Comment expliquer la reprise de l’investissement des entreprises en 2025 ?

Autrices, auteurs & résumé

Par

Affiliation

Sandra Daudignon

L’investissement des entreprises françaises a bien résisté à la crise sanitaire, en retrouvant son niveau pré-Covid dès le T4-2020, et en frôlant à deux reprises la tendance observée avant la pandémie, au T2-2021 et au T3-2023. Un décrochage s’observe depuis, caractérisé par une baisse substantielle de l’investissement en 2024 (- 2,3% par rapport à 2023 en moyenne annuelle), et une reprise lente en 2025 (+0,3% par rapport à 2024 en moyenne annuelle).

Cette reprise était quelque peu inattendue dans le contexte de tension sur les finances publiques et d’incertitude où elle a eu lieu. Malgré le relâchement de la politique monétaire, le taux sur les OAT à long terme ne diminuait pas, exerçant une pression à la hausse sur les coûts de financement. L’indicateur principal d’incertitude liée à la politique économique (EPU) atteignait des niveaux records, avec une succession de pics en 2024 et 2025 probablement dues au lancement de la procédure pour déficit excessif, à la démission du gouvernement Barnier, et au début du mandat de Donald Trump. Ces facteurs laissaient présager un recul de l’investissement en 2025.

La présente étude revient sur les déterminants de sa dynamique au cours des dernières années. L’analyse repose sur l’estimation d’un modèle à correction d’erreur qui a vocation à être incorporé à Emeraude, le nouveau modèle de prévision de l’OFCE. En complément des déterminants classiques mobilisés dans ce type de travaux, nous introduisons dans l’équation des indicateurs de tension sur le capital, et d’incertitude. Nos résultats indiquent que, conditionnellement aux déterminants classiques, l’incertitude politique mesurée par l’EPU n’aurait pas d’effet direct sur l’investissement des ENF. Les entreprises réagiraient plutôt à l’incertitude générée par les évènements entraînant les valeurs extrêmes du VSTOXX, un indicateur d’incertitude sur les performances futures des entreprises.

Cette analyse a été menée pour l’exercice de prévision du mois d’avril. A cette date, les comptes de l’INSEE à partir de 2023 n’avaient pas encore été révisés. Les nouvelles données suggèrent un décrochage moins marqué qu’initialement, avec une diminution de la FBCF de seulement 0,3% en 2024, et une augmentation plus forte en 2025 (+0,6%). L’équation d’investissement retenue attribue la reprise de 2025 à la demande (1,5 points), à la montée des tensions sur le capital (1,2 points), et au relâchement des tensions sur les conditions de financement via les spreads de crédit (0,9 point).

Les déterminants de l’investissement dans les modèles macroéconométriques

Cette section fait un tour des équations d’investissement utilisées dans les modèles de prévision et d’évaluation des politiques publiques de l’économie française (“Mésange” de l’Insee et la DG Trésor,“FR-BDF” de la Banque de France,“emod” de l’OFCE) ainsi que dans les études complémentaires¹.

¹ Voir Bardaji et al. (2017), Klein et Simon (2010), Lemoine et al. (2018), Chauvin et al. (2002), Eudeline et al. (2013), Audenaert et al. (2015), Bricongne, Granelli et Hoffmann (2017), Ducoudré, Plane et Villemot (2015)

² Le taux d’investissement désigne ici le rapport entre l’investissement des entreprises et la valeur ajoutée qu’elles produisent, en volume.

Il convient de rappeler que ces modèles s’appuient sur un cadre théorique qui permet d’assurer la cohérence à long terme entre le comportement des agrégats macroéconomiques simulés et leurs équivalents empiriques. Il permet notamment d’obtenir une expression du taux d’investissement «optimal» ou «désiré» par les entreprises². C’est la cible de long terme.

Une fois la cible identifiée, l’équation d’investissement des modèles macroéconométriques (MM) prend la forme d’un modèle à correction d’erreur (MCE) qui détermine le taux de croissance de l’investissement simulé. Il dépend ainsi i) de l’écart entre le taux d’investissement et la cible de long terme, et ii) d’un ensemble de déterminants qui viennent enrichir sa dynamique de court terme³.

³ Lemoine et al. (2018) montrent que le MCE émerge comme la solution d’un arbitrage entre le coût de dévier de la valeur désirée et les coûts d’ajustement de l’investissement (voir section 3.2 « Microfoundations for the Polynomial Adjustment Costs framework »).

Le coût d’usage du capital réel

Le cadre retenu pour discipliner le long terme est la théorie néoclassique, à l’exception près de la concurrence supposée imparfaite dans les MM. Dans cette théorie, le coût d’usage du capital nominal (C^k) désigne le prix d’équilibre (exogène) du marché pour la location de capital. La maximisation du profit conduit les entreprises à rémunérer les facteurs de production (e.g. capital et travail) à leurs productivités marginales, évaluées au coût marginal de production. Il en découle une relation négative entre le coût d’usage du capital réel, et le taux d’investissement. Toutes choses égales par ailleurs, plus le coût d’usage du capital réel est élevé, plus la productivité marginale du capital doit l’être, plus le stock de capital désiré est faible, ce qui se traduit par un taux d’investissement plus faible (voir ANNEXE 3).

Le coût d’usage du capital réel est donc la variable qui détermine la cible de long terme du taux d’investissement. A la différence du salaire, C^k n’est pas une donnée observable simplement parce qu’il n’est pas systématiquement possible de louer le capital utilisé dans le processus de production. C’est donc un prix implicite qui requiert une modélisation annexe permettant d’en dériver une expression en fonction des observables. L’exercice s’appuie généralement sur l’article de Jorgenson (1963). En supposant que les entreprises aient le choix entre louer ou acheter, elle est déduite de la relation d’équilibre qui devrait exister entre C^k et le prix des biens d’investissement.

L’équation 1 correspond à l’expression la plus simple. Dans cette équation, \tilde{r} désigne le taux utilisé par les entreprises pour actualiser le rendement marginal brut du capital, P^I désigne le prix des biens d’investissement, \pi^I désigne son taux d’inflation et \delta désigne le taux de dépréciation du capital. C^k est déterminé par la valeur future du prix des biens d’investissement au moment de l’achat, nette de la valeur à la revente. Il dépend positivement du prix des biens d’investissement, du taux d’actualisation, du taux de dépréciation, et négativement de la plus value latente réalisée en cas de revente (voir ANNEXE 3).

Ck_t=(1+\tilde{r}_t) \cdot P^I_{t-1} - P^I_t \cdot (1-\delta_t)\approx P^I_t\cdot(\tilde{r}_t-\pi^I_t+\delta_t) \tag{1}

Comme le soulignent Carluccio, Mazet-Sonilhac et Mésonnier (2018), la majorité des entreprises utilisent le WACC (weighted average cost of capital) comme mesure de taux d’actualisation (voir ANNEXE 4). Le WACC désigne la moyenne des coûts de financement pondérée par le poids de chaque instrument dans la valeur de l’entreprise. En prévision, la mesure du taux d’actualisation utilisée varie en fonction des études, en partie parce que le coût du financement par action (COE) est difficile à mesurer à partir des données macroéconomiques⁴. Celles de l’OFCE utilisent le taux OAT à 10 ans, ce qui revient à supposer que les entreprises sont neutres au risque. L’équipe du modèle Mésange utilise le taux d’intérêt nominal sur les nouveaux crédits longs accordés aux SNF, ce qui peut être assimilé à une version simplifiée du WACC. Enfin, l’équipe du modèle FR-BdF utilise une mesure plus complète, qui couvre les différents types de financement, mais la méthode appliquée pour estimer le COE n’est pas détaillée.

⁴ L’une des raisons est que la plupart des entreprises ne sont pas listées.

La fiscalité

La modélisation du coût d’usage du capital peut être enrichit de manière à prendre en compte l’effet des mesures fiscales sur l’investissement, telles que le taux statutaire d’impôt sur les sociétés⁵, la déduction fiscale des intérêts, la déduction fiscale liée à l’amortissement, les crédits d’impôt qui subventionnent l’innovation, etc⁶. On obtient alors une expression similaire à l’équation 2,

⁵ Le taux statutaire désigne le taux légal de référence.

⁶ Voir Hall et Jorgenson (1967), Gilchrist et Zakrajšek (2007), Muet et Avouyi-Dovi (1987), OECD (2025). L’expression peut être enrichit davantage pour inclure l’effet de la taxation des dividendes et des plus-values mobilières. Voir Auerbach (1983) ou Creedy et Gemmell (2017) pour une revue des spécifications.

C^{k,fisca}_t = C^{k}_t\Big(\tilde{r}_t(\tau_t^{IS})\Big)\cdot \frac{1-\Gamma\Big(\tau_t^{IS}\cdot z_t,\tau_t^c\Big)}{1-\tau_t^{IS}} \tag{2}

Comparé à l’équation 1, le taux d’IS (\tau^{IS}) affecte le taux d’actualisation, et l’expression du coût d’usage du capital est modifiée par un facteur multiplicatif. Dans cet exemple qui intègre uniquement les mesures citées, le facteur multiplicatif synthétise les multiples canaux à travers lesquels l’IS peut affecter l’investissement (voir ANNEXE 5). Il fait en particulier apparaître des effets négatifs cohérents avec la litérature empirique⁷. Toutes choses égales par ailleurs, une augmentation du taux marginal d’IS réduit les anticipations du rendement marginal du capital et donc l’incitation à investir, ce qui se répercute à la hausse sur le coût d’usage via le dénominateur⁸. De même, une variante de la règle d’amortissement qui augmenterait l’assiette de l’impôt à court terme se répercute à la hausse sur le coût d’usage via la variable z_t au numérateur.

⁷ Voir Chodorow-Reich, Zidar et Zwick (2024), Chodorow-Reich et al. (2024), Hanappi, Millot et Turban (2023), Ohrn (2018)

⁸ Le taux d’IS n’a pas d’effet sur le coût marginal du capital lorsqu’il est loué parce que le loyer du capital est une charge opérationnelle déductible. L’augmentation du taux marginal d’IS crée donc un manque à gagner fiscal en faveur de la location qui se répercute à la hausse sur le loyer.

⁹ Voir Chauvin et al. (2002), Ducoudré, Plane et Villemot (2015), et Lemoine et al. (2018)

La prise en compte de la fiscalité pose toutefois un certain nombre de questions. Quel taux choisir lorsque le taux statutaire ne s’applique pas systématiquement à toutes les entreprises? Quelles déductions fiscales retenir etpuis comment les mesurer? etc. Comme le font remarquer Carnot et Tissot (2002), étant donnée la difficulté de résumer les changements fiscaux en un petit nombre de variables agrégées, l’incidence de la fiscalité sur le coût du capital est souvent ignorée en prévision⁹, mais pas systématiquement. L’équipe du modèle Mésange fait apparaître un taux apparent au sens large, qui couvre l’IS ainsi que l’ensemble des impôts de production hors main d’oeuvre. Bricongne, Granelli et Hoffmann (2017) se concentrent sur l’IS et retiennent une modélisation plus rigoureuse, à la Muet et Avouyi-Dovi (1987), qui permet de mieux capter l’incidence de la fiscalité sur les incitations.

Les perspectives de demande ou de rentabilité du capital

La dynamique de court terme du taux de croissance de l’investissement simulé est en général enrichie pour tenir compte de l’effet des anticipations de demande et de rentabilité du capital, conformément aux théories standards.

Le modèle dit de l’accélérateur repose sur l’hypothèses que le stock de capital optimal est proportionnel à la demande en tout point du temps (les entreprises s’adaptent à la demande). La relation entre les anticipations de demande et l’investissement apparait donc mécaniquement. En admettant que l’évolution observée de la demande soit un déterminant important des anticipations, cette théorie fait apparaître un effet accélérateur sur l’investissement. Un choc de demande positif affecte à la hausse les perspectives de demande, l’investissement, la demande, ce qui vient amplifier l’effet du choc initial. Dans les variantes néoclassiques proposées par Jorgenson (1963) et Hayashi (1982), le stock de capital désiré dépend de la valeur présente actualisée du rendement marginal du capital¹⁰.

¹⁰ Voir Clark et al. (1979), Carnot et Tissot (2002), et Oliner, Rudebusch et Sichel (1995) pour une revue des modèles standards

¹¹ Dans Ducoudré, Plane et Villemot (2015), l’évolution de la demande dépend des variations passées du TUC, ce qui fait écho aux résultats (théoriques) de Fagnart, Licandro et Portier (1999). Dans un modèle où le choix de la capacité de production s’effectue en amont de la réalisation des chocs, et où le travail est le seul facteur variable à court terme, un choc de demande positif devrait s’accompagner d’une augmentation de l’emploi par les entreprises en-dessous du seuil de saturation des capacités et donc d’une augmentation du TUC moyen.

¹² Une mesure de cash flows est souvent introduite pour capter les anticipations de rentabilité du capital à défaut de trouver mieux, i.e. un bon indicateur du q marginal d’Hayashi (1982) (voir Hubbard (1998) pour les inconvénients des mesures et Abel et Blanchard (1986) pour une piste d’amélioration).

Les équations d’investissement dans les travaux de prévision varient notamment dans la manière de modéliser les anticipations. Ils supposent tous qu’elles sont tournées vers le passé, c’est-à-dire que les anticipations de la réalisation de la variable y dans le futur devrait dépendre des réalisations passées de toutes les variables jugées pertinentes pour former une prévision sur y. Dans la plupart des travaux, les déterminants des anticipations sont introduits directement dans l’équation d’investissement. Ils varient d’une étude à l’autre mais l’ensemble inclut : la valeur ajoutée produite par les entreprises, le taux d’utilisation des capacités de production (TUC)¹¹, et une mesure de cash flows¹². Lemoine et al. (2018) se distinguent en utilisant une approche différente. Au lieu d’introduire les déterminants des anticipations dans l’équation, ils introduisent un terme d’anticipations estimé à partir d’un VAR bayésien.

La variation des fonds propres

La théorie néoclassique fait abstraction d’un certain nombre de frictions, dont les frictions financières. Dans ce cadre, la proposition de Modigliani et Miller (1958) s’applique : la structure du financement de l’investissement est indéterminée et n’a pas d’effet sur l’investissement.

Les frictions financières désignent les asymétries d’information entre les pourvoyeurs de fonds et les entreprises concernant, par exemple, la rentabilité des projets d’investissement, les risques qu’ils comportent, les résultats obtenus, etc. Elles peuvent générer des problèmes d’aléa moral ou bien de sélection adverse qui affectent les termes des contrats financiers, ce qui se répercute sur l’investissement. Le stock de capital désiré qui émerge à l’équilibre de ces modèles théoriques est un optimum contraint, qui dépend positivement du niveau de fonds propres des entreprises, et qui est souvent inférieur à l’optimum néoclassique. Toutes choses égales par ailleurs, plus les fonds propres sont élevés, plus les termes des contrats financiers sont avantageux, plus le stock de capital désiré est élevé, plus les entreprises investissent, sauf si les fonds propres sont suffisamment élevés. Dans ce cas, le problème d’agence n’est pas contraignant et la relation entre capital et fonds propres disparait¹³.

¹³ Voir Hubbard (1998) et Claessens et Kose (2017) pour une revue de la litérature

¹⁴ Dans la mesure où on ne cherche pas à quantifier l’effet causal des contraintes de financement sur l’investissement, le fait que les cash flows soient potentiellement corrélés aux anticipations et ne permettent donc pas d’identifier l’effet des contraintes de financement n’est pas un problème ici (voir Fazzari, Hubbard et Petersen (1987), Hubbard (1998)).

¹⁵ Leur démarche s’inspire des travaux de Chaney, Sraer et Thesmar (2007) pour la France et de Chaney, Sraer et Thesmar (2012) pour les Etats-Unis, ainsi que de Liu, Wang et Zha (2013) qui utilisent un modèle DSGE pour montrer que l’investissement est un vecteur clé de l’effet des variations du prix du foncier sur l’ensemble de l’économie.

La notion de fonds propres désigne l’ensemble des bénéfices mis en réserve et des actifs qui peuvent être mobilisés pour financer l’investissement en capital fixe soit parce qu’ils sont éligibles en collatéral soit parce qu’ils peuvent être revendus rapidement. Une mesure de cash flows dans l’équation d’investissement permet donc de capter non seulement l’effet des anticipations, mais aussi celui des contraintes de financement¹⁴. Audenaert et al. (2015) utilisent également le prix des terrains détenus par les SNF¹⁵.

L’incertitude : un déterminant classique en devenir

Les canaux via lesquels l’incertitude peut se transmettre à l’investissement sont nombreux¹⁶. On a d’abord un effet négatif via l’épargne de précaution et la demande adressée aux entreprises. Ensuite, conditionnellement à la demande, l’effet de l’incertitude sur l’investissement n’est pas clair. Le canal de l’option concentre l’attention sur les projets faciles à différer mais coûteux à annuler (i.e., difficile à revendre). Il prédit un effet négatif non seulement sur l’investissement mais aussi sur le désinvestissement si bien que l’effet à attendre sur l’aggrégat est ambigüe. Le canal de la R&D prédit un effet positif de l’incertitude sur l’investissement¹⁷. Enfin, le canal financier prédit une relation négative. Toutes choses égales par ailleurs, plus l’incertitude sur la rentabilité des projets d’investissement est élevée, plus le risque de défaut est élevé, plus les projets sont coûteux à monitorer, plus le coût du crédit bancaire est élevé, ce qui se traduit par une baisse de l’investissement des entreprises contraintes financièrement.

¹⁶ Voir Campello et Kankanhalli (2024) et Bloom (2014) pour une revue de la litérature

¹⁷ En admettant que les projets de R&D soient coûteux à différer et que leur développement puisse être interrompu à tout moment, le rendement sur ces projets s’apparent à celui d’une option d’achat, ce qui crée une relation positive entre l’incertitude et l’incitation à investir.

¹⁸ Voir par exemple Bloom (2009), Gilchrist, Sim et Zakrajšek (2014) ou Baker, Bloom et Davis (2016)

Deux enseignements émergent de la littérature empirique sur données américaines : i) les chocs d’incertitude ont un effet négatif sur l’investissement agrégé; ii) cet effet pourrait refléter l’effet agrégé des canaux de transmission mentionnés, ou bien, l’effet des mauvaises nouvelles qui les accompagnent et qui passe en partie par l’incertitude qu’elles génèrent¹⁸. La double interprétation (deuxième enseignement) vient du fait qu’on observe souvent un pique des indicateurs d’incertitude lors d’évènements majeurs (i.e., faillite d’une banque systémique, déclenchement d’une guerre, etc) susceptibles de jouer aussi à la baisse sur les anticipations.

Sur données macroéconomiques françaises, les études sont rares. Les modèles de prévision cités précédemment n’introduisent pas de mesure d’incertitude dans les équations d’investissement. Sampognaro (2024) trouve un effet négatif des chocs d’incertitude politique sur l’investissement des SNF ainsi que sur le PIB. Les travaux de Briodeau (2025) et Carroy et al. (2019) révèlent une corrélation statistique négative entre incertitude politique et consommation.

Une nouvelle équation pour Emeraude

Cette section présente l’équation d’investissement qui a vocation à être incorporée à Emeraude, le nouveau modèle de prévision de l’OFCE. Comparé aux travaux discutés dans la section précédente, l’équation intègre notamment deux nouveaux indicateurs : un indicateur de tensions sur l’utilisation du capital, et un effet d’incertitude. Le détail sur la construction des données est fournit dans l’ANNEXE 2.

Spécification économétrique

Conformément à la pratique, l’équation d’investissement 3 prend la forme d’un modèle à correction d’erreur qui détermine le taux de croissance de l’investissement en capital fixe des ENF, \Delta \ln \text{I}_t.

\begin{aligned} \Delta \ln \text{I}_t &= \beta_1\cdot\Big[\ln (\text{I}/\text{VA})_{t-1}-\beta_2\cdot\ln (\widetilde{C}^{k,fisca}/P^{va})_{t-1}\Big]\\ &\quad\quad+\beta_3\cdot\Delta \ln \text{VA}_t + \beta_4\cdot\widehat{\text{TUCAP}}_t+\beta_5\cdot\Delta \text{Spread}_t+\beta_6\cdot \text{UNC}_t\\ &\quad\quad +\beta_7\cdot\Delta \ln \text{I}_{t-1}+\beta_8\cdot\Delta \ln (\widetilde{C}^{k,fisca}/P^{va})_{t-1}+\beta_9\cdot\Delta \text{CF}_{t-2}+\beta_{10}+\varepsilon_t \end{aligned} \tag{3}

avec

\widetilde{C}_t^{k,fisca} = P^I_t\cdot(\text{OAT}^{10ans}_t+\text{Spread}_t-\pi^I_t+\delta_t)\cdot\frac{1}{1-\tau_t^{IS}} \tag{4}

Il dépend du premier retard de l’écart entre le taux d’investissement en volume (\text{I}/\text{VA}) et sa cible de long terme déterminée par le coût d’usage du capital réel (\widetilde{C}^{k,fisca}/P^{va}). Le paramètre \beta_1 correspond à la force de rappel et détermine la vitesse de convergence du taux d’investissement vers sa cible. Apparaissent ensuite un ensemble de variables qui viennent enrichir la dynamique de court terme du taux de croissance de l’investissement : le taux de croissance de la valeur ajoutée produite par les ENF en volume (\Delta \ln \text{VA}) ; la composante cyclique du TUCAP (\widehat{\text{TUCAP}}) introduite par Cueva et Timbeau (1991) pour mesurer le taux d’utilisation du capital; la variation du spread de crédit (\Delta \text{Spread}); un indicateur d’incertitude (\text{UNC}); et la variation des cash flows (\Delta \text{CF}). Les cash flows sont mesurés par le taux de marge brut des SNF (i.e. le rapport entre l’excédent brut d’exploitation et la valeur ajoutée brute en valeur).

L’expression du coût d’usage du capital s’écarte de l’équation 1 afin de prendre en compte l’impôt sur les sociétés, et plus particulièrement l’effet de la baisse progressive du taux statutaire (\tau^{IS}), qui est passé de 33,3 % en 2018 à 25 % en 2022. A la différence de l’équation 2, la modélisation retenue ne prend pas en compte les dispositifs de déduction fiscale (intérêts versés et amortissement) qui devraient en limiter l’effet. Le taux d’actualisation est construit de manière à approcher au mieux le WACC compte tenu des données macroéconomiques disponibles. Il correspond à la moyenne pondérée du taux d’intérêt sur les nouveaux crédits de plus d’un an accordés aux SNF résidentes et du taux d’intérêt sur les titres de dette de maturité supérieure à un an émis par les SNF. Il apparaît ici sous une forme décomposée entre le taux sur les OAT à 10 ans et le spread de crédit sur la dette de long terme, ce qui permet notamment de distinguer l’effet des tensions sur les conditions de financement de celui des autres composantes du coût d’usage du capital.

Le TUCAP désigne le rapport entre le TUC avec embauches (TUCa) et le TUC sans embauches (TUCs), ce qui correspond également au rapport entre le niveau de production atteignable sans augmenter l’emploi et la capacité maximum. En admettant que la capacité de production soit décidée en amont de la réalisation des chocs et que le facteur travail est la seule variable d’ajustement à très court terme, une augmentation de la composante cyclique du TUCAP devrait permettre d’identifier les épisodes durant lesquelles l’utilisation du stock de capital se rapproche du seuil de saturation. L’introduire dans l’équation permet ainsi de prendre en compte l’effet de la probabilité d’utiliser une unité marginale de capital supplémentaire sur l’incitation à investir. Toutes choses égales par ailleurs, plus l’utilisation du stock de capital est proche du seuil de saturation, plus la probabilité d’utiliser une unité marginale de capital supplémentaire est élevée, plus sa rentabilité et donc l’incitation à investir le sont. Le TUCAP a néanmoins l’inconvénient de ne couvrir que l’industrie.

Plusieurs indicateurs d’incertitude économique ont été testés dont une série de chocs sur le VSTOXX et une série de chocs sur l’EPU. Le VSTOXX correspond à la volatilité anticipée de l’Euro STOXX 50 sur les 30 prochains jours. Il capture l’incertitude sur les performances futures des entreprises. L’EPU quant à lui capture l’incertitude liée à la politique économique. Il ressort de nos estimations que, conditionnellement aux autres déterminants de l’investissement pris en compte dans le modèle, seules les valeurs extrêmes du VSTOXX ont un effet significatif sur le taux de croissance de l’investissement.

Précisions sur la mesure des variables explicatives

Le graphique 1 présente l’évolution du TUCAP au cours du temps. On constate que ces dernières années, le TUCAP a atteint des niveaux sans précédent, dépassant parfois 95%. Ce phénomène semble dû à un changement structurel. Une légère rupture de tendance à la baisse apparaît sur le TUCs au moment de la crise du Covid tandis que le TUCa reste globalement stable. En moyenne, les entreprises mobilisent donc moins intensivement leurs facteurs de production qu’auparavant, et l’embauche génère relativement moins de production additionnelle. Compte tenu de ces changements de long terme, et afin d’extraire de la série la composante cyclique du TUCAP, nous avons retenu une approche par la transformée de Fourier. Elle permet d’obtenir une tendance stable en fin de période, ce qui est cohérent avec la rupture de tendance du TUCs, et implique un TUCAP en phase de cycle haut en 2025, ce qui est cohérent avec le rebond de l’investissement à partir du T4-2024.

Graphique 1. Indicateurs de tensions sur les capacités de production

La méthodologie utilisée pour identifier les chocs sur le VSTOXX est proche de celle utilisée dans Bloom (2009) pour identifier les chocs sur le VIX. La série obtenue est une indicatrice égale à 1 lorsque la composante cyclique du VSTOXX atteint des valeurs extrêmes, au-dessus d’un seuil qui correspond au top 5% des valeurs observables. Elle est représentée sur le panneau a. du graphique 2, par des barres verticales grises. On constate une première série de chocs, entre juillet et octobre 2002, juste après la révélation de la fraude financière de WorldCom dont les dirigeants ont publiquement reconnu à la fin du mois de juin avoir surévalué les revenus ¹⁹. Une seconde série de chocs intervient peu après, entre décembre 2002 et mars 2003, coïncidant avec les événements précédant l’invasion de l’Irak par les Etats-Unis en mars (deuxième Guerre du Golfe) et l’inquiétude suscitée par les soupçons de développement d’armes de destruction massive. Par la suite, le VSTOXX pique à nouveau au lendemain de la faillite de Lehman Brothers en 2008, au moment de la dégradation de la note des Etats européens (Grèce, Italie et Portugal) par les agences de notation en 2011, au mois de mars 2020 lorsque la crise de Covid-19 s’intensifie, et au lendemain du déclenchement de la Guerre en Ukraine en 2022.

¹⁹ Voir ECB (2002)

A titre de comparaison, le panel b. présente la série de chocs sur l’EPU-France obtenue en appliquant la même méthode. Les valeurs extrêmes apparaissent à des dates différentes, à l’exception du déclenchement des guerres (Irak et Ukraine).

**Graphique** 2. Indicateurs d’incertitude

Le graphique 3 présente les contributions des composantes du coût d’usage du capital à sa variation par rapport au T4-2019. Nous distinguons trois phases distinctes. Le coût d’usage du capital commence par diminuer jusqu’au T2-2022, sous l’effet du choc sur les prix de l’énergie qui alimente l’inflation et, dans une moindre mesure, de la réduction progressive du taux d’IS. S’amorce ensuite une phase de hausse jusqu’au T3-2023, tirée par le resserrement de la politique monétaire et l’effet sur le taux d’actualisation via les coûts de financement. A l’issue de cette période, le coût d’usage du capital a augmenté de près de 3 points, ce qui l’amène à un niveau plus élevé que celui observé avant la crise sanitaire. Depuis le T3-2023, il oscille autour d’une trajectoire légèrement décroissante, qui s’explique par des dynamiques contraires : l’assouplissement de la politique monétaire qui joue à la baisse sur les coûts de financement et les tensions sur les finances publiques qui jouent à la hausse, via le taux des OAT à 10 ans.

Graphique 3. Variation du coût d’usage du capital réel par rapport au T4-2019

Estimations et tests de validité de l’équation

Cette section présente plusieurs estimations ayant conduit à la sélection de l’équation 3. L’échantillon inclut au moins la période pré-Covid allant du T4-1993 au T4-2019. Il est progressivement étendu pour inclure l’ensemble des données disponibles jusqu’au T4-2025. La relation de cointégration est estimée conjointement avec les élasticités de court terme par la méthode des moindres carrés ordinaires. Chaque spécification est évaluée sur la base i) de tests de significativité usuels, à l’exception du test de significativité de la force de rappel qui s’appuie sur les valeurs critiques fournit par Ericsson et MacKinnon (2002); ii) de tests sur les propriétés du résidus (Jarque-Bera pour la normalité, Breusch-Godfrey pour l’autocorrélation, et ARCH d’Engle pour l’hétéroscédasticité), et iii) du fit entre la simulation dynamique de la FBCF des ENF en volume et sa contrepartie empirique.

Il est important de noter que cette analyse et celle de la section suivante ont été menées pour l’exercice de prévision du mois d’avril, avant la révision substantielle des comptes de l’INSEE intervenue à la fin du mois de mai. A ce moment là, les données de 2023 étaient encore semi-définitives. La robustesse des résultats est analysée dans l’ANNEXE 1 à partir des données actualisées.

Echantillon limité à la période pré-Covid

La présence de l’effet accélérateur par la demande dans l’équation d’investissement génère un problème classique d’endogénéité. Les variations du taux d’investissement générées par les déterminants qui sont dans le résidu se transmettent, en équilibre général, à la demande adressée aux entreprises et donc à la valeur ajoutée (VA) qu’elles produisent. Cette corrélation entre résidu et régresseur biaise l’estimation. Le paramètre associé au taux de croissance de la VA confond l’effet demande avec l’effet d’équilibre partiel de tous les déterminants qui sont dans le résidu. Par ailleurs, la spécification ne permet pas de séparer correctement l’effet d’équilibre partiel des déterminants qui sont pris en compte dans l’équation de leur effet d’équilibre général qui passe par la demande. On peut donc facilement se retrouver dans une situation où le taux de croissance de la VA constitue le seul déterminant significatif, et avec une spécification qui fit mal les données.

Les deux premières colonnes du tableau 1 illustrent le problème. Elles reportent l’estimation d’un MCE ayant pour seules variables explicatives le taux de croissance de la demande (mesuré par le taux de croissance de la valeur ajoutée dans la colonne (1) et par la variation du TUC dans la colonne (2)) et le premier retard de l’écart à la cible. La force de rappel ne passe pas le test de significativité.

Tableau 1. Estimations et tests sur le résidu de l’équation

	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)	(9)
Force de rappel et élasticités de long terme
ln(I/VA)₋₁	-0.04	-0.1	-0.15***	-0.13**	-0.12**	-0.12**	-0.14***	-0.14***	-0.15***
	(-1.31)	(-2.55)	(-3.88)	(-3.52)	(-3.41)	(-3.44)	(-3.99)	(-4)	(-5.19)
ln(Cᵏ/Pⱽᴬ)₋₁	-0.45**	-0.24**	-0.24***	-0.25***	-0.28***	-0.28***	-0.27***	-0.26***	-0.23***
	(-2.61)	(-2.58)	(-3.84)	(-3.76)	(-4.14)	(-4.17)	(-4.65)	(-4.53)	(-5.27)
Elasticités de court terme
(Intercept)	-0.14*	-0.24***	-0.37***	-0.34***	-0.31***	-0.3***	-0.35***	-0.34***	-0.35***
	(-1.88)	(-2.69)	(-4.16)	(-3.87)	(-3.99)	(-3.98)	(-4.52)	(-4.48)	(-5.49)
Δln(VA)	1.36***
	(8.53)
ΔTUC		0.57***
		(4.95)
Δln(VAexo)			0.73***	0.79***	0.79***	0.79***	0.81***	0.68***	0.69***
			(2.92)	(3.2)	(3.22)	(3.22)	(3.39)	(2.76)	(2.96)
Δln(I)₋₁			0.24***	0.23***	0.22***	0.22***	0.2**	0.18**	0.2**
			(2.72)	(2.75)	(2.68)	(2.67)	(2.47)	(2.28)	(2.56)
Δln(Cᵏ/Pⱽᴬ)₋₁			0.02**	0.02*	0.02**	0.02**	0.02**	0.02**	0.02**
			(2.04)	(1.86)	(2.2)	(2.2)	(2.39)	(2.6)	(2.39)
Δln(I)₋₂			0.26***	0.18**	0.19**	0.19**
			(3.08)	(2.09)	(2.17)	(2.18)
ΔCF₋₂				0.56**	0.64**	0.64**	0.76***	0.75***	0.65***
				(2.17)	(2.51)	(2.49)	(3.22)	(3.23)	(3.48)
ΔSpread					-3.48**	-3.48***	-3.52***	-3.07**	-2.78**
					(-2.63)	(-2.63)	(-2.73)	(-2.38)	(-2.25)
TUCAP							0.33***	0.32***	0.33***
							(3.06)	(2.98)	(3.29)
UNC								-0.01*	-0.01*
								(-1.94)	(-1.8)
Autres
Période	1993T4-2019T4	1993T4-2019T4	1993T4-2019T4	1993T4-2019T4	1993T4-2019T4	1993T4-2019T4	1993T4-2019T4	1993T4-2019T4	1993T4-2023T4
R2 ajusté	0.5	0.31	0.44	0.46	0.49	0.49	0.51	0.52	0.84
Jarque-Bera	4.86	0.02	0.88	0.33	1.1	1.05	0.67	0.72	0.52
	[0.09]	[0.99]	[0.64]	[0.85]	[0.58]	[0.59]	[0.72]	[0.7]	[0.77]
LM1	9.81	3.01	0.1	0.5	0.87	0.85	1.38	1.12	2.57
	[0]	[0.08]	[0.75]	[0.48]	[0.35]	[0.36]	[0.24]	[0.29]	[0.11]
LM4	14.5	11.87	0.42	1.46	1.17	1.14	3.57	3.31	5.52
	[0.01]	[0.02]	[0.98]	[0.83]	[0.88]	[0.89]	[0.47]	[0.51]	[0.24]
ARCH1	11.49	4.99	3.84	2.32	2.55	2.6	6.68	5.95	3.24
	[0.02]	[0.29]	[0.43]	[0.68]	[0.64]	[0.63]	[0.15]	[0.2]	[0.52]
Indicatrices	-	-	-	-	-	-	-	-	2020T1,2020T2,...,2021T3
Note: Les statistiques de Student sont indiquées entre parenthèses (à l'exception des tests sur le résidu) et les p-values entre crochets. * (, *) : significatif au seuil de 10 % (resp. 5 %, 1 %). Les seuils de test utilisés pour la significativité de la force de rappel sont issus de Ericsson et MacKinnon (2002) : 1% = -3.87, 5% = -3.25, 10% = -2.92.

La stratégie utilisée pour estimer l’effet accélérateur se rapproche de celle employée par l’équipe du modèle Mésange et les études annexes. Elle consiste en deux étapes. Dans un premier temps, nous construisons une variable auxiliaire qui capte les fluctuations du taux de croissance de la VA les moins corrélées aux déterminants de l’investissement qui sont dans le modèle ou dans le résidu. Nous avons utilisé la contribution de la demande extérieure, mesurée par les exportations, au taux de croissance de la valeur ajoutée. Dans un second temps, nous remplaçons le taux de croissance de la VA par la variable auxiliaire dans le MCE²⁰.

²⁰ Une méthode alternative consiste à utiliser non pas la valeur contemporaine du taux de croissance de la VA mais les retards de cette variable. Le fit entre l’investissement simulé et les données est toutefois moins bon.

²¹ Il convient toutefois de noter que l’échantillon couvre des données récentes. Les résultats sont cohérents avec ceux de Hanappi, Millot et Turban (2023), qui suggèrent que la sensibilité de l’investissement des entreprises au coût d’usage du capital dans les pays de l’OCDE aurait diminué.

La colonne (3) reporte l’estimation d’une forme réduite de l’équation 3 et dans laquelle le coût du capital est mesuré avant impôt et le taux d’actualisation est égal au taux sur les OAT à 10 ans. L’élasticité de l’investissement à la VA dans le court terme se situe dans l’intervalle des valeurs reportées dans d’autres études, entre 0,43 et 2,1. En revanche, la force de rappel est plus faible que la valeur minimum rencontrée (-0,15 contre -0,1) et l’élasticité de l’investissement au coût d’usage du capital est plus élevée que la valeur maximum rencontrée (-0,24 contre -0,3)²¹. Les colonnes (4) à (8) reportent les résultats obtenus en introduisant progressivement dans l’équation le second retard de la variation des cash flows (à défaut de la variation contemporaire dont l’effet absorbe celui du taux de croissance de la VA), les spreads de crédit dans le coût du capital et dans le court terme, le taux statutaire de l’IS dans le coût du capital, la composante cyclique du TUCAP, et l’indicateur d’incertitude. L’introduction de l’incertitude s’accompagne d’une baisse de l’élasticité de l’investissement à la VA dans le court terme, qui s’élève à 0,68 dans la spécification retenue. La force de rappel et l’élasticité de l’investissement au coût d’usage du capital dans le long terme sont assez stables (-0,14 et -0,26 respectivement contre -0,15 et -0,24 initialement).

La spécification et la méthode d’estimation retenues soulèvent encore plusieurs difficultés. Par exemple, les valeurs critiques de Ericsson et MacKinnon (2002) ne suffisent pas à évaluer la significativité de la force de rappel. Elles sont adaptées au cas d’une procédure d’estimation en une étape alors que la spécification retenue inclut un régresseur généré. L’existence d’une relation de cointégration a toutefois été confirmée en effectuant un test ADF. Ensuite, la contribution de la demande extérieure ne constitue pas une mesure des fluctuations de la demande qui soit parfaitement orthogonale au résidu de l’équation. L’introduction de l’incertitude fournit une bonne illustration. L’incertitude économique générée par la faillite de Lehman Brothers a très bien pu affecter simultanément l’investissement des entreprises résidentes et la demande extérieure via l’investissement des entreprises étrangères. Le modèle (3) confond donc l’effet demande avec l’effet de l’incertitude qui est dans le résidu. Le modèle (8) en revanche l’identifie mieux, ce qui peut expliquer pourquoi l’élasticité de l’investissement à la VA dans le court terme passe de 0,81 à 0,68. Ensuite, l’estimation de l’effet des autres déterminants ne distingue pas équilibre partiel et équilibre général si bien que, lors de la simulation du modèle (8), le remplacement de la variable auxiliaire par le taux de croissance de la VA pourrait gonfler leurs contributions.

Graphique 4. Simulation dynamique de la FBCF des ENF en volume (fin de l’estimation au T4-2019)

Malgré ces limites, la simulation dynamique du modèle (8) fit plutôt bien les données (voir graphique 4). Sur la période d’estimation, l’écart moyen entre investissement simulé et investissement observé s’élève à 1,41% de l’investissement observé en valeur absolue. En dehors de la période d’estimation, le fit est particulièrement bon à partir du T3-2021. Nous constatons toutefois trois périodes durant lesquelles le modèle explique moins bien les données : du T1-1997 au T3-1998, du T4-2005 au T4-2006, et du T2-2020 au T2-2021.

Le T1-1997 est difficile à capter parce qu’il marque une rupture dans la dynamique de l’investissement. L’écart se dégrade de nouveau au T3 et au T4 de la même année, ce qui coïncide avec le début de la crise asiatique suivi par la crise financière russe et la quasi-faillite de LTCM au T3-1998. Ces évènements exceptionnels ne sont pas captés dans notre indicateur d’incertitude qui commence en 1999.

Le T4-2005 marque un tournant dans la politique monétaire de la BCE, qui augmente ses taux pour la première fois après 2 ans et demi²², ce qui peut avoir eu un effet à la baisse sur les anticipations que le modèle capte mal.

²² Voir ECB (2005)

²³ Voir (inseeCovid?)

Pendant le Covid, l’écart commence à se creuser au T2-2020, ce qui coïncide avec la mise en place des aides exceptionnelles aux entreprises en mars (création du fonds de solidarité et lancement des prêts garantis par l’Etat ou PGE), et s’intensifie au T3-2020, ce qui coïncide avec le lancement du plan France Relance. Certaines de ces mesures ne sont pas captées dans le modèle, telle que les PGE, d’autres le sont mais seulement avec un effet retardé. On observe notamment que le taux de marge des SNF augmente beaucoup à partir du T4-2020, sous l’effet des subventions reçues au titre du fonds de solidarité²³, ce qui commence à se transmettre à l’investissement simulé seulement deux trimestres plus tard.

Ces écarts suggèrent des voies d’amélioration, telles que l’utilisation du VIX comme indicateur d’incertitude et la recherche d’une spécification qui permettrait d’introduire un effet contemporain des cash flows.

Échantillon prolongé jusqu’en 2025

En appliquant la même méthode sur un échantillon prolongé, nous constatons deux types de problèmes. D’abord, l’élasticité de la VA à la demande extérieure estimée dans la première étape augmente substantiellement, ce qui suggère que l’estimation confond effet Covid via la demande extérieure et effet Covid via les autres composantes de la demande adressée aux entreprises. D’autre part, comme pour l’incertitude dans le modèle (4), la pandémie de Covid-19 est un shock qui affecte à la fois le résidu de l’équation d’investissement, mais également la contribution de la demande extérieure au taux de croissance de la VA, ce qui crée un biais d’endogénéité. Afin de limiter ces biais, nous avons introduit un ensemble d’indicatrices couvrant toute la période Covid, du T1-2020 jusqu’au T3-2021, dans les deux étapes.

La colonne (9) du tableau 1 reporte les résultats de l’estimation du modèle (8) pour un échantillon prolongé jusqu’au T4-2023. Les paramètres s’ajustent légèrement, à l’exception de la semi-élasticité de l’investissement aux cash flows qui diminue plus nettement (0,65 contre 0,75 initialement). La simulation dynamique du modèle (9) montre que les paramètres s’ajustent de manière à améliorer les performances du modèle en fin de période d’estimation (à partir du T4-2022), ce qui se traduit par un écart entre investissement simulé et investissement observé en fin de période de simulation (à partir du T4-2024). Le modèle sous-estime l’investissement observé de l’ordre de 2%. L’estimation récursive du modèle (9) montre que l’ajustement des paramètres se joue essentiellement entre l’élasticité de l’investissement à la VA et la semi-élasticité de l’investissement aux cash flows dans le court terme (voir graphique 6). Si l’échantillon avait été arrêté un trimestre plus tôt, l’ajustement aurait davantage reposé sur la VA.

Graphique 5. Simulation dynamique de la FBCF des ENF en volume (fin de l’estimation au T4-2023)

Compte tenu de ces résultats, le choix entre le modèle (8) et le modèle (9) porte sur la nature de l’écart entre investissement simulé et investissement observé en 2023. La question est de savoir s’il justifie un ajustement du modèle (8) et la réponse est à priori non. L’écart est limité (autour de 2%) et se résorbe rapidement, si bien que le modèle fit quasiment parfaitement les données à partir du T2-2024.

Graphique 6. Estimation récursive des paramètres

Rétrospective sur la dynamique de l’investissement

Le graphique 7 présente la contribution des différents déterminants à la dynamique de l’investissement depuis le T4-2019 obtenue à partir du modèle (8). Pour chaque déterminant, nous simulons deux scénarios. Dans le premier, les déterminants de l’investissement restent à leur niveau du T4-2019. Dans le deuxième, le déterminant en question évolue comme dans les données. Les écarts entre les deux simulations nous donne une décomposition de l’investissement en niveau, à partir de laquelle les contributions sont calculées.

Le premier semestre 2020 correspond à une phase de baisse qui coïncide avec l’intensification de la pandémie de Covid 19. A l’issue de cette période, l’investissement a diminué de 18,4% par rapport à son niveau pré-Covid sous l’effet de la contraction de la demande, du relâchement des tensions sur le capital, et de l’augmentation de l’incertitude.

Vient ensuite une phase de hausse, du T3-2020 jusqu’au T2-2021. L’investissement rattrape son niveau pré-Covid dès le T4-2020, tiré essentiellement par les aides de l’Etat dont la contribution alimente le résidu.

Durant la phase suivante, qui intervient entre le T3-2021 et le T2-2022, l’investissement stagne. Les mesures exceptionnelles de soutien aux entreprises sont progressivement supprimées mais l’effet retardé des subventions accordées aux entreprises au titre du fonds de solidarité prend le relai à travers les cash flows. L’investissement est ensuite soutenu principalement par la réduction du coût d’usage du capital, sous l’effet du shock inflationniste, et par l’augmentation des tensions sur le capital qui reflète la reprise persistante de la demande. Ces facteurs permettent notamment de compenser l’effet négatif de l’incertitude générée par le déclenchement de la Guerre en Ukraine.

Graphique 7. Décomposition du taux de croissance de la FBCF par rapport au T4-2019

Entre le T3-2022 et le T3-2023, l’investissement repart. La demande commence à rattraper le retard pris pendant le Covid au sens où sa contribution repasse en territoire positif. Les tensions sur le capital et la vague d’inflation réduisant le coût d’usage du capital s’intensifient, malgré le resserrement de la politique monétaire enclenché au T3-2022.

La dynamique s’inverse ensuite jusqu’au T3-2024. L’investissement diminue sous l’effet du relâchement des tensions sur le capital et de la transmission de la hausse des taux qui commence à se matérialiser.

En fin de période, l’investissement progresse lentement. L’équation attribue l’augmentation de l’investissement en 2025 à la montée des tensions sur le capital (1,2 points), à l’augmentation de la demande (1,15 points), et au relâchement des tensions sur les coûts de financement via les spreads (0,9 point). Ces facteurs font plus que compenser la pression à la baisse exercée par l’augmentation du taux sur les OAT à 10 ans via le coût d’usage du capital.

Conclusion

Cette étude revient sur les déterminants de la dynamique de l’investissement au cours des dernières années. Elle permet notamment d’expliquer le décrochage de l’investissement à partir de 2024, et la reprise inattendue observée en 2025. Le décrochage est attribué au coût d’usage du capital, qui se maintient autour d’un niveau plus élevé qu’en 2019 depuis presque trois ans, et la reprise à la montée des tensions sur le capital, à l’augmentation de la demande, et au relâchement des tensions sur les coûts de financement via les spreads de crédit.

La robustesse de ces résultats, et de la méthode utilisée pour les générer, à la révision des comptes de l’INSEE publiée à la fin du mois de mai est étudiée dans l’ANNEXE 1. Il ressort de cette analyse que i) le modèle 8 explique mieux les données définitives de 2023 qu’il n’expliquait les données semi-définitives ; ii) l’ordre de grandeur des contributions des moteurs de la reprise identifiés dans le corps du texte est le même mais l’ordre change (l’augmentation de la demande passe devant la montée des tensions sur le capital) ; iii) le fit entre la simulation dynamique du modèle (8) et les données se dégrade substantiellement en fin de période puisque le décrochage est moins marqué. Plusieurs pistes de réflexion sont discutées.

ANNEXE 1 : Actualisation des comptes de l’INSEE

Le 29 mai 2026, l’INSEE a publié la révision de ses comptes pour 2023 jusqu’à aujourd’hui, nous donnant accès aux données définitives pour 2023, et semi-définitives pour 2024. Dans cette annexe, nous analysons la robustesse des résultats présentés dans le corps du texte à la révision.

Graphique 8. FBCF des ENF simulée vs. données révisées (volume)

Le graphique 8 compare la simulation dynamique de la FBCF des ENF en volume générée à partir du modèle (8) à ses contreparties empiriques avant et après révision des données. Plusieurs éléments ressortent. D’abord, le décrochage de la FBCF des ENF par rapport à la tendance observée avant le Covid est toujours présent, mais beaucoup moins prononcé que celui que nous observions avant la révision. La FBCF diminue beaucoup moins en 2024 (de 0,3% contre 2,3?% initialement, en moyenne annuelle) et progresse plus rapidement en 2025 (de 0,6% contre 0,3% initialement). D’autre part, le modèle fit mieux les données définitives de 2023 qu’il ne fitait les données semi-définitives. Le même constat s’impose lors de la réestimation du modèle (9) : les paramètres tels que la semi-élasticité de l’investissement aux cash flows dans le court terme ou bien l’élasticité de l’investissement au coût du capital dans le long terme sont relativement plus stables lorsque nous prolongeons l’échantillon jusqu’en 2023 (voir tableau 2). Enfin, le fit entre le modèle et les données révisées se dégrade substantiellement en fin de période.

Tableau 2. Réestimation du modèle (9) sur données révisées

	(8)	(9)	(9)-Données révisées
Force de rappel et élasticités de long terme
ln(I/VA)₋₁	-0.14***	-0.15***	-0.14***
	(-4)	(-5.19)	(-4.88)
ln(Cᵏ/Pⱽᴬ)₋₁	-0.26***	-0.23***	-0.25***
	(-4.53)	(-5.27)	(-5.23)
Elasticités de court terme
(Intercept)	-0.34***	-0.35***	-0.33***
	(-4.48)	(-5.49)	(-5.26)
Δln(VAexo)	0.68***	0.69***	0.7***
	(2.76)	(2.96)	(2.98)
Δln(I)₋₁	0.18**	0.2**	0.21***
	(2.28)	(2.56)	(2.69)
Δln(Cᵏ/Pⱽᴬ)₋₁	0.02**	0.02**	0.02***
	(2.6)	(2.39)	(2.67)
ΔCF₋₂	0.75***	0.65***	0.68***
	(3.23)	(3.48)	(3.7)
ΔSpread	-3.07**	-2.78**	-2.89**
	(-2.38)	(-2.25)	(-2.32)
TUCAP	0.32***	0.33***	0.31***
	(2.98)	(3.29)	(3.06)
UNC	-0.01*	-0.01*	-0.01*
	(-1.94)	(-1.8)	(-1.86)
Autres
Période	1993T4-2019T4	1993T4-2023T4	1993T4-2023T4
R2 ajusté	0.52	0.84	0.84
Jarque-Bera	0.72	0.52	1.3
	[0.7]	[0.77]	[0.52]
LM1	1.12	2.57	3.69
	[0.29]	[0.11]	[0.05]
LM4	3.31	5.52	5.81
	[0.51]	[0.24]	[0.21]
ARCH1	5.95	3.24	3.34
	[0.2]	[0.52]	[0.5]
Indicatrices	-	2020T1,2020T2,...,2021T3	2020T1,2020T2,...,2021T3
Note: Les statistiques de Student sont indiquées entre parenthèses (à l'exception des tests sur le résidu) et les p-values entre crochets. * (, *) : significatif au seuil de 10 % (resp. 5 %, 1 %). Les seuils de test utilisés pour la significativité de la force de rappel sont issus de Ericsson et MacKinnon (2002) : 1% = -3.87, 5% = -3.25, 10% = -2.92.

Les principaux moteurs de l’investissement des entreprises en 2024 et 2025 identifiés dans le corps du texte sont relativement robustes à la révision des données. Le graphique 9 montre que la décomposition du taux de croissance de la FBCF par rapport au T4-2019 donne qualitativement les mêmes résultats. Quantitativement, l’ordre des contributions à la progression de l’investissement en 2025 est différent, avec en premier la demande (1,5 points contre 1,15 points initialement), puis la contribution de la montée des tensions sur le capital qui n’a pas changé (1,2 points), et le relâchement des tensions sur les coûts de financement via les spreads qui n’a pas changé non plus (0,9 point). La révision des données passe donc essentiellement par un ajustement du résidu, qui se résorbe en 2023, et s’intensifie à partir du T2-2024.

Graphique 9. Re-décomposition du taux de croissance de la FBCF par rapport au T4-2019

Bien que les données après 2023 ne soient pas encore définitives, ces constats soulèvent une nouvelle question. Comment expliquer que la FBCF oscille autour d’un niveau stable en fin de période alors que le coût d’usage du capital se maintient à un niveau plus élevé que celui observé avant la crise sanitaire? D’abord, il est possible que nous surrestimions le coût d’usage du capital. La prise en compte de la fiscalité est perfectible et nous travaillons avec une version simplifiée du WACC qui exclut le coût de financement par émission d’actions. Le graphique 10 montre ce que donnerait la simulation dynamique du modèle 8 en supposant que l’écart moyen entre le coût du capital et son niveau pré-Covid soit nulle en fin de période (à partir du T3-2023). Le moins qu’on puisse dire c’est que le résultat ne réfute pas cette conjecture. Il est également possible qu’une variable omise vienne compenser le niveau élevé du coût du capital, avec un effet persistant à la hausse sur l’investissement. Enfin, nous ne pouvons pas écarter l’hypothèse d’une nouvelle révision substantielle des données lors du bouclage des comptes définitifs de l’INSEE pour 2024 en mai 2027.

Graphique 10. Simulation dynamique de la FBCF des ENF en volume si le coût du capital était revenu (en moyenne) à son niveau pré-Covid

ANNEXE 2 : Données

Variable	Source	Identifiant des données utilisées
Investissement
Investissement en volume	INSEE	011794897
Coût d'usage du capital nominal
Prix des biens d'investissement	INSEE	011794897 011794898
Taux OAT 10 ans	Banque de France	FM.M.FR.EUR.FR2.BB.FR10YT_RR.YLD
Coût moyen de la dette	Banque de France	MIR1.M.FR.B.A2A.K.R.A.2240U6.EUR.N, MIR1.M.FR.B.A30.K.R.1.2240.EUR.N, SC1.M.FR.1100.F33200.N.1.Z06.E.Z, SC1.M.FR.1100.F33200.N.1.EUR.E.Z, BSI1.Q.FR.N.R.A20.I.1.U6.2240.Z01.E, BSI1.Q.FR.N.R.A20.J.1.U6.2240.Z01.E
Taux de dépréciation	INSEE	Comptes de patrimoine et de variation de patrimoine des S11, actif N11
Autres
Valeur ajoutée des ENF en volume	INSEE	011794721, Prix de valeur ajoutée
Exports en volume	INSEE	011794877
TUCAP	INSEE	001586222, 001586737
Prix de valeur ajoutée	INSEE	011794074, 011794075, 011794098, 011794099, 011794120,011794121
Taux de marge brut	INSEE	011794722, 011794733
Note: Le coût moyen de la dette a été rétropolé à partir de la série MIR1.Q.FR.R.A2A.H.R.A.2313FR.EUR.N de la Banque de France

ANNEXE 3 : Fondements théoriques de la cible de taux d’investissement

Cet appendice présente les fondements théoriques de la cible de taux d’investissement retenue dans les modèles macroéconométriques. Le bloc d’offre de l’économie inclut deux secteurs productifs, les producteurs de biens finaux et les producteurs de biens intermédiaires. Les biens finaux destinés notamment à la consommation sont produits dans une situation de concurrence parfaite, à partir de biens intermédiaires. Les biens intermédiaires sont, quant à eux, produits en situation de concurrence monopolitistique, à partir du travail et du capital productif, que les entreprises concernées louent auprès d’autres agents de l’économie (ménages ou autres). Toutes les technologies de production prennent la forme d’une fonction CES, i.e. à élasticité de subsitution constante.

Production de biens finaux

Les producteurs de biens finaux choisissent la quantité produite Y_t, et les quantités de biens intermédiaires, y_{i,t} qui maximisent leur profit en prennant les prix, P_t et p_{i,t} \forall i, comme donnés. Etant données la fonction de profit des entreprises, P_t\cdot Y_t-\int_i p_{i,t}\cdot y_{i,t} di, et la contrainte technologique,

Y_t \leq \Big( \int_i y_{i,t}^{\frac{\varepsilon-1}{\varepsilon}}di \Big)^{\frac{\varepsilon}{\varepsilon-1}} \tag{5}

la demande de biens intermédiaires de type i prend la forme suivante,

y_{i,t} = \Big(\frac{p_{i,t}}{P_t}\Big)^{-\frac{1}{\varepsilon}}\cdot Y_t \tag{6}

et la quantité produite Y_t sature la contrainte technologique.

Production de biens intermédiaires

Les producteurs de biens intermédiaires choisissent le prix de vente, p_{i,t}, et la quantité de facteurs, capital productif K_{i,t} et travail L_{i,t}, qui maximisent leur profit en prenant comme données la demande qui s’adresse à eux, y_{i,t}, les variables macroéconomiques, P_t Y_t A_t où A_t désigne le progrès technique, le salaire nominal W_t et le loyer ou coût d’usage du capital productif C^k_t. Le programme de maximisation du producteur de biens intermédiaires de type i s’écrit :

\begin{equation} \begin{aligned} \text{Max}_{p_{i,t}, L_{i,t}, K_{i,t}} \quad & p_{i,t}\cdot y_{i,t}-W_t\cdot L_{i,t}-C^k_t\cdot K_{i,t} \\ \text{s.t.} \quad &y_{i,t} \leq F(K_{i,t},A_t\cdot L_{i,t}) \end{aligned} \end{equation}

où l’expression de y_{i,t} est donnée par l’équation 6. En utilisant la technologie F(K_{i,t},A_t\cdot L_{i,t})=\Big[\alpha\cdot (K_{i,t})^{\frac{\sigma-1}{\sigma}}+(1-\alpha)\cdot(A_t\cdot L_{i,t})^{\frac{\sigma-1}{\sigma}}\Big]^{\frac{\sigma}{\sigma-1}}, et en notant \lambda_{i,t} le multiplicateur de Lagrange associé à la contrainte technologique, on obtient les conditions d’optimalité suivantes :

\begin{aligned} \lambda_{i,t}\cdot A_t\cdot F_{AL,i,t}&=W_t \\ \lambda_{i,t}\cdot F_{K,i,t}&=C^k_t \\ p_{i,t}&=\frac{\varepsilon}{\varepsilon-1}\cdot\lambda_{i,t} \\ y_{i,t} &= F(K_{i,t},A_t\cdot L_{i,t}) \\ \lambda_{i,t}&\geq 0 \end{aligned} \tag{7}

où F_{AL,i,t}(i)=(1-\alpha)\cdot\Big(A_t\cdot L_{i,t}/y_{i,t}\Big)^{-\frac{1}{\sigma}} et F_{K,i,t}=\alpha\cdot\Big(K_{i,t}/y_{i,t}\Big)^{-\frac{1}{\sigma}}. D’après les deux premières équations, à l’optimum, le multiplicateur de Lagrange est égal au coût marginal de production, et l’entreprise est indifférente entre capital et travail puisque le coût marginal de production est le même quelque soit le facteur utilisé. La demande de capital en particulier est telle que la productivité marginale du capital valorisée au coût marginal de production soit égale au coût d’usage du capital. La troisième équation détermine le prix de vente comme une fonction proportionnelle au coût marginal de production.

Les deux premières équations impliquent qu’à l’optimum le ratio capital-travail est le même quelque soit la variété, i.e. \frac{K_{i,t}}{A_t\cdot L_{i,t}}=k_t \forall i. Etant donnée la forme de la fonction de production, on peut écrire F(K_{i,t},A_t\cdot L_{i,t})=A_t\cdot L_{i,t}\cdot F(k_t,1), et on en déduit que la productivité marginale de chaque facteur est la même quelque soit la variété i. Puisque la productivité marginale de chaque facteur ne dépend pas de i, il en va de même pour le coût marginal de production, le prix, la demande, et donc finalement les demandes de facteur, i.e. K_{i,t}=K_t et L_{i,t}=L_t \forall i.

Équation d’investissement

Puisque la masse de producteurs de biens intermédiaires est normalisée à 1, K_t et L_t désignent également le stock de capital total et l’emploi total de l’économie. En notant \upsilon=\frac{\varepsilon}{\varepsilon-1}-1 le taux de marge appliqué par les producteurs de biens intermédiaires, on obtient l’expression du stock de capital total,

K_t = \Big(\frac{1+\upsilon}{\alpha}\Big)^{-\sigma}\cdot\Big(\frac{C_t^k}{P_t}\Big)^{-\sigma}\cdot Y_t \tag{8}

En supposant l’équation d’accumulation suivante, K_{t}=I_t+(1-\delta_t)\cdot K_{t-1} où I_t et \delta_t désignent respectivement l’investissement en capital fixe et le taux de dépréciation du capital fixe, et en substituant le stock de capital total par l’équation 8, on obtient la cible de taux d’investissement,

\begin{equation} \frac{I_t}{Y_t} = \Big(\frac{g_{k,t}+\delta_t}{1+g_{k,t}}\Big)\cdot \Big(\frac{1+\upsilon}{\alpha}\Big)^{-\sigma}\cdot\Big(\frac{C_t^k}{P_t}\Big)^{-\sigma} \end{equation}

où g_{k,t} désigne le taux de croissance du stock de capital fixe. En log-linéarisant cette équation, elle devient,

\begin{equation} \ln \frac{I_t}{Y_t} = c-\sigma\cdot \ln\Big(\frac{C_t^k}{P_t}\Big)+\ln\Big(\frac{g_{k,t}+\delta_t}{1+g_{k,t}}\Big) \end{equation}

où c=-\sigma\cdot \ln\Big(\frac{1+\upsilon}{\alpha}\Big).

Modélisation du coût du capital

La modélisation du coût du capital suit l’article de Jorgenson (1963) à quelques exceptions près, notamment la structure de marché puisque la concurrence est ici imparfaite. En supposant que les entreprises aient le choix entre louer le capital fixe et l’acheter, on va utiliser la relation d’équilibre qui devrait exister entre le loyer du capital et son prix pour déterminer implicitement l’expression du coût d’usage du capital. La relation d’équilibre entre le loyer du capital et son prix se déduit du programme d’optimisation des producteurs de biens intermédiaires lorsqu’ils achètent le capital. En supposant qu’ils peuvent emprunter auprès des marchés financiers au taux d’intérêt brut r_{t+1} déterminé au temps t, le programme de maximisation devient :

\begin{equation} \begin{aligned} \text{Max}_{p_{i,t}, L_{i,t}, I_{i,t},K_{i,t+1},B_{i,t+1}} \quad & \mathrm{E}_t\Big[\Sigma_{s=0}^\infty M_{t,t+s}\cdot D_{i,t+s}\Big] \\ \text{s.t.} \quad &y_{i,t} \leq F(K_{i,t},A_t\cdot L_{i,t}\Big)\\ &K_{i,t+1}=I_{i,t}+(1-\delta_t)\cdot K_{i,t}\\ &\lim_{T\rightarrow\infty}\mathrm{E}_t[M_{t,t+T}\cdot B_{i,t+T+1}]=0 \end{aligned} \end{equation}

où I_{i,t} désigne l’investissement en capital fixe, B_{i,t+1} désigne la somme empruntée auprès des marchés financiers, E_t désigne l’espérance conditionnellement à l’information disponible au temps t, M_{t,t+s} désigne le facteur d’actualisation stochastique utilisé pour actualiser les dividendes versés au temps t+s, notés D_{i,t+s}, avec D_{i,t+s}=p_{i,t+s}\cdot y_{i,t+s}-W_t\cdot L_{i,t+s}-P_{t+s}^I\cdot I_{i,t+s} - r_{t+s}\cdot B_{i,t+s}+B_{i,t+s+1} où P_{t+s}^I désigne le prix du capital au temps t+s.

Les conditions du premier ordre sont les même que dans l’ANNEXE 3.2 à l’exception de la demande de capital, qui devient :

P_t^I=\mathrm{E}_t\Big[M_{t,t+1}\Big\{\lambda_{i,t+1}F_K(K_{i,t+1},A_{t+1}\cdot L_{i,t+1})+P^I_{t+1}\cdot(1-\delta_{t+1})\Big\}\Big] \tag{9}

S’ajoutent à ces conditions la demande de fonds auprès des marchés financiers :

\begin{equation} \begin{aligned} B_{i,t+1}&=\begin{cases} 0\quad&\text{si}\quad 1<\mathrm{E}_t[M_{t+1}]r_{t+1} \\ \in[0,\infty[\quad&\text{si}\quad 1=\mathrm{E}_t[M_{t+1}]r_{t+1} \\ \infty\quad&\text{si}\quad 1>\mathrm{E}_t[M_{t+1}]r_{t+1} \end{cases} \end{aligned} \end{equation} \tag{10}

A l’équilibre, la demande de capital est telle que le prix des biens d’investissement soit égal à la valeur actuelle anticipée du bénéfice marginal du capital à la période suivante, qui est déterminé par la somme de la productivité marginale du capital valorisée au coût marginal du production et de sa valeur à la revente. La demande de fonds auprès des marchés financiers est quant à elle discontinue. On observe cependant que le seul équilibre cohérent avec une quantité de fonds prêtable fini et bornée est tel que 1=\mathrm{E}_t[M_{t+1}]r_{t+1}. Dans ce cas, la structure du financement est indéterminée. L’entreprise est indifférente entre le financement via les marchés et le financement sur fonds propres puisque le financement via les marchés rapporte autant qu’il ne coûte. Par ailleurs, on peut déduire de cette équation le taux d’actualisation utilisé par l’entreprise pour évaluer les cash flows sans risque, r_{t+1}.

De manière équivalente, on peut réécrire la demande de capital de la manière suivante,

P_t^I=\frac{1}{1+\tilde{r}_{i,t+1}}\cdot\mathrm{E}_t\Big[\lambda_{i,t+1}F_K(K_{i,t+1},A_{t+1}\cdot L_{i,t+1})+P^I_{t+1}\cdot(1-\delta_{t+1})\Big] \tag{11}

où \tilde{r}_{i,t+1} correspond à la somme du taux d’intérêt sans risque et de la prime requise par l’entreprise en contrepartie du risque encouru. C’est le taux utilisé par l’entreprise pour actualiser le rendement brut d’une unité marginale de capital supplémentaire. Sous certaines conditions, on peut également montrer que 1+\tilde{r}_{i,t+1} = \mathrm{E}_t[r^{wacc}_{i,t+1}] où \mathrm{E}_t[r^{wacc}_{i,t+1}] désigne le WACC - Weighted average cost of capital (voir ANNEXE 4 pour plus de détails).

La relation d’équilibre entre le loyer du capital et son prix est obtenu en substituant la demande de capital de l’ANNEXE 3.2 dans l’équation équation 11, ce qui donne

\begin{equation} P_t^I=\frac{1}{1+\tilde{r}_{t+1}}\cdot\mathrm{E}_t\Big[C^k_{t+1}+P^I_{t+1}\cdot(1-\delta_{t+1})\Big] \end{equation}

En supposant pour simplier que les anticipations sont parfaites et en reculant d’une période, on obtient l’expression du coût d’usage du capital,

\begin{equation} C^k_t=P_{t}^I\cdot \Big[\frac{1+\tilde{r}_{t}}{1+\pi^I_{t}}-(1-\delta_{t})\Big]\approx P_{t}^I\cdot (\tilde{r}_{t}-\pi^I_{t}+\delta_{t}) \end{equation}

où \pi^I_{t} désigne le taux d’inflation du prix des biens d’investissement ou la plus-value latente réalisée en cas de revente des biens d’investissement.

ANNEXE 4 : WACC et taux d’actualisation

Cet appendice fournit plus de détails sur la relation

1+\tilde{r}_{i,t+1} = \mathrm{E}_t[r^{wacc}_{i,t+1}] \quad \text{avec} \quad r^{wacc}_{i,t+1}\equiv \omega_t\cdot r_{t+1}+(1-\omega_t)\cdot r^s_{t+1} \tag{12}

où \mathrm{E}_t[r^{wacc}_{i,t+1}] désigne le WACC (weighted average cost of capital). Le WACC correspond à la moyenne des coûts de financement, r_{t+1} pour la dette et \mathrm{E}_t[r^s_{i,t+1}] pour les actions, pondérée par le poids de chaque instrument dans la valeur de la firme. On a donc ici \omega_t = B_{t+1}/(P^a_t+B_{t+1}) où P^a_t désigne la valeur des actions à la fin de la période t (une fois les dividendes distribués).

La preuve de cette relation consiste d’abord à montrer qu’il existe une relation entre le taux de rendement marginal sur l’investissement, r^I_{i,t+1}, et la moyenne pondérée du taux de rendement distribué aux pourvoyeurs de fonds, r^{wacc}_{i,t+1}, soit

r^I_{i,t+1} = r^{wacc}_{i,t+1} \tag{13}

avec r^I_{i,t+1}\equiv \Big[P^I_{t+1}\cdot(1-\delta)+\lambda_{t+1}F_K(K_{t+1},A_{t+1}\cdot L_{t+1})\Big]/P_t^I. Pour cela, on peut s’appuyer sur les travaux de Liu, Whited et Zhang (2009) ou Zhang (2017)²⁴. En substituant l’équation 13 dans l’équation 11, l’équation 12 s’obtient directement.

²⁴ La preuve est disponible sur demande à l’adresse sandra.daudignon@sciencespo.fr.

ANNEXE 5 : Modélisation du coût du capital avec IS

TO BE ADDED

Bibliograhie

Abel A.B., Blanchard O.J. (1986). « The Present Value of Profits and Cyclical Movements in Investment », Econometrica, 54, n° 168, p. 249‑273.

Audenaert D., Chevalier C.-M., Hauseux Y., Marc B. (2015). « Le prix du foncier n’aurait pas d’effet direct sur l’investissement en actifs productifs »,.

Auerbach A.J. (1983). « Taxation, Corporate Financial Policy and the Cost of Capital », Journal of Economic Literature, 21, n° 3, p. 905‑940.

Baker S.R., Bloom N., Davis S.J. (2016). « Measuring economic policy uncertainty », The quarterly journal of economics, 131, n° 4, p. 1593‑1636.

Bardaji J., Campagne B., Khder M.-B., Lafféter Q., Simon O., Dufernez A.-S., Elezaar C., Leblanc P., Masson E., Partouche H. (2017). « Le modèle macroéconométrique Mésange: réestimation et nouveautés »,.

Bloom N. (2009). « The impact of uncertainty shocks », econometrica, 77, n° 3, p. 623‑685.

Bloom N. (2014). « Fluctuations in uncertainty », Journal of economic Perspectives, 28, n° 2, p. 153‑176.

Bricongne J.-C., Granelli L., Hoffmann S. (2017). Fiscal Measures and Corporate Investment in France, Publications Office of the European Union.

Briodeau C. (2025). « COMMENT EXPLIQUER LE TAUX D’ÉPARGNE ÉLEVÉ EN FRANCE? », Revue de l’OFCE, 191, p. 4.

Campello M., Kankanhalli G. (2024). Corporate decision-making under uncertainty: review and future research directions, Edward Elgar Publishing.

Carluccio J., Mazet-Sonilhac C., Mésonnier J.-S. (2018). « Investment and the WACC: new micro evidence for France »,.

Carnot N., Tissot B. (2002). La prévision économique, Economica.

Carroy A., KALANTZIS Y., THUBIN C., DELAMARRE F., Villetelle J.-P. (2019). « Comment expliquer le maintien d’un taux d’épargne historiquement élevé en France en sortie de pandémie? », Nous, 3, n° 5.

Chaney T., Sraer D., Thesmar D. (2007). « Collateral value and corporate investment: Evidence from the french real estate market », Institut National de la Statistique et des Etudes Economiques.

Chaney T., Sraer D., Thesmar D. (2012). « The collateral channel: How real estate shocks affect corporate investment », American Economic Review, 102, n° 6, p. 2381‑2409.

Chauvin V., Dupont G., Heyer É., Plane M., Timbeau X. (2002). « Le modèle France de l’OFCE: La nouvelle version: e-mod. fr », Revue de l’OFCE, 81, n° 2, p. 245‑300.

Chodorow-Reich G., Smith M., Zidar O.M., Zwick E. (2024). « Tax policy and investment in a global economy », National Bureau of Economic Research.

Chodorow-Reich G., Zidar O., Zwick E. (2024). « Lessons from the biggest business tax cut in US history », Journal of Economic Perspectives, 38, n° 3, p. 61‑88.

Claessens S., Kose M.A. (2017). « Macroeconomic implications of financial imperfections: a survey »,.

Clark P.K., Greenspan A., Goldfeld S.M., Clark P. (1979). « Investment in the 1970s: Theory, performance, and prediction », Brookings Papers on Economic Activity, 1979, n° 1, p. 73‑124.

Creedy J., Gemmell N. (2017). « Taxation and the user cost of capital », Journal of Economic Surveys, 31, n° 1, p. 201‑225.

Cueva S., Timbeau X. (1991). « Capacités de production, degrés d’utilisation et modélisation macroéconomique », Mémoire pour le DEA "Analyse Macroéconomique, Modélisation et Conjoncture".

Ducoudré B., Plane M., Villemot S. (2015). « Équations d’investissement », Revue de l’OFCE, 138, n° 2, p. 205‑221.

ECB (2002). « Monthly bulletin November 2002 », https://www.ecb.europa.eu/pub/pdf/mobu/mb200211en.pdf.

ECB (2005). « Monetary Policy Press Conference, December 2005 », https://www.ecb.europa.eu/press/press_conference/monetary-policy-statement/2005/html/is051201.en.html.

Ericsson N.R., MacKinnon J.G. (2002). « Distributions of error correction tests for cointegration », The Econometrics Journal, 5, n° 2, p. 285‑318.

Eudeline J.-F., Gorin Y., Sklénard G., Zakhartchouk A. (2013). « En France, l’investissement des entreprises repartira-t-il en 2014? », Insee, Note de conjoncture, décembre.

Fagnart J.-F., Licandro O., Portier F. (1999). « Firm heterogeneity, capacity utilization, and the business cycle », Review of Economic Dynamics, 2, n° 2, p. 433‑455.

Fazzari S., Hubbard R.G., Petersen B.C. (1987). « Financing constraints and corporate investment »,.

Gilchrist S., Sim J.W., Zakrajšek E. (2014). « Uncertainty, financial frictions, and investment dynamics », National Bureau of Economic Research.

Gilchrist S., Zakrajšek E. (2007). « Investment and the cost of capital: New evidence from the corporate bond market »,.

Hall R.E., Jorgenson D.W. (1967). « Tax policy and investment behavior », The American economic review, 57, n° 3, p. 391‑414.

Hanappi T., Millot V., Turban S. (2023). « How does corporate taxation affect business investment?: Evidence from aggregate and firm-level data », OECD Economics Department Working Papers.

Hayashi F. (1982). « Tobin’s marginal q and average q: A neoclassical interpretation », Econometrica: Journal of the Econometric Society, p. 213‑224.

Hubbard R. (1998). « Capital-Market Imperfections and Investment », Journal of Economic Literature, 36, n° 1, p. 193‑225.

Jorgenson D.W. (1963). « Capital theory and investment behavior », The American economic review, 53, n° 2, p. 247‑259.

Klein C., Simon O. (2010). « Le modèle MESANGE nouvelle version réestimée en base 2000 », Documents de Travail de la DGTPE, 2, p. 66‑205.

Lemoine M., Turunen H., Chahad M., Lepetit A., Zhutova A., Aldama P., Clerc P., Laffargue J.-P. (2018). The FR-BDF model and an assessment of monetary policy transmission in France, Banque de France.

Liu L.X., Whited T.M., Zhang L. (2009). « Investment-based expected stock returns », Journal of Political Economy, 117, n° 6, p. 1105‑1139.

Liu Z., Wang P., Zha T. (2013). « Land-price dynamics and macroeconomic fluctuations », Econometrica, 81, n° 3, p. 1147‑1184.

Modigliani F., Miller M.H. (1958). « The cost of capital, corporation finance and the theory of investment », The American economic review, 48, n° 3, p. 261‑297.

Muet P.-A., Avouyi-Dovi S. (1987). « L’effet des incitations fiscales sur l’investissement », Revue de l’OFCE, 18, n° 1, p. 149‑174.

OECD (2025). « Tackling Uncertainty, Reviving Growth »,.

Ohrn E. (2018). « The effect of corporate taxation on investment and financial policy: Evidence from the DPAD », American Economic Journal: Economic Policy, 10, n° 2, p. 272‑301.

Oliner S., Rudebusch G., Sichel D. (1995). « New and Old Models of Business Investment: A Comparison of Forecasting Performance », Journal of Money, Credit and Banking, 27, n° 3, p. 806‑826.

Sampognaro R. (2024). « Effet d’un choc d’incertitude politique sur le PIB français », Revue de l’OFCE, 187, n° 4, p. 203‑215.

Zhang L. (2017). « The Investment CAPM », National Bureau of Economic Research.