Taux en 2020	Variation du taux (points de pourcentage)
Entrée	11,8 %	9,0 %	-2,8
Sortie	13,4 %	12,3 %	-1,0

Afin de vérifier que les taux d’entrée et de sortie ont diminué en général, nous avons évalué la tendance temporelle au niveau de l’industrie des taux d’entrée et de sortie de 2001 à 2020 au tableau C2 et au tableau C3. Nous avons constaté que 37 % des industries (47,5 % de la part des revenus) ont connu une baisse significative^{Note de bas de page 2} du taux d’entrée et que 20,7 % des industries (27,1 % de la part des revenus) ont connu une baisse significative du taux de sortie.

Tableau C2 : Signification de la tendance du taux d’entrée de toutes les industries (SCIAN à 4 chiffres)

	Nombre d’industries (SCIAN à 4 chiffres)	Pourcentage d’industries	Part de l’ensemble des revenus de l’industrie
Augmentation du taux d’entrée	20	5,9 %	6,3 %
Diminution du taux d’entrée	125	37,0 %	47,5 %
Aucun changement significatif	149	44,1 %	38,6 %
Impossible de mesurer la tendanceNote de bas de page 3	44	13,0 %	7,6 %

Tableau C3 : Importance de la tendance du taux de sortie de toutes les industries (SCIAN à 4 chiffres)

	Nombre d’industries (SCIAN à 4 chiffres)	Pourcentage d’industries	Part de l’ensemble des revenus de l’industrie
Augmentation du taux de sortie	22	6,5 %	14,4 %
Diminution du taux de sortie	70	20,7 %	27,1 %
Aucun changement significatif	205	60,7 %	52,0 %
Impossible de mesurer la tendance	41	12,1 %	6,5 %

À titre de vérification de la robustesse, nous considérons également les taux de sortie et d’entrée à long terme. Nous constatons que les taux d’entrée et de sortie à long terme sont fortement corrélés aux taux d’entrée et de sortie à court terme. De plus, la variation globale des taux d’entrée et de sortie sur l’ensemble de la période d’échantillonnage est constante.

Tableau C4 : Variation à long terme des taux d’entrée et de sortie de 2001 à 2020 pour toutes les industries (SCIAN à 4 chiffres)

Variable	Variation du taux (points de pourcentage)	Corrélation Pearson avec les entrées et sorties à court terme
Entrée (long terme)	-4,0 %	0,97
Sortie (long terme)	-1,2 %	0,87

Notre rapport est axé sur les entrées et les sorties. Cette méthode a permis d’enregistrer les entreprises qui sont devenues actives après avoir été inactives au cours de l’année précédente (entrée) et les entreprises qui sont devenues inactives après avoir été actives au cours de l’année précédente (sortie). Nous présentons ces mesures, car nous disposons des plus grandes données disponibles.

Nous évaluons également une autre mesure à long terme des entrées et des sorties. Cette méthode a permis d’enregistrer les entreprises qui sont devenues actives après avoir été inactives^{Note de bas de page 4} pendant 3 années précédentes (entrée à long terme) et les entreprises actives qui sont devenues inactives pendant 3 années subséquentes (sortie à long terme)^{Note de bas de page 5}. Une quantité importante de ces données au niveau du SCIAN à 4 chiffres n’a pas été communiquée pour des raisons de confidentialité. Nous constatons que les tendances sont semblables lorsque des données étaient disponibles pour les deux méthodes de calcul de l’entrée et de la sortie. Cela confirme notre observation de la baisse du dynamisme de l’industrie.

Les taux de survie ont légèrement augmenté dans l’ensemble

Nous examinons les taux de survie pondérés en fonction des revenus entre 2005 et 2020. Nous constatons une légère augmentation des taux de survie entre 2001 et 2020 (figure C2).

• Description de la figure C2

  Figure C2 : Taux de survie moyen de 2005 à 2020 pour toutes les industries*

  Année	Taux de survie moyen (proportionnellement aux sociétés actives)	Taux de survie inférieur (proportionnellement aux sociétés actives)	Taux de survie supérieur (proportionnellement aux sociétés actives)
  2005	0,684	0,600	0,773
  2006	0,692	0,602	0,778
  2007	0,698	0,607	0,783
  2008	0,702	0,615	0,788
  2009	0,684	0,605	0,772
  2010	0,694	0,619	0,783
  2011	0,704	0,634	0,795
  2012	0,700	0,629	0,788
  2013	0,702	0,632	0,793
  2014	0,707	0,637	0,798
  2015	0,708	0,635	0,798
  2016	0,703	0,637	0,800
  2017	0,705	0,638	0,801
  2018	0,706	0,638	0,802
  2019	0,707	0,634	0,801
  2020	0,704	0,631	0,797

*Moyenne du taux de survie de l’industrie pondérée par les revenus de l’industrie. La zone rouge ombragée indique un écart type de +/- 1 par rapport à la moyenne. Il s’agit de l’intervalle où environ 68 % des données au niveau de l’industrie se situent au cours d’une année donnée.

Plus précisément, nous constatons que le taux de survie pondéré en fonction des revenus entre 2005 et 2020 a augmenté de 2,9 % (passant de 68,4 % à 70,4 %) (tableau C5).

Tableau C5 : Variation du taux de survie de 2005 à 2020 pour toutes les industries (SCIAN à 4 chiffres)

Taux de survie en 2005	Taux de survie en 2020	Variation du taux de survie (points de pourcentage)
68,4 %	70,4 %	+2,0

Tableau C6 : Signification de la tendance du taux de survie de toutes les industries (SCIAN à 4 chiffres)

	Nombre d’industries (SCIAN à 4 chiffres)	Pourcentage d’industries	Part de l’ensemble des revenus de l’industrie
Augmentation du taux de survie	195	57,7 %	58,9 %
Diminution du taux de survie	35	10,4 %	9,7 %
Aucun changement significatif	84	24,9 %	25,0 %
Impossible de mesurer la tendance	24	7,1 %	6,3 %

Afin de vérifier que les taux de survie ont augmenté en général, nous avons évalué la tendance temporelle au niveau de l’industrie des taux de survie de 2005 à 2020 au tableau C6. Nous avons constaté que 57,7 % des industries (58,9 % de la part des revenus) ont connu une augmentation significative du taux de survie.

Appendice D : Ratio coûts-désavantages (RCD)

La concurrence au sein d'un marché fonctionne bien lorsque les entreprises titulaires sont continuellement contestées par de nouveaux entrants éventuels. La capacité d'un nouvel arrivant d'entrer sur un marché et de le faire à une échelle suffisante est une condition préalable à cet effet. Les obstacles à l'entrée peuvent empêcher les concurrents éventuels d'accéder à un marché, ce qui donne aux entreprises titulaires la souplesse nécessaire pour augmenter les prix au-dessus du coût. Les obstacles à l'entrée peuvent comprendre des choses comme la réglementation et la présence d'économies d'échelle.

La présence d'économies d'échelle peut donner un avantage sur le plan des coûts aux entreprises titulaires. Si les entreprises titulaires fonctionnent à l'échelle efficiente minimale, elles sont en mesure de répartir les coûts fixes sur une plus grande quantité de production, ce qui réduit leurs coûts unitaires^{Note de bas de page 1}. Toutefois, une nouvelle entreprise pourrait produire à un coût unitaire plus élevé par rapport aux entreprises déjà en place et, par conséquent, être dissuadée de pénétrer dans des industries qui ont des économies d'échelle élevées. Cette différence dans les coûts unitaires peut être mesurée par le ratio coûts-désavantages (RCD)

Pour mesurer le RCD, nous aurions idéalement les variations des coûts unitaires moyens. Toutefois, dans certaines circonstances, la valeur ajoutée par travailleur fournit une mesure inverse des variations des coûts unitaires^{Note de bas de page 2,Note de bas de page 3} Caves et coll. (1975) définit le calcul du RCD comme étant le ratio de la valeur ajoutée par travailleur dans les 50 % des plus petites entreprises par rapport à la valeur ajoutée par travailleur dans les 50 % des plus grandes entreprises^{Note de bas de page 4}.

Méthode

Le RCD mesure les économies d'échelle dans une industrie en comparant l'efficience des grandes entreprises à leurs plus petits rivaux. Nous utilisons l'ensemble de données du Fichier de microdonnées longitudinales des comptes nationaux (FMLCN) pour estimer le ratio coûts-désavantages de 2001 à 2018 pour chaque industrie du Système de classification des industries de l'Amérique du Nord (SCIAN) à 3 chiffres^{Note de bas de page 5}. Pour tenir compte de la propriété commune, nous utilisons l'identificateur de l'entité mère ultime comme unité d'observation au lieu de l'identificateur de l'entreprise. Pour établir notre ensemble de données, nous mettons en œuvre la procédure de nettoyage des données suivante :

1. Dans l'ensemble de données du FMLCN, plusieurs observations manquent le code d'industrie du SCIAN. Nous remplissons ces codes manquants du SCIAN dans une année avec la valeur d'une année antérieure ou subséquente, dans la mesure du possible. Si le code du SCIAN est manquant pour une entreprise tout au long de la période, l'entreprise est exclue de notre analyse.
2. Nous combinons des entreprises qui ont des identificateurs d'entreprise différents, mais le même identificateur de l'entité mère ultime. Ce faisant, nous additionnons leurs variables connexes (y compris les ventes, la valeur ajoutée et la main-d'œuvre), de sorte que nous obtenions une observation pour chaque paire d'identificateurs de l'entité mère ultime et de SCIAN pour chaque année.
3. Nous ne gardons que les entreprises actives. Nous définissons une entreprise active comme toute entreprise qui a des ventes de biens et de services strictement positives et qui a une main-d'œuvre annuelle moyenne supérieure à 1^{Note de bas de page 6}. Nous supprimons toute entreprise dont les variables sont manquantes pour la main-d'œuvre annuelle moyenne ou les ventes de biens et de services.
4. Pour établir notre variable indicateur, les entreprises de chaque année et le code du SCIAN à 3 chiffres sont d'abord triés en fonction de leurs ventes. Nous divisons ensuite les entreprises en deux groupes : un groupe de petites entreprises en fonction des ventes de biens et de services qui représentent 50 % des ventes totales de l'industrie [indiqué par la variable ${{(\mathrm{<em>I</em>}}_{\mathrm{<em>it</em>}}}_{\mathrm{<em>below\; 50\%</em>}}=1)$], et un groupe de grandes entreprises qui couvrent les 50 % restants des ventes totales de l'industrie [indiqué par la variable ${{(\mathrm{<em>I</em>}}_{\mathrm{<em>it</em>}}}_{\mathrm{<em>above\; 50\%</em>}}=1)$].
5. Afin de préserver la confidentialité des entreprises individuelles, si le nombre de grandes entreprises (dont ${{\mathrm{<em>I</em>}}_{\mathrm{<em>it</em>}}}_{\mathrm{<em>above\; 50\%</em>}}=1$) est inférieur à 10, nous plaçons les 10 plus grandes entreprises dans le groupe des grandes entreprises.
6. La variable dépendante de notre équation de régression est calculée comme la valeur ajoutée par travailleur à l'aide de la somme des feuillets T4 et du revenu en capital (value_added_WW), puis divisée par la moyenne des demandes d'emploi mensuelles (PD7_AvgEmp_12) de l'ensemble de données du FMLCN.
7. À la suite de Caves et coll. (1975), nous estimons le RCD en effectuant la régression suivante : ${\mathrm{<em>ValueAddedPerWorker</em>}}_{\mathrm{<em>it</em>}}=\underset{j}{\Sigma }\left({\beta }_{1jt}{I_{it}}_{above\mathrm{ }50\mathrm{\%}}\times j_{it}+{\beta }_{2jt}{I_{it}}_{below\mathrm{ }50\mathrm{\%}}\times j_{it}\right)+{\in }_{it}$ $\mathrm{<em>i</em>}$ indexe les entreprises, $\mathrm{<em>j</em>}$ indexe les codes du SCIAN et $\mathrm{<em>t</em>}$ indexe les années. Dans cette régression, ${\mathrm{<em>j</em>}}_{\mathrm{<em>it</em>}}$ est un indicateur pour déterminer si l'entreprise $\mathrm{<em>i</em>}$ exerce ses activités dans l'industrie $\mathrm{<em>j</em>}$ au cours de l'année $\mathrm{<em>t</em>}$. ${{\mathrm{<em>I</em>}}_{\mathrm{<em>it</em>}}}_{\mathrm{<em>above\; 50\%</em>}}$ ( ${{\mathrm{<em>I</em>}}_{\mathrm{<em>it</em>}}}_{\mathrm{<em>below\; 50\%</em>}}$) est une mesure qui détermine si l'entreprise $\mathrm{<em>i</em>}$ fait partie de l'ensemble des grandes (petites) entreprises en fonction de ses ventes, qui représentent la moitié^{Note de bas de page 7} de la part du marché total de l'industrie $\mathrm{<em>j</em>}$ .
8. Le RCD est alors calculé comme suit : ${\stackrel{\bigwedge }{\mathrm{CDR}}}_{\mathrm{<em>jt</em>}}=\frac{{\hat{\beta }}_2}{{\hat{\beta }}_1}$ qui est intuitivement la valeur ajoutée moyenne par travailleur pour les petites entreprises divisée par la valeur ajoutée moyenne par travailleur pour les grandes entreprises. En supposant que les grandes entreprises sont plus efficientes, on s'attend à ce que ce ratio soit inférieur à 1.
9. Nous utilisons la méthode delta pour estimer l'erreur type du RCD. Plus précisément, permettre $\stackrel{\bigwedge }{\beta }{1}_{},\stackrel{\bigwedge }{\beta }2,\stackrel{\bigwedge }{𝑣}1,\stackrel{\bigwedge }{𝑣}2$ d'être les coefficients estimés et leur variance. La variance estimée de $\stackrel{\bigwedge }{\mathrm{CDR}}=\frac{{\hat{\beta }}_2}{{\hat{\beta }}_1}$ est ensuite calculée comme suit ^{Note de bas de page 8} :

$\widehat{var\left(CDR\right)}={\left(\frac{1}{\widehat{{\beta }_1}}\right)}^2\widehat{v_2}+{\left(\frac{-\widehat{{\beta }_2}}{{\left(\widehat{{\beta }_1}\right)}^2}\right)}^2\widehat{v_1}$

Résultats détaillés

Pour le reste de la présente section, nous faisons état de la réciprocité du RCD $\left(\frac{1}{\stackrel{\bigwedge }{\mathrm{CDR}}}\right)$. Nous avons fait de même dans le rapport principal. Ce rajustement fait en sorte que le RCD augmente dans le degré d'économies d'échelle. Les valeurs affichées à l'extrémité supérieure de la distribution représentent les industries qui ont de grandes économies d'échelle, tandis que les industries à l'extrémité inférieure de la distribution ont de petites économies d'échelle.

Les économies d'échelle ont diminué globalement

En regroupant les industries par leur RCD réciproque moyen sur toute la période de 2001 à 2018, nous pouvons suivre et comparer l'évolution des RCD réciproques des industries qui ont des économies d'échelle plus élevées avec celles qui ont des économies d'échelle plus faibles. La figure D1 montre le changement dans les RCD réciproques des industries regroupées par leur RCD réciproque moyen sur l'ensemble de l'échantillon. Nous regroupons les industries en quatre quartiles (25 % supérieurs, 50 % à 75 % moyens, 25 % à 50 % moyens et 25 % inférieurs) ainsi que les 10 % supérieurs et inférieurs.

Nous nous intéressons particulièrement à l'évaluation de l'évolution de la réciprocité des RCD dans les industries qui ont de grandes économies d'échelle. Il s'agit probablement des industries qui comportent des obstacles importants à l'entrée.

Nous observons une diminution globale des RCD réciproques des industries ayant des économies d'échelle élevées, notamment le quart supérieur des industries, classées par concentration et, au sein de ce groupe, les 10 % supérieurs des industries.

• Description de la Figure D1

  Figure D1 : RCD réciproque annuel moyen de 2001 à 2018 pour les industries regroupées par économies d'échelle de haut à faible

  	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2001	9,92	6,01	2,29	1,88	1,47	1,27
  2002	10,17	5,68	2,37	1,89	1,30	1,13
  2003	12,30	6,85	2,38	1,82	1,29	1,07
  2004	8,48	5,78	2,21	1,70	1,28	1,16
  2005	7,52	4,78	2,62	1,65	1,27	1,17
  2006	6,82	5,16	2,38	1,64	1,29	1,13
  2007	11,00	6,32	2,38	1,72	1,34	1,29
  2008	5,07	4,07	2,26	1,69	1,32	1,11
  2009	8,27	5,16	2,03	1,74	1,24	1,06
  2010	4,32	3,57	2,19	1,74	1,21	1,01
  2011	6,96	4,64	2,20	2,11	1,35	1,05
  2012	5,15	4,25	2,12	1,73	1,46	1,08
  2013	5,01	3,97	2,03	1,71	1,31	1,09
  2014	3,21	3,07	2,82	1,76	1,29	1,09
  2015	3,60	3,42	2,15	1,74	1,26	1,11
  2016	4,30	3,67	2,07	1,67	1,25	1,07
  2017	5,05	4,14	2,04	1,84	1,37	1,05
  2018	3,70	3,76	2,05	1,74	1,30	1,16

Plus précisément, le RCD réciproque des groupes d'industries ayant les économies d'échelle les plus élevées (10 % supérieurs des entreprises) a diminué, passant de 9,92 à 3,70 (-62,64 %) de 2001 à 2018, et celui des 25 % supérieurs des entreprises est passé de 6,02 à 3,77 (-37,38 %) au cours de la même période. Cela laisse entendre que l'avantage en matière de coûts que possèdent les grandes entreprises par rapport aux petites entreprises en raison des économies d'échelle dans ces industries diminue. À mesure que les économies d'échelle diminuent, les nouvelles entreprises n'ont pas besoin d'atteindre une taille aussi importante pour rivaliser avec les grandes entreprises existantes. Cela pourrait indiquer des obstacles moins importants à l'entrée et une meilleure position concurrentielle pour les nouveaux venus éventuels. Toutefois, nous n'avons pas observé d'augmentation correspondante des taux d'entrée au cours de cette période.

Tableau D1 : Variation du RCD réciproque de 2001 à 2018 des industries appartenant à différents groupes distributionnels (SCIAN à 3 chiffres)

Groupe	RCD réciproque en 2001	RCD réciproque en 2018	Variation du RCD réciproque
10 % supérieurs	9,92	3,70	-6,21
25 % supérieurs	6,02	3,77	-2,25
50 % à 75 % moyens	2,30	2,06	-0,24
25 % à 50 % moyens	1,89	1,74	-0,15
25 % inférieurs	1,47	1,30	-0,17
10 % inférieurs	1,28	1,16	-0,12

Afin de vérifier davantage que le RCD réciproque a diminué en général, nous avons évalué la tendance temporelle du RCD réciproque au niveau de l'industrie de 2001 à 2018^{Note de bas de page 9}. Nous avons constaté que 21 % des industries (22 % de la part des revenus) ont connu une baisse significative du RCD réciproque entre 2001 et 2018.

Tableau D2 : Signification de la tendance du RCD réciproque de l'ensemble des industries (SCIAN à 3 chiffres)

Orientation de la tendance	Nombre d'industries	Pourcentage d'industries	Part de l'ensemble des revenus de l'industrie
Augmentation du RCD réciproque	16	15,2 %	14,0 %
Diminution du RCD réciproque	22	21,0 %	22,1 %
Aucun changement significatif	59	56,2 %	45,5 %
Impossible de mesurer la tendanceNote de bas de page 10	8	7,6 %	18,4 %

Bien que seulement 21,0 % des industries aient un coefficient de tendance à la baisse, nous constatons que la baisse globale est en grande partie attribuable aux industries des 25 % supérieurs.

L'efficacité ne favorise pas la concentration

Parmi les 10 % supérieurs des industries les plus concentrées selon l'IHH, aucune n'affiche d'augmentation considérable du RCD réciproque au fil du temps. Par conséquent, nous concluons que les industries les plus concentrées ne sont pas plus concentrées en raison de l'augmentation de l'efficience relative des grandes entreprises.

Appendice E : Marges

Les entreprises établissent des prix qui tiennent compte de leurs coûts et reflètent la pression concurrentielle exercée par les entreprises rivales.

En l’absence de pression concurrentielle, les entreprises peuvent avoir une puissance commerciale et la capacité d’augmenter les prix. La marge séparant les prix des coûts est une mesure directe de la puissance commerciale et peut mettre en évidence les industries où la concurrence fait défaut. Bien que les marges soient un outil standard pour évaluer la puissance commerciale, elles ne donnent pas une image complète lorsqu’elles sont considérées indépendamment des autres mesures. Par exemple, la marge des prix peut ne pas tenir compte de choses comme la concurrence hors prix et les contraintes de capacité.

Méthode

Nous utilisons l’ensemble de données du Fichier de microdonnées longitudinales des comptes nationaux (FMLCN) pour estimer les marges au niveau de l’entreprise de 2002 à 2018. Pour créer notre ensemble de données, nous avons appliqué certains processus de nettoyage des données.

En premier lieu, dans l’ensemble de données du FMLCN, plusieurs observations ne comportent pas de code d’industrie du Système de classification des industries de l’Amérique du Nord (SCIAN). Nous remplissons les codes manquants du SCIAN dans une année avec la valeur d’une année antérieure ou subséquente, dans la mesure du possible. Si le code du SCIAN est manquant pour une entreprise tout au long de l’ensemble de données, l’entreprise est exclue de notre analyse. En deuxième lieu, nous ne gardons que les entreprises dont les revenus sont strictement positifs et non manquants.

Nous incorporons également des déflateurs du produit intérieur brut (PIB) en utilisant le PIB propre à l’année-secteur et le PIB réel provenant de Statistique Canada^{Note de bas de page 1}. Pour chaque secteur et chaque année, le PIB du secteur divisé par le PIB réel du secteur produit le déflateur.

Ensuite, nous établissons les variables clés utilisées dans les calculs de marge. Plus précisément, la masse salariale est calculée par approximation de la masse salariale totale de l’entreprise, les revenus sont calculés par approximation des ventes totales variables de biens et de services^{Note de bas de page 2}, l’emploi est calculé par approximation de la moyenne de toutes les demandes mensuelles d’emploi, le capital-actions est calculé par approximation de la somme des immobilisations corporelles totales et de l’amortissement cumulé total des immobilisations corporelles, les dépenses en frais généraux sont calculées par approximation des dépenses d’exploitation totales, et les investissements sont calculés par approximation de la somme des investissements nets dans les machines et le matériel. Nous ne gardons que les entreprises actives dans notre analyse^{Note de bas de page 3}.

Nous calculons la part du marché de chaque entreprise dans le SCIAN à 4 chiffres de chaque année. (Cela correspond à la variable z du modèle ci-dessous, c.-à-d. un facteur du marché de la production qui génère une variation de la demande portant sur les facteurs entre les entreprises.) Nous fusionnons ensuite les déflateurs du PIB au niveau de l’année-secteur à 4 chiffres afin de dévaluer toutes les valeurs nominales en valeurs réelles. Nous suivons De Loecker et coll. (2020) et nous n’utilisons que des déflateurs du PIB plutôt que des déflateurs différents pour différentes variables, comme le revenu et l’investissement.

Ensuite, nous ne gardons que les entreprises dont la masse salariale est strictement positive^{Note de bas de page 4} et nous prenons le logarithme des revenus, du capital-actions et de l’emploi en supprimant les observations avec des valeurs manquantes pour l’une ou l’autre des variables consignées. Autrement dit, seules les observations ayant un revenu, un capital-actions et un emploi strictement positif sont gardées. Nous prenons en outre le logarithme des dépenses indirectes et des investissements, mais nous ne supprimons pas les observations concernant les dépenses indirectes ou les investissements consignés manquants. Nous ne les supprimons que lorsque nous mettons en œuvre l’approche en deux étapes ou en une étape, parce que la variable des dépenses indirectes (investissement) n’est utilisée que dans l’approche en deux étapes (en une étape).

Trois autres remarques sont utiles. En premier lieu, le calcul des parts du marché est effectué au début avant de supprimer les observations avec des variables consignées manquantes, car la part du marché doit être calculée à l’aide de toutes les données disponibles. Les observations supprimées auraient pour effet de surestimer les parts du marché des entreprises. En deuxième lieu, nous ne gardons que les observations avec au moins un employé^{Note de bas de page 5}. En troisième lieu, la masse salariale n’est utilisée que pour calculer une variable représentant une part, il n’est donc pas nécessaire d’utiliser son logarithme.

Ensuite, nous passons aux calculs de marge. Nous suivons deux approches pour calculer les marges : l’approche en deux étapes de De Loecker et Warzynski (2012)^{Note de bas de page 6} et l’approche en une étape d’Olley et Pakes (1996)^{Note de bas de page 7} Ces deux approches calculent le numérateur du calcul des marges estimées.

Estimation de l’élasticité de la production de l’intrant variable : approche en deux étapes de De Loecker et Warzynski (2012) (DLW)

Au début de l’approche en deux étapes, nous supprimons les observations sans logarithme des dépenses indirectes (mais nous ne tenons pas compte du logarithme de l’investissement). Notre codage pour cette approche suit principalement le code de réplication du document original de De Loecker-Warzynski, avec deux petites modifications en raison des caractéristiques précises de nos données.

1. Nous calculons la masse salariale par employé de chaque entreprise chaque année, qui est la masse salariale divisée par l’emploi. Ensuite, dans chaque SCIAN à 4 chiffres, nous supprimons les observations aberrantes de la masse salariale par employé dans les 2 % supérieurs ou inférieurs^{Note de bas de page 8}. Supprimer ces entreprises aberrantes dont la masse salariale par employé comporte des valeurs extrêmes exclut probablement les entreprises comptant de nombreux employés non producteurs (p. ex. les gestionnaires) ou une proportion démesurée de travailleurs à temps partiel. Cela est conforme à l’intention de notre mesure de l’emploi qui vise à saisir la partie ajustable de la main-d’œuvre des entreprises.
2. Nous utilisons les coefficients d’une régression des moindres carrés ordinaires (MCO) comme valeurs de départ pour l’estimation de la méthode des moments généralisés (GMM) afin de faciliter la convergence.

De Loecker et coll. (2020)^{Note de bas de page 9} montre que la marge (prix sur coût marginal) d’une entreprise au cours d’une année est :

${\mu }_{it}={\theta }_{it}^v\frac{P_{it}{Q}_{it}}{P_{it}^V{V}_{i\mathrm{t\text{'}}}}$

où ${\mathrm{<em>V</em>}}_{\mathrm{<em>it</em>}}$ est le nombre d’unités d’un intrant variable (p. ex. la main-d’œuvre), $P_{it}^V$ est le prix de l’intrant ${\mathrm{<em>V</em>}}_{\mathrm{<em>it</em>}} ,{\mathrm{<em>P</em>}}_{\mathrm{<em>it</em>}}{\mathrm{<em>Q</em>}}_{\mathrm{<em>it</em>}}$ est le revenu et ${\theta }_{it}^v$ est l’élasticité de la production de l’intrant variable. ${\theta }_{it}^v$ doit être obtenu en estimant une fonction de production. L’intrant variable est quelque chose que l’entreprise peut facilement rajuster, qui, dans le cas de De Loecker et coll. (2020), est le coût des biens vendus ou de l’emploi.

Nous limitons ${\theta }_{it}^v$ à être le même au fil du temps pour les entreprises d’un SCIAN à 4 chiffres (par conséquent, nous ajoutons l’indice s pour représenter un SCIAN à 4 chiffres et laissons tomber l’indice t), mais nous lui permettons de varier de façon souple d’un secteur à l’autre. La fonction de production d’une entreprise peut être représentée comme suit :

$y_{it}={\theta }_s^v{v}_{it}+{\theta }_s^k{k}_{it}+{\theta }_s^x{x}_{it}+{\omega }_{it}+{\epsilon }_{it}$,

où les variables en minuscules représentent des quantités consignées [p. ex. $y_{it}=\mathrm{l}\mathrm{n}\left(Y_{it}\right)$ ], ${\mathrm{<em>\omega </em>}}_{\mathrm{<em>it</em>}}$ saisit les chocs de productivité non observés et ${\mathrm{<em>\epsilon </em>}}_{\mathrm{<em>it</em>}}$ saisit les erreurs de mesure. ${\mathrm{<em>y</em>}}_{\mathrm{<em>it</em>}}$ est le revenu, ${\mathrm{<em>v</em>}}_{\mathrm{<em>it</em>}}$ est l’emploi, ${\mathrm{<em>k</em>}}_{\mathrm{<em>it</em>}}$ est le capital-actions et ${\mathrm{<em>x</em>}}_{\mathrm{<em>it</em>}}$ est les dépenses indirectes. L’approche standard pour traiter de l’endogénéité (c.-à-d. les choix d’intrants peuvent être des fonctions d’innovations dans le cadre du choc de productivité) consiste à utiliser une fonction de contrôle. Nous laissons le choc de productivité être une fonction souple des états et des contrôles :

${\mathrm{<em>\omega </em>}}_{\mathrm{<em>it</em>}}={\mathrm{<em>h</em>}}_{\mathrm{<em>t</em>}}({\mathrm{<em>d</em>}}_{\mathrm{<em>it</em>}} ,{\mathrm{<em>k</em>}}_{\mathrm{<em>it</em>}} ,{\mathrm{<em>z</em>}}_{\mathrm{<em>it</em>}})$,

où ${\mathrm{<em>d</em>}}_{\mathrm{<em>it</em>}}$ est un choix statique de l’entreprise (soit le coût des biens vendus comme dans Olley et Pakes, soit l’investissement comme dans Ackerberg et coll. [2015]^{Note de bas de pages 10}) et ${\mathrm{<em>z</em>}}_{\mathrm{<em>it</em>}}$ sont les contrôles qui saisissent l’évolution des marchés de la production et des intrants. DLW est une approche en deux étapes où nous envisageons que ${\mathrm{<em>d</em>}}_{\mathrm{<em>it</em>}}={\mathrm{<em>v</em>}}_{\mathrm{<em>it</em>}}$ , ce qui nous mène à une fonction de production non paramétrique :

$y_{it}= {\mathrm{<em>\Phi </em>}}_t\left(v_{it}, k_{it}, z_{it},x_{it}\right)+{\epsilon }_{it}$.

Nous supposons que le choc de productivité évolue selon un processus de premier ordre de Markov, c. à d. ${\omega }_{it}=g\left({\omega }_{it-1}\right)+{\xi }_{it}$. Nous estimons d’abord la fonction ${\mathrm{<em>\varphi </em>}}_{\mathrm{<em>t</em>}}$ et récupérons la productivité comme ${\omega }_{it}={\varphi }_t-{\theta }_s^v{v}_{it}-{\theta }_s^k{k}_{it}-{\theta }_s^x{x}_{it}$ . Les paramètres structuraux $\mathrm{<em>\theta </em>}$ (${\theta }_s^v$, ${\theta }_s^k$ et ${\theta }_s^x$) peuvent être estimés à l’aide des conditions de moment suivantes :

$\mathrm{<em>E </em>}\left({\xi }_{it}\left(\theta \right)\left[\begin{array}{c}{v}_{it-1}\\ k_{it}\\ x_{it}\end{array}\right]\right)=0$

Estimation de l’élasticité de la production de l’intrant variable : approche en une étape d’Olley et Pakes (1996) (OP)

L’approche en une étape d’Olley-Pakes est simple et peut être mise en œuvre au moyen d’une seule régression. Remarque : Au début de cette approche, nous supprimons les observations sans logarithme de l’investissement (mais nous ne tenons pas compte du logarithme des dépenses indirectes).

Olley et Pakes (1996) utilise l’investissement comme contrôle et suppose que les décisions d’investissement n’ont pas d’incidence sur le choc de productivité. Ackerberg et coll. (2015) montre que cette estimation peut être faite en une seule étape à l’aide des moindres carrés non linéaires :

$y_{it}={\theta }_{st}^v{v}_{it}+{\theta }_{st}^x{x}_{it}+{\Phi }_t\left(i_{it},k_{it},z_{it}\right)+{ϵ}_{it}$.

Il est à noter que dans l’approche en une étape, en raison de sa simplicité, nous pouvons permettre l’élasticité de la production de varier également selon l’année. Nous acceptons que ${\mathrm{<em>z</em>}}_{\mathrm{<em>it</em>}}$ est une part du marché et que ${\mathrm{<em>\varphi </em>}}_{\mathrm{<em>t</em>}}$ est un ensemble de fonctions polynomiales.

Calcul des marges

Les divers intrants des calculs de marge sont calculés comme suit :

1. Pour les deux méthodes, nous calculons la part des intrants de la main-d’œuvre propre à l’entreprise par rapport aux revenus totaux : $\left(\frac{P_{it}{Q}_{it}}{P_{it}^V{V}_{it}}\right)$.
2. Dans la méthode de DLW, nous calculons ${\theta }_s^v$ pour chaque industrie du SCIAN à 4 chiffres. Ce paramètre ne varie pas au fil du temps. Le même paramètre est attribué à chaque entreprise de l’industrie du SCIAN à 4 chiffres.
3. Dans la méthode d’OP, nous calculons ${\theta }_{\mathrm{st}}^v$ pour chaque industrie du SCIAN à 4 chiffres et la période. Le paramètre est attribué à chaque entreprise d’une paire donnée de $s$ et $t$.
4. Les marges sont calculées comme suit :

${\widehat{\mu }}_{it}=\widehat{{\theta }_{it}^v}\frac{P_{it}{Q}_{it}}{P_{it}^V{V}_{it}}$

Limites

Étant donné que le coût marginal n’est pas observable dans les données fiscales, nous nous appuyons sur les approches de DLW et d’OP pour estimer les marges à l’aide d’une fonction de production estimée. Bien que ces méthodes nous permettent de calculer la marge sans le coût marginal, il existe un certain nombre de limites possibles.

Doraszelski et Jaumandreu (2021)^{Note de bas de page 11} critique l’approche de De Loecker et Warzynski (2012) pour mesurer les marges à partir des données de la fonction de production. Le document indique que la méthode de DLW ne résiste pas aux différences de demande entre les entreprises ou le temps, à moins qu’elles ne soient observées par l’économétricien. Un autre document de Bond et coll. (2021)^{Note de bas de page 12} explore les difficultés de détermination et d’estimation liées au calcul de marges à l’aide de l’estimateur de ratio. En ce qui concerne la détermination, l’estimateur de ratio ne tient pas compte des marges si l’élasticité du revenu est utilisée au lieu de l’élasticité de la production ou si les intrants utilisés ne sont ni entièrement fixes ni entièrement souples. De plus, même en observant la quantité et les prix, il peut être difficile d’estimer l’élasticité de la production lorsque les entreprises sont confrontées à des calendriers de demande différents et à des dynamiques de productivité non linéaires.

Malgré ces limites, les chercheurs ont indiqué que tant que les fonctions de production réelles et estimées ne changent pas au fil du temps — une hypothèse courante dans la littérature — les changements ou les tendances des marges sont cernés et peuvent être estimés de façon uniforme. On peut montrer que la variation en pourcentage des marges estimées reflète la variation en pourcentage des marges réelles. Il est donc tout à fait logique de tenir compte des variations en pourcentage des marges estimées^{Note de bas de page 13}

Les tendances des marges résistent au modèle d’estimation utilisé

Dans les figures E1 et E2, nous présentons les marges des méthodologies d’OP et de DLW en utilisant les pondérations de revenu et de main-d’œuvre. La chose la plus importante à noter est que le choix du système de pondération n’a pas d’incidence sur les tendances et les variations des données. Dans le cas des approches de DLW et d’OP, les séries pondérées en fonction du revenu et de la main-d’œuvre affichent des co-fluctuations semblables. La principale différence entre les approches d’OP et de DLW est que leurs niveaux respectifs diffèrent de façon significative, ce qui a été indiqué dans la littérature^{Note de bas de page 14} Toutefois, à nos fins, nous nous concentrons principalement sur l’évolution des marges au fil du temps et le choix du système de pondération et de la méthode sous-jacente n’a pas d’incidence significative sur nos conclusions.

• Description de la Figure E1

  Figure E1 : Marge annuelle moyenne de 2001 à 2018, selon la méthode et la procédure de pondération

  Année	DLW - pondération de main-d’œuvre	DLW - pondération de revenu	OP - pondération de main-d’œuvre	OP - pondération de revenu
  2001	0	0	0,972	1,068
  2002	1,685	1,819	0,961	1,056
  2003	1,690	1,824	0,966	1,069
  2004	1,692	1,856	0,986	1,092
  2005	1,689	1,830	0,974	1,067
  2006	1,716	1,862	1,005	1,110
  2007	1,742	1,912	0,997	1,105
  2008	1,751	1,908	0,978	1,087
  2009	1,758	1,923	0,980	1,085
  2010	1,761	1,941	0,987	1,099
  2011	1,760	1,950	0,983	1,092
  2012	1,762	1,937	0,976	1,083
  2013	1,755	1,948	0,977	1,090
  2014	1,756	1,950	0,977	1,094
  2015	1,754	1,921	0,987	1,094
  2016	1,803	1,985	1,012	1,129
  2017	1,761	1,934	1,007	1,117
  2018	1,758	1,942	1,012	1,135

• Description de la figure E2

  Figure E2 : Tendance indexée des marges moyennes de 2002 à 2018, selon la méthode et la procédure de pondération (Index, 2002 = 100)

  Année	DLW - pondération de main-d’œuvre	DLW - pondération de revenu	OP - pondération de main-d’œuvre	OP - pondération de revenu
  2002	100	100	100	100
  2003	100,319	100,241	100,496	101,276
  2004	100,416	102	102,604	103,421
  2005	100,274	100,559	101,342	101,122
  2006	101,873	102,359	104,604	105,115
  2007	103,380	105,099	103,735	104,704
  2008	103,953	104,857	101,744	102,946
  2009	104,324	105,660	102	102,812
  2010	104,501	106,699	102,717	104,151
  2011	104,465	107,174	102,243	103,452
  2012	104,590	106,473	101,597	102,587
  2013	104,182	107,063	101,609	103,278
  2014	104,252	107,159	101,626	103,664
  2015	104,085	105,576	102,721	103,669
  2016	107,008	109,117	105,326	106,914
  2017	104,514	106,286	104,785	105,870
  2018	104,316	106,740	105,286	107,569

L’évolution des marges résiste aux diverses méthodes de classification des groupes

Nous constatons que les marges augmentent dans l’ensemble de la répartition des industries et augmentent plus rapidement dans les industries à forte marge. Nous répartissons les industries du SCIAN à 4 chiffres en groupes en fonction de leur marge moyenne sur l’ensemble de l’échantillon. Nous regroupons les industries en quatre quartiles (25 % supérieurs, 50 % à 75 % moyens, 25 % à 50 % moyens et 25 % inférieurs) ainsi que les 10 % supérieurs et inférieurs. Dans la figure E3, nous présentons les marges moyennes pondérées en fonction des revenus par groupes en utilisant l’approche de DLW. L’indexation à 100 en 2002 nous aide à comparer l’évolution des marges moyennes au fil du temps sans nous concentrer sur le niveau. Comme il est susmentionné, l’évolution des marges est très semblable, peu importe la méthode ou le système de pondération utilisé.

• Description de la Figure E3

  Figure E3 : Tendance indexée des marges moyennes de 2002 à 2018 pour les industries regroupées par marge moyenne

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2001	0	0	0	0	0	0
  2002	100	100	100	100	100	100
  2003	100,624	102,067	100,940	99,934	98,580	95,729
  2004	105,550	102,650	103,642	101,632	98,529	100,165
  2005	104,186	102,858	101,063	99,241	98,965	98,516
  2006	103,495	104,947	100,906	100,577	99,692	101,688
  2007	114,939	114,713	99,327	98,310	96,096	94,816
  2008	115,117	111,198	102,143	99,426	95,882	90,924
  2009	119,946	116,627	100,160	96,717	97,494	93,853
  2010	123,946	117,074	102,387	98,549	97,689	93,364
  2011	129,495	120,072	101,949	97,817	96,567	94,135
  2012	110,079	110,398	104,565	99,594	102,999	97,250
  2013	120,059	114,322	103,349	100,185	106,085	112,194
  2014	118,432	115,119	102,073	98,816	104,345	110,978
  2015	118,516	112,198	103,234	99,215	103,834	103,937
  2016	119,959	116,847	103,641	104,720	102,601	106,889
  2017	110,626	110,326	104,258	102,792	104,360	103,816
  2018	112,543	109,933	107,554	102,342	104,240	105,374

Tableau E1 : Variation de la marge de 2002 à 2018 pour les industries de différents groupes distributionnels

Groupe	Marge indexée de DLW en 2002 (2002 = 100)	Marge indexée de DLW en 2018 (2002 = 100)	Variation de la marge indexée (en pourcentage)
10 % supérieurs	100	112,5	12,5 %
25 % supérieurs	100	109,9	9,9 %
50 % à 75 % moyens	100	107,6	7,6 %
25 % à 50 % moyens	100	102,3	2,3 %
25 % inférieurs	100	104,2	4,2 %
10 % inférieurs	100	105,4	5,4 %

Une autre façon d’évaluer l’évolution des marges au fil du temps consiste à examiner les coefficients de tendance précis du SCIAN à 4 chiffres.

Tableau E2 : Signification de la tendance de la marge de toutes les industries (SCIAN à 4 chiffres)

	Nombre d’industries	Pourcentage d’industries	Part de l’ensemble des revenus de l’industrie
Augmentation de la marge	55	16,3 %	8,2 %
Diminution de la marge	25	7,4 %	13,3 %
Aucun changement significatif	183	54,1 %	50,4 %
Impossible de mesurer la tendanceNote de bas de page 15	75	22,2 %	28,1 %

Nous constatons qu’une grande partie des industries n’ont connu aucune augmentation significative^{Note de bas de page 16}. Pour un autre groupe d’industries, nous n’avons pas eu suffisamment d’observations (marges de cette industrie pour une année donnée) pour conclure si les marges étaient en hausse ou en baisse^{Note de bas de page 17.}

Néanmoins, nous observons une légère augmentation des marges dans l’ensemble, et les marges ont augmenté dans un plus grand nombre d’industries que diminué. Nous sommes davantage confiants de cette tendance, car elle est conforme aux tendances observées dans le cadre de notre mesure des bénéfices.

Appendice F : Bénéfices

Lorsque les entreprises doivent rivaliser de manière agressive avec leurs rivaux, elles doivent faire face à des pressions pour maintenir leurs prix bas. Nous ne nous attendons donc pas à ce qu’elles gagnent beaucoup plus de bénéfices. L’examen des tendances des bénéfices peut nous donner un aperçu des pressions auxquelles les entreprises font face pour maintenir leurs prix, et donc leurs bénéfices, à un niveau inférieur afin de concurrencer leurs rivaux.

Statistique Canada nous a fourni des renseignements sur les bénéfices dans des tableaux personnalisés. Le ratio de la marge d’exploitation est défini comme les bénéfices d’exploitation d’une entreprise divisés par ses revenus. Les bénéfices d’exploitation sont les bénéfices d’exploitation avant intérêts et impôts (BAII)^{Footnote 1}.

Statistique Canada a fourni des tableaux sur les indicateurs des bénéfices pour les années 2000 à 2020 à l’aide de l’ensemble de données du Fichier de microdonnées longitudinales des comptes nationaux (FMLCN) ainsi que de l’Index général des renseignements financiers (IGRF)^{Footnote 2}.

Méthode : Ratio de la marge d’exploitation

Pour créer notre ensemble de données, nous avons appliqué certaines procédures de nettoyage des données.

1. En premier lieu, dans l’ensemble de données du FMLCN, plusieurs observations ne comportent pas de code d’industrie du Système de classification des industries de l’Amérique du Nord (SCIAN). Nous remplissons les codes manquants du SCIAN dans une année avec la valeur d’une année antérieure ou subséquente, dans la mesure du possible. Si le code du SCIAN est manquant pour une entreprise tout au long de l’ensemble de données, l’entreprise est exclue de notre analyse. En deuxième lieu, nous ne gardons que les entreprises dont les revenus sont strictement positifs.
2. Le ratio de la marge d’exploitation a été calculé pour chaque entreprise au niveau de l’identificateur de l’entreprise, et nous supprimons les 1 % supérieur et inférieur des entreprises en tant que valeurs aberrantes. Pour chaque industrie, nous utilisons les moyennes simples et les moyennes par centiles de revenu (tel que défini ci-dessous) pour l’ensemble de la répartition des tailles d’entreprises, comme il est indiqué ci-dessous.
3. Pour chaque année d’activité, nous classons les entreprises en six groupes par revenu^{Footnote 3} : les 10 % supérieurs, les 25 % supérieurs, les 50 % supérieurs, les 50 % inférieurs, les 25 % inférieurs et les 10 % inférieurs. Pour chaque groupe d’industries, nous calculons le ratio de la marge d’exploitation moyen comme les bénéfices d’exploitation moyens à l’échelle de l’entreprise $(\mathrm{<em>coûts\; en\; capital</em>}+\mathrm{<em>bénéfices</em>})$ divisés par les revenus^{Footnote 4}.

Confidentialité

Nous avons reçu le résultat sur le ratio de la marge d’exploitation aux niveaux du SCIAN à 4 chiffres, à 3 chiffres et à 2 chiffres pour les groupes distributionnels indiqués ci-dessus. Statistique Canada n’a pas fourni le résultat de certaines industries au cours de certaines années afin de protéger la confidentialité des données des entreprises.

Considérations d’interprétation

Le ratio de la marge d’exploitation est un indicateur du montant des bénéfices réalisés après avoir payé le coût variable de production. Toutefois, en raison de la déclaration des coûts utilisée pour établir l’ensemble de données sous-jacent sur lequel nous nous appuyons, certains coûts fixes peuvent être saisis dans la variable « Cost of Sales » (Coût des ventes) que nous utilisons comme dénominateur, ce qui peut entraîner une incidence sur la comparabilité entre les industries ou entre les entreprises d’une industrie si elles diffèrent dans leur structure de coûts^{Footnote 5}.

Par conséquent, il peut être plus instructif de tenir compte des tendances des bénéfices, surtout en combinaison avec les tendances des marges.

Résultats détaillés

En moyenne, les industries deviennent plus rentables

En moyenne, le ratio de la marge d’exploitation a augmenté pour toutes les industries au cours de cette période. La moyenne pondérée en fonction des revenus (pondération du ratio de la marge d’exploitation de chaque industrie en fonction de sa part de tous les revenus de l’industrie) montre une augmentation du ratio de la marge d’exploitation de plus de 12,5 % ou de 2 points de pourcentage, tandis que la moyenne non pondérée montre une augmentation du ratio de la marge d’exploitation de plus de 24 % ou de près de 4 points de pourcentage. Cela est illustré dans la figure F1.

• Description de la figure F1

  Figure F1 : Ratio de la marge d’exploitation moyen pondéré en fonction des revenus et non pondéré de 2000 à 2020 pour toutes les industries

  Année	Pondéré	Non pondéré
  2000	16,66 %	15,68 %
  2001	17,18 %	16,12 %
  2002	17,31 %	16,08 %
  2003	17,01 %	15,77 %
  2004	16,80 %	15,04 %
  2005	16,25 %	15,06 %
  2006	16,93 %	15,27 %
  2007	17,58 %	15,66 %
  2008	18,58 %	16,31 %
  2009	18,78 %	16,60 %
  2010	18,83 %	16,90 %
  2011	19,79 %	17,34 %
  2012	19,33 %	17,19 %
  2013	19,42 %	17,66 %
  2014	19,16 %	18,08 %
  2015	19,41 %	18,21 %
  2016	18,61 %	18,86 %
  2017	18,28 %	18,38 %
  2018	18,51 %	18,64 %
  2019	18,62 %	18,94 %
  2020	18,76 %	19,48 %

La plupart des industries deviennent plus rentables

Afin d’étudier plus en détail cette augmentation des bénéfices et de voir si elle se produit dans la plupart des industries, nous avons évalué la variation des bénéfices de chaque industrie de 2000 à 2020.

Nous constatons que l’augmentation des bénéfices est généralisée. Soixante-huit pour cent (68 %) des industries, qui représentent 74 % des revenus totaux des industries, affichent une augmentation significative^{Footnote 6} du ratio de la marge d’exploitation moyen. Par ailleurs, seulement 3 % des industries, qui représentent 11 % des revenus totaux des industries, ont connu une baisse significative du ratio de la marge d’exploitation.

Tableau F1 : Signification de la tendance du ratio de la marge d’exploitation de toutes les industries (SCIAN à 4 chiffres)

Orientation de la tendance	Nombre d’industries	Pourcentage d’industries	Part de l’ensemble des revenus de l’industrie
Augmentation des bénéfices	228	67,5 %	74,1 %
Diminution des bénéfices	10	3,0 %	10,5 %
Aucun changement significatif	79	23,4 %	13,7 %
Impossible de mesurer la tendanceFootnote 7	21	6,2 %	1,7 %

Les industries avec le ratio de la marge d’exploitation le plus élevé sont devenues plus rentables

En regroupant les industries en 4 quartiles (25 % supérieurs, 50 % à 75 % moyens, 25 % à 50 % moyens et 25 % inférieurs) ainsi que les 10 % supérieurs et inférieurs selon leur ratio de la marge d’exploitation moyen au cours de la période, nous pouvons voir dans la figure F2 que les industries les plus rentables sont devenues plus rentables au cours des 20 dernières années.

• Description de la Figure F2

  Figure 2 : Ratio de la marge d’exploitation annuel moyen de 2000 à 2020 pour les industries regroupées par ratio de la marge d’exploitation moyen

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2000	0,292	0,238	0,161	0,128	0,099	0,086
  2001	0,306	0,247	0,168	0,130	0,098	0,081
  2002	0,319	0,252	0,167	0,128	0,094	0,076
  2003	0,301	0,244	0,165	0,128	0,092	0,075
  2004	0,284	0,229	0,161	0,125	0,090	0,074
  2005	0,291	0,234	0,157	0,125	0,090	0,075
  2006	0,280	0,233	0,159	0,128	0,091	0,076
  2007	0,292	0,240	0,164	0,130	0,093	0,072
  2008	0,313	0,252	0,172	0,132	0,096	0,078
  2009	0,320	0,261	0,173	0,136	0,094	0,079
  2010	0,332	0,268	0,175	0,137	0,098	0,080
  2011	0,379	0,285	0,173	0,136	0,101	0,851
  2012	0,352	0,277	0,175	0,136	0,099	0,080
  2013	0,359	0,283	0,180	0,141	0,102	0,082
  2014	0,388	0,293	0,183	0,142	0,104	0,856
  2015	0,375	0,292	0,186	0,146	0,105	0,086
  2016	0,428	0,314	0,185	0,150	0,105	0,088
  2017	0,366	0,292	0,186	0,148	0,110	0,092
  2018	0,399	0,304	0,184	0,149	0,109	0,089
  2019	0,417	0,314	0,184	0,150	0,110	0,090
  2020	0,377	0,305	0,194	0,160	0,122	0,102

Tableau F2 : Variation du ratio de la marge d’exploitation de 2000 à 2020 pour les industries de différents groupes distributionnels

Groupe	Ratio de la marge d’exploitation en 2000	Ratio de la marge d’exploitation en 2020	Variation du ratio de la marge d’exploitation (points de pourcentage)
10 % supérieurs	29,2 %	37,7 %	+8,5
25 % supérieurs	23,8 %	30,5 %	+6,7
50 % à 75 % moyens	16,1 %	19,4 %	+3,3
25 % à 50 % moyens	12,8 %	16,0 %	+3,2
25 % inférieurs	9,9 %	12,1 %	+2,2
10 % inférieurs	8,6 %	10,2 %	+1,6

Le ratio de la marge d’exploitation a augmenté dans tous les groupes distributionnels. L’augmentation était la plus importante pour les 10 % des industries ayant les profits les plus élevés, avec une augmentation de 8,5 points de pourcentage (croissance de 29 %), et les 25 % des industries ayant les profits les plus élevés, avec une augmentation de 6,7 points de pourcentage (croissance de 28 %).

Appendice G : Indicateur Boone

L’indicateur Boone est une mesure servant à évaluer le niveau de concurrence dans un marché. L’indicateur mesure la sensibilité des bénéfices d’une entreprise aux variations de ses coûts marginaux. L’intuition principale derrière l’indicateur Boone est que dans un marché plus concurrentiel, les entreprises inefficaces dont les coûts sont plus élevés sont moins en mesure de transférer les augmentations de coûts de façon rentable aux consommateurs en raison de la pression concurrentielle exercée par des rivaux plus efficaces. Dans un marché où le pouvoir commercial est plus important, les entreprises sont plus susceptibles de transférer les augmentations de coûts aux consommateurs au moyen de prix plus élevés.

Méthode : Indicateur Boone

En appliquant Boone, Griffith et Harrison (2005)^{Footnote 1}, nous utilisons l’ensemble de données du Fichier de microdonnées longitudinales des comptes nationaux (FMLCN) pour la période de 2001 à 2018 et estimons l’indicateur Boone à l’aide de l’équation de régression suivante :

$\mathrm{In}\left({\left(\mathrm{<em>\pi </em>}\right)}_{\mathrm{<em>it</em>}}\right)={\left(\mathrm{<em>a</em>}\right)}_{\mathrm{<em>jt</em>}}+{\left(\mathrm{<em>\beta </em>}\right)}_{\mathrm{<em>jt</em>}}{\left(\mathrm{<em>AVC</em>}\right)}_{\mathrm{<em>it</em>}}+{\left(\mathrm{<em>\epsilon </em>}\right)}_{\mathrm{<em>it</em>}}$

où i indexe les entreprises, j indexe les codes du Système de classification des industries de l’Amérique du Nord (SCIAN), t indexe les années, π_it est les bénéfices variables et AVC_it est le coût variable moyen. L’indicateur Boone est β_jt , que nous estimons pour chaque paire d’années et de SCIAN à 3 chiffres.

Pour tenir compte de la propriété commune, nous présentons les résultats à l’aide de l’identificateur de l’entité mère ultime comme unité d’observation au lieu de l’identificateur de l’entreprise. Pour établir notre ensemble de données, nous mettons en œuvre la procédure de nettoyage des données suivante :

1. Dans l’ensemble de données du FMLCN, plusieurs observations manquent le code d’industrie du SCIAN. Nous remplissons les codes manquants du SCIAN dans une année avec la valeur disponible d’une année antérieure ou subséquente, dans la mesure du possible. Si le code du SCIAN d’une entreprise est manquant tout au long de l’ensemble de données, l’entreprise est exclue de notre analyse.
2. Nous combinons des entreprises qui ont des identificateurs d’entreprise différents, mais le même identificateur de l’entité mère ultime. Ce faisant, nous additionnons leurs variables connexes (ventes, coût des ventes, etc.), de sorte que nous obtenions une observation pour chaque paire d’identificateurs de l’entité mère ultime et de SCIAN pour chaque année^{Footnote 2}.
3. Nous ne gardons que les entreprises actives dont les ventes sont positives.
4. Après avoir trié les entreprises en fonction de leur part de marché, nous gardons les entreprises jusqu’à ce que 99 % des ventes totales de l’année t et du marché j soient couvertes. Cela nous permet de supprimer les plus petites entreprises dont le comportement risque de fausser notre analyse.

En théorie, l’indicateur Boone saisit la façon dont l’efficience de l’entreprise est corrélée avec les bénéfices variables et est idéalement calculé en utilisant le coût marginal comme variable indépendante dans le cadre de la régression (au lieu du coût variable moyen comme dans notre spécification). Toutefois, étant donné que les coûts marginaux ne sont pas directement observables, nous suivons Boone, Griffith et Harrison (2005)^{Footnote 3} et utilisons le coût variable moyen comme approximation des coûts marginaux. Nous calculons notre approximation comme étant le coût des marchandises vendues (CMV) divisé par les ventes totales. Les bénéfices variables sont ensuite calculés comme les ventes totales moins le CMV.

Confidentialité

Nous avons pu obtenir et examiner l’indicateur Boone pour les industries du SCIAN à 3 et à 2 chiffres à l’aide des données communiquées par le Centre de données de recherche de Statistique Canada. Toutefois, nous n’avons pas pu obtenir les résultats de l’indicateur Boone au niveau de 4 chiffres en raison de préoccupations au sujet de la confidentialité des entreprises de l’ensemble de données.

Résultats détaillés

L’élasticité du profit a augmenté globalement

En regroupant les industries selon leur indicateur Boone moyen sur toute la période de 2001 à 2018, nous pouvons suivre et comparer l’évolution de l’indicateur Boone des industries. L’indicateur Boone prend une valeur entre l’infini négatif (-∞) et 1. Dans les industries plus compétitives, nous nous attendons à ce que l’indicateur Boone approche l’infini négatif. À mesure qu’il augmente vers 1, l’indicateur Boone montre une intensité concurrentielle plus faible.

La figure G1 montre la variation de l’indicateur Boone pour les industries regroupées par leur indicateur Boone moyen pour l’ensemble de l’échantillon. Nous regroupons les industries en 4 quartiles (25 % supérieurs, 50 % à 75 % moyens, 25 % à 50 % moyens et 25 % inférieurs) ainsi qu’en deux groupes supplémentaires pour les 10 % supérieurs et inférieurs.

Nous nous intéressons particulièrement à la façon dont l’indicateur Boone a évolué dans les industries qui ont un degré moindre d’intensité concurrentielle. Dans la figure G1, nous pouvons observer une augmentation globale de l’indicateur Boone pour les industries qui ont déjà des valeurs d’indicateur Boone plus élevées (donc, l’intensité concurrentielle la plus faible). Dans le tableau G1 nous constatons que c’est le cas pour les 75 % supérieurs des industries, classées par l’indicateur Boone, et, au sein de ce groupe, l’augmentation est la plus élevée pour les 25 % et les 10 % supérieurs des industries.

• Description de la Figure G1

  Figure G1 : Indicateur Boone annuel moyen de 2001 à 2018 pour les industries regroupées par indicateur Boone moyen

  Année	10 % supérieur	25 % supérieur	50 % à 75 % moyen	25 % à 50 % moyen	25 % inférieur	10 % inférieur
  2001	-0,286	-0,576	-0,937	-1,412	-1,853	-2,163
  2002	-0,193	-0,550	-0,891	-1,315	-1,795	-1,920
  2003	-0,150	-0,510	-0,897	-1,327	-1,893	-2,131
  2004	-0,139	-0,561	-0,877	-1,190	-1,859	-2,249
  2005	-0,031	-0,454	-0,891	-1,190	-1,861	-2,274
  2006	-0,059	-0,448	-0,871	-1,211	-1,905	-2,379
  2007	-0,059	-0,426	-0,873	-1,075	-1,901	-2,294
  2008	-0,155	-0,372	-0,881	-1,175	-1,943	-2,359
  2009	-0,094	-0,344	-0,896	-1,172	-1,878	-2,132
  2010	-0,065	-0,302	-0,870	-1,236	-1,975	-2,304
  2011	0,016	-0,303	-0,838	-1,256	-1,844	-2,121
  2012	-0,014	-0,338	-0,839	-1,218	-1,778	-2,025
  2013	0,013	-0,306	-0,868	-1,171	-1,722	-1,988
  2014	0,052	-0,280	-0,845	-1,152	-1,838	-2,166
  2015	0,102	-0,240	-0,818	-1,173	-1,833	-2,001
  2016	0,117	-0,253	-0,850	-1,119	-1,850	-1,969
  2017	0,060	-0,260	-0,821	-1,143	-1,955	-2,220
  2018	0,083	-0,266	-0,795	-1,138	-2,055	-2,282

Tableau G1 : Variation de l’indicateur Boone de 2001 à 2018 des industries appartenant à différents groupes distributionnels (SCIAN à 3 chiffres)

Groupe	Indicateur Boone en 2001	Indicateur Boone en 2018	Variation de l’indicateur Boone (en pourcentage)
10 % supérieurs	-0,29	0,08	127,6 %
25 % supérieurs	-0,58	-0,27	53,4 %
50 % à 75 % moyens	-0,94	-0,80	14,9 %
25 % à 50 % moyens	-1,41	-1,14	19,1 %
25 % inférieurs	-1,85	-2,05	-10,8 %
10 % inférieurs	-2,16	-2,28	-5,6 %

Pour vérifier davantage que l’indicateur Boone a augmenté en général, nous avons évalué la tendance temporelle de l’indicateur Boone au niveau de l’industrie de 2001 à 2018^{Footnote 4}. Nous avons constaté que 41 % des industries (33 % de la part des revenus) ont connu une augmentation significative de l’indicateur Boone entre 2001 et 2018.

Tableau G2 : Signification de la tendance de l’indicateur Boone de l’ensemble des industries (SCIAN à 3 chiffres)

Orientation de la tendance	Nombre d’industries	Pourcentage d’industries	Part de l’ensemble des revenus de l’industrie
Bien que seulement 41 % des industries aient un coefficient de tendance à la hausse, nous constatons que l’augmentation globale est en grande partie attribuable aux industries des 25 % supérieurs.
Augmentation de l’indicateur Boone	43	41,0 %	33,3 %
Diminution de l’indicateur Boone	22	21,0 %	24,7 %
Aucun changement significatif	27	25,7 %	22,2 %
Impossible de mesurer la tendanceFootnote 5	13	12,4 %	19,8 %

Une mise en garde possible relative à notre calcul de l’indicateur Boone est que les gains en efficience annuels peuvent ne pas se traduire immédiatement par des bénéfices (p. ex. en raison du réinvestissement des entreprises dans l’innovation), et que, par conséquent, la tendance de l’indicateur Boone peut ne pas immédiatement tenir compte des changements dans la concurrence. Autrement dit, l’indicateur Boone doit être évalué sur une plus longue période afin de mieux tenir compte des tendances sous-jacentes de la concurrence. À titre de vérification de la robustesse, nous utilisons également différents modèles dans lesquels nous regroupons les données annuelles en périodes de 3 années et de 5 années, et calculons l’indicateur Boone en fonction de ces intervalles prolongés au lieu d’une seule année. Les résultats demeurent qualitativement les mêmes, ce qui confirme nos résultats selon lesquels l’indicateur Boone a augmenté au fil du temps et laisse entendre une baisse de l’intensité concurrentielle.

Notes de bas de page : Appendice A

Notes de bas de page : Appendice B

Notes de bas de page : Appendice C

Notes de bas de page : Appendice D

Notes de bas de page : Appendice E

Notes de bas de page : Appendice F

Notes de bas de page : Appendice G