Guide d’utilisation des données sociales de l’Insee

L’Insee, et plus largement le service statistique public, collecte des informations d’origines diverses, notamment par des enquêtes sur échantillons ou par la réutilisation à des fins statistiques de données administratives. Pour pouvoir produire une statistique de qualité, encore faut-il savoir où chercher les informations !

Pourquoi apparier des données ?

On utilise des appariements de données parce qu’une source seule n’est pas toujours suffisante et ne couvre qu’une partie de ce que l’on veut analyser. Ces données peuvent être utilisées seules, ou combinées à d’autres sources, au niveau individuel, pour fournir une information plus riche. C’est ce que l’on appelle « faire des appariements ». Pour construire des statistiques complètes sur les revenus des ménages, on utilise des données issues des déclarations de revenus à l’impôt sur le revenu, mais on a également besoin des informations tirées de fichiers d’allocataires de prestations familiales et sociales (CAF, MSA, Cnav) qui permettent d’ajouter les prestations versées à l’ensemble des ménages.

L’Insee a ainsi mis en place le dispositif Filosofi (Fichier localisé social et fiscal), qui permet d’avoir une vue plus complète des revenus des ménages en rapprochant les deux sources de données pour chaque individu. Lecture : en 2019, la Métropole de Lyon compte 213 800 personnes pauvres vivant dans des ménages fiscaux ordinaires. Son taux de pauvreté s’élève à 16,2 %.

Exemples d’appariements et usages concrets

Pour bâtir des statistiques exhaustives sur les montants de retraites, on a besoin de rassembler les données des différents régimes : Cnav pour les salariés, MSA pour les agriculteurs y compris salariés, SSI pour les artisans et commerçants, régimes spéciaux. C’est ce que fait l’échantillon interrégimes de retraités (EIR) construit par la Drees, le service statistique de la santé et des solidarités. Il apparie, pour un échantillon de retraités, des données sur leurs montants de retraite dans les différents régimes qui les concernent, afin de reconstituer leurs montants de retraite totale.

Lorsque l’on veut évaluer l’impact d’une aide sociale, ou d’une aide à destination des entreprises, on apparie les données dont on dispose sur les bénéficiaires de l’aide avec un fichier qui décrit leur situation avant et après l’aide (par exemple l’emploi ou la réussite dans l’enseignement supérieur pour une personne, les résultats financiers pour une entreprise). On compare avec une situation de référence de personnes ou d’entreprises n’ayant pas bénéficié de l’aide.

Lire aussi: Devenir DBA Freelance

Pour reconstituer des parcours des personnes, par exemple pour décrire l’insertion professionnelle des jeunes, on ajoute des informations sur l’emploi à des informations décrivant le parcours scolaire des jeunes diplômés des centres de formation d’apprentis (CFA) et des lycées professionnels. Le système d’information Inserjeunes, porté par la Depp et la Dares (respectivement les services statistiques chargés de l’éducation et de l’emploi), rapproche ainsi un extrait de la base de données administratives constituée pour la gestion de la scolarité de ces élèves et un extrait des données sur l’emploi issues des déclarations sociales nominatives qui sont remplies par les employeurs (figure 2).

DSN -> appariement" alt="flux Inserjeunes : scolarité -> DSN -> appariement">

Autre exemple, pour mieux comprendre les difficultés des personnes bénéficiaires des minima sociaux et l’évolution de leur situation, on va apparier les données de revenus sur plusieurs années, avec les données d’emploi sur plusieurs années et obtenir ainsi des évolutions individualisées qu’on peut ensuite analyser.

Alléger les questionnaires grâce aux sources administratives

Lorsque l’on veut alléger les questionnaires d’enquête, les statisticiens publics cherchent à éviter de demander à un ménage (ou à une entreprise) une information qu’il (elle) a déjà transmise à une administration, en particulier si elle est complexe et longue à reconstituer. Par exemple, en 2009, les enquêtes annuelles auprès des entreprises ont connu un allègement très significatif grâce à une plus grande utilisation des données fiscales et sociales portant sur les entreprises. Ces dernières permettent de connaître pour chaque entreprise, sans lui redemander l’information, le chiffre d’affaires, l’excédent brut d’exploitation, la valeur ajoutée, le résultat comptable, les immobilisations, la marge commerciale, l’emploi total, l’emploi salarié, l’emploi non salarié, etc.

Panels et sources longitudinales

L’échantillon démographique permanent (EDP) mis en place en 1967 apparie des données issues des recensements de la population et de l’état civil. Il s’est peu à peu enrichi par appariement avec de nouvelles sources. Il permet par exemple d’étudier la mobilité intergénérationnelle en termes de revenus [Abbas et Sicsic, 2022], de mettre en évidence le rôle protecteur du couple lors de la perte d’emploi [Fabre et Lacour, 2021] ou de mesurer les changements de résidence au moment du départ en retraite [Abbas et alii, 2022].

Les parcours scolaires existent dès 1973, avec des panels d’élèves basés sur les données administratives issues de la gestion du système scolaire pour un échantillon d’élèves que l’on suit dans le temps. Ils ont permis d’abord d’observer les entrants en sixième, puis les élèves entrant en cours préparatoire à partir de 1978, puis ceux entrant en petite section à partir de 2021.

Les carrières salariales dès 1976. Un panel permet de suivre dans le temps, pour un large échantillon de personnes, les emplois qu’elles occupent et les salaires perçus.

Méthodes d’appariement et identifiants

Pour apparier deux fichiers de données, il faut se baser sur des variables communes présentes dans les deux fichiers sous la même forme ou qui peuvent être ramenées à la même forme pour être comparées. Pour des appariements concernant des personnes, il peut s’agir de l’identifiant réservé aux appariements par le service statistique public comme le Code Statistique Non Signifiant, ou encore des noms et prénoms, des prénoms et adresses, ou dans des cas plus rares et très encadrés et prévus par un décret en Conseil d’État du NIR (Numéro d’inscription au répertoire au RNIPP).

Parmi ces données, conformément aux principes de nécessité et de minimisation, seules celles qui sont utiles à l’élaboration de statistiques peuvent être transmises à l’Insee.

Sources de données mobilisées par l’Insee

L’Insee réalise des enquêtes en interrogeant un échantillon représentatif de personnes ou d’entreprises sélectionnées au hasard (Ardilly et alii, 2022). L’enquête Emploi figure parmi les enquêtes les plus connues de l’Insee. Menée sur un gros échantillon (environ 90 000 personnes de plus de 15 ans interrogées chaque trimestre), cette enquête permet à l’Insee de suivre chaque trimestre différents indicateurs du marché du travail en France. Il n’est pas nécessaire d’interroger chaque logement : un échantillon tiré au hasard suffit.

Par comparaison avec les enquêtes par sondage, les sources administratives présentent quatre avantages. Un recueil plus précis pour les sujets complexes ou qui font appel à la mémoire. On ne dispose pas toujours du concept que l’on souhaite mesurer.

Par ailleurs, l’utilisation d’une source administrative nécessite un investissement de départ. Il faut établir un lien de partenariat avec les fournisseurs pour mettre en place la livraison et le conventionnement et pour s’approprier les forces et faiblesses de la source.

Parmi les statistiques employant des données d’origine administrative, on retrouve les statistiques issues des bulletins d’état civil (naissances, décès), des statistiques concernant les résultats des entreprises (données fiscales, chiffres d’affaires via les déclarations de TVA), des données sur les revenus ou sur l’emploi salarié. La DSN (pour Déclaration Sociale Nominative) est une formalité déclarative que doivent accomplir les entreprises employant des salariés, pour les administrations sociales et fiscales. Elle est par ailleurs mobilisée à des fins statistiques.

Insee : emplois, rémunérations, contrats" alt="flux DSN -> Insee : emplois, rémunérations, contrats">

Ainsi, pour les salariés, l’Insee dispose de la nature des emplois (CDD, CDI, intérim, etc.), leur quotité de travail en cas de temps partiel, leur catégorie socio-professionnelle, leur lieu de travail, leurs autres emplois en cas de multi-activité ou encore leurs rémunérations (figure 2). L’institut dispose également d’informations concernant l’ancienneté du contrat ou des événements intervenant sur le contrat (début, rupture, interruption…).

Données massives (big data) et sources privées

L’apparition de données massives (« big data ») issues pour l’essentiel d’entreprises privées ou publiques a entraîné des réflexions stratégiques et techniques de la part de l’Insee et des différents instituts statistiques nationaux et internationaux. L’Insee a mené des recherches pour évaluer le potentiel de certaines sources ainsi qu’une concertation sous l’égide du Cnis, avec les principaux détenteurs de sources. L’objectif ? À ce jour, une seule statistique produite régulièrement par l’Insee repose en partie sur des données massives d’origine privée. Il s’agit de l’indice des prix à la consommation.

Depuis 2016, l’article 3 bis de la loi du 7 juin 1951 permet à la statistique publique d’avoir accès à des données présentes dans des bases de données détenues par des personnes morales de droit privé (entreprises privées, sociétés civiles, groupements d’intérêt économique, associations) pour des usages statistiques exclusivement dans le cadre d’enquêtes, et ce sous des conditions très strictes. L’indice des prix à la consommation (IPC) constitue un exemple éclairant d’utilisation de cette méthode. Les enquêtes. Les données de caisse.

Cadre juridique et principes encadrant l’usage

En France, un dispositif juridique encadre rigoureusement la mobilisation et la protection des données utilisées à des fins de statistique par l’Insee. Le recours aux sources administratives est possible grâce à l’introduction en 1986 de l’article 7 bis de la loi du 7 juin 1951 modifiée sur l’obligation, la coordination et le secret en matière de statistiques. Depuis 2004, la transmission de données administratives est obligatoire lorsqu’elle émane d’une demande du ministre chargé de l’économie établie après avis du Conseil national de l’information statistique (Cnis).

Chez nos collègues canadiens, les appariements font l’objet d’un texte juridique spécifique depuis 1986. Ils font depuis peu l’objet d’un examen de nécessité et de proportionnalité, conformément au cadre mis en place en 2019. Le principe de nécessité vise à s’assurer qu’il y a un bénéfice pour la société canadienne associée au traitement de données. Pour le principe de proportionnalité, les experts de Statistique Canada déterminent comment recueillir uniquement les données nécessaires, en prenant en compte la nature plus ou moins sensible des données et en vérifiant qu’il n’y a pas d’alternative moins gourmande en données pour atteindre le même objectif.

Qualité, archivage et diffusion des fichiers

Pour choisir les données qu’ils vont mobiliser, les statisticiens arbitrent selon la qualité des sources disponibles, mais aussi selon des considérations de budget, de temps nécessaire, de contrainte de délais, de type d’information souhaitée, de niveau de détail souhaité pour les statistiques à publier (Angel, 2023). Pour passer d’une donnée individuelle brute à un indicateur agrégé, il y a beaucoup de travail à fournir. C’est le cœur du métier des experts en statistiques de l’Insee.

La nécessité de cette conservation fait l’objet d’un réexamen périodique. La structure de la base a été revue pour en faciliter l'utilisation. Les fichiers de données produits par l’Insee sont triés et les archives nationales assurent leur archivage définitif, sans limitation de durée.

Limites, couverture géographique et contraintes

Les données susceptibles d’être utilisées par les statisticiens présentent des avantages et des inconvénients, car aucune d’entre elles n’est parfaitement ciblée ou exhaustive. Les données ne sont donc pas diffusées pour toutes les communes. Certaines variables peuvent ne pas être systématiquement renseignées sur le bulletin statistique. Pour disposer de résultats représentatifs, il est important que le maximum de personnes sélectionnées réponde à l’enquête. Pour la première visite les personnes sont contactées par un enquêteur ou une enquêtrice de l’Insee, tenus au secret professionnel, en vue d’une interrogation en face-à-face.

Des choix de diffusion sont opérés pour éviter toute impression de précision excessive, par exemple en ne publiant pas certains résultats à un niveau communal quand la population est trop faible (effectif minimal de 500 personnes pour la sous-population considérée, ou autres règles de confidentialité comme la troncature aux seuils 3 % et 97 %).

Bonnes pratiques pour l’utilisateur des données Insee

Identifier précisément la question statistique à traiter pour choisir les sources les plus adaptées : enquêtes, sources administratives, données privées.
Arbitrer selon la qualité, le coût, le délai et le niveau de détail requis.
Préférer l’appariement lorsque l’enrichissement individuel est nécessaire (parcours, revenus complets, évaluation d’impact).
Respecter le cadre juridique et les principes de nécessité et minimisation des données.
Vérifier la couverture géographique et les limites d’agrégation pour éviter des interprétations erronées.

Module 0. Introduction aux Statistiques Appliquees en Agriculture

Ressources et références utiles

Dispositif Filosofi - Fichier localisé social et fiscal
Echantillon interrégimes de retraités (EIR) - Drees
Inserjeunes - Depp et Dares
DSN - Déclaration Sociale Nominative
Textes législatifs : loi du 7 juin 1951 (articles 3 bis et 7 bis)

L’Insee utilise donc différents types de sources pour construire ses statistiques, en les combinant au mieux en fonction de leurs avantages et inconvénients. Ces pratiques ne sont pas propres à l’Insee ; les services statistiques de ministères utilisent aussi des sources diverses, notamment des enquêtes, des sources administratives ou des données collectées auprès d’entreprises ou d’opérateurs publics ; la part de ces différentes sources varie d’un ministère à l’autre, en fonction des questions posées, ou des données disponibles, avec un enjeu partagé : assurer la qualité de l’information produite. C’est le cas par exemple des statistiques produites par le service statistique ministériel de la sécurité intérieure, qui reposent sur deux piliers qui se complètent et s’enrichissent : les données administratives (infractions enregistrées par les services de gendarmerie et de police…) et les résultats des enquêtes de « victimation » auprès de la population.

balises: #Insee