Deux questions sont à l’origine des travaux présentés dans cet article. Une question économique d’abord (figure 1) : quel est le profil redistributif de la taxe foncière sur les locaux d’habitation ? Porte-t-il davantage sur les ménages aisés, médians ou modestes ? Peu d’études ont abordé cette thématique, à l’exception d’une publication récente (Ouvrir dans un nouvel ongletCarbonnier, 2019) qui s’intéresse aux résidences principales des ménages. Ces travaux peuvent également permettre de compléter l’étude du système socio-fiscal, comme le modèle Ines par exemple.

Figure 1. Une question à l’origine du projet

Une question statistique ensuite : est-il possible d’estimer précisément le patrimoine immobilier des ménages à partir de données administratives, de façon à compléter les données d’enquêtes ? En effet, les données des enquêtes de l’Insee ne permettent pas de répondre à toutes les questions, pourtant parfois centrales, notamment la répartition géographique fine du patrimoine immobilier, la concentration aux extrémités de la distribution ou le rôle des outils fiscaux comme les sociétés civiles immobilières (SCI).

Pour y répondre, il s’est avéré nécessaire de construire une nouvelle base statistique, regroupant des informations sur les ménages et l’ensemble des propriétés immobilières qu’ils possèdent, en s’appuyant sur des sources administratives. Une fois établi le lien entre les logements et les ménages qui en sont propriétaires, l’étape suivante consistera à estimer la valeur de marché de chaque logement, afin d’obtenir une mesure du patrimoine immobilier brut des ménages. Enfin, une fois le travail d’étude achevé se posera la question de la pérennisation de cette nouvelle source sous la forme d’une production statistique récurrente.

Mais le chemin est long pour passer d’une information administrative brute à un résultat statistique pertinent et robuste. C’est l’histoire de ce projet que cet article raconte. Ce travail de reconstitution des patrimoines immobiliers s’est heurté à de multiples défis qui touchent à la nature des données administratives : le statisticien qui exploite de telles sources se trouve constamment placé dans la situation paradoxale de chercher à répondre à des questions statistiques à l’aide de données qui n’ont pas été conçues pour cet usage. De ce point de vue, ce projet s’inscrit dans le cadre plus large de l’utilisation des données administratives. La démarche suivie est d’autant plus riche d’enseignements, qu’elle a abouti à une base de donnée exploitée par les divisions de production afin de déboucher sur une production d’indicateurs statistiques réguliers. Elle illustre en quelque sorte les embûches et les bonnes pratiques relatives à l’utilisation des données administratives par la statistique publique.

L’histoire des statistiques, que ce soient les usages comme les méthodes, est intrinsèquement liée aux données à disposition des statisticiens (Rivière, 2020). Les sources mobilisées pour élaborer des statistiques et conduire des études sont d’une grande diversité :

Des productions statistiques centrales comme le PIB, le taux de pauvreté ou l’inflation reposent d’ailleurs sur des combinaisons de ces différents types de sources.

L’usage des données administratives est ancien au sein de la statistique publique, et répond à des objectifs variés. Aujourd’hui, l’Insee produit ainsi des statistiques sur les revenus des ménages et sur les salaires en exploitant les données fiscales et les DADS. Les données administratives servent également à constituer des bases de sondages pour le tirage des échantillons d’enquête : c’est le cas des fichiers de l’impôt sur le revenu et de la taxe d’habitation qui, une fois retraités et intégrés dans le fichier Fidéli, constitue la base de sondage pour les enquêtes ménages (Sillard et alii, 2020). Elles permettent en outre de compléter les données d’enquête voire de les remplacer : c’est par exemple le cas pour les enquêtes sur les Revenus fiscaux et sociaux (ERFS) ou sur les Ressources des jeunes (ENRJ), dans lesquelles les informations sur les revenus et les prestations sont recueillies grâce à un appariement avec des sources fiscales et sociales. Les enquêteurs se concentrent ainsi sur la collecte d’informations statistiquement pertinentes et a priori absentes des fichiers administratifs, comme les professions et catégories socioprofessionnelles (PCS) ou le statut d’activité.

Cependant, avec l’augmentation des capacités informatiques et l’informatisation croissante des politiques publiques, la période récente se caractérise par une augmentation du nombre de bases administratives, mais aussi par une plus grande disponibilité de ces bases ; ce qui se traduit par une plus grande diversité d’usages. La diffusion de données administratives en open data a constitué une transformation majeure dans l’accès aux données publiques, notamment sous l’impulsion de la loi pour une République numérique. Un nombre croissant de fichiers de l’administration sont ainsi mis à disposition des citoyens et des acteurs publics et privés, sans contrepartie. Cette diffusion se fait généralement par des formats ouverts comme le CSV (comma separated value), ou via des API (application programming interface). L’accessibilité croissante ne constitue cependant pas un gage de qualité : le statisticien, comme le citoyen, peut vite se trouver désorienté face à des données, certes nombreuses, mais non hiérarchisées.

En parallèle, pour les travaux de recherche, certaines sources soumises au secret statistique ou au secret fiscal ont été mises à disposition de façon plus systématique, notamment via le Centre d’accès sécurisé aux données (Gadouche, 2019). Les évolutions juridiques et techniques complètent ainsi les dispositifs d’échanges de données opérés depuis plusieurs années par l’entremise de conventions (par exemple, avec la direction générale des finances publiques (voir infra) ou la Banque de France). Elles accentuent, voire accélèrent un mouvement enclenché depuis 1986 (et l’article 7 bis de la loi de 1951) par lequel la statistique publique enrichit ses productions, ses études et ses publications à l’aide des données administratives : par exemple, la construction du panel « Tous salariés », l’exploitation de la déclaration sociale nominative (DSN) comme celle dans un proche avenir du dispositif PASRAU relèvent d’une longue tradition à l’Insee d’exploitation des données sociales.

Ainsi, en quelques années, nous sommes passés d’un monde où l’exploitation des données administratives était certes bien ancrée mais ciblée sur quelques utilisations, à un monde dans lequel le recours aux bases administratives se généralise et se diversifie.

Au-delà de l’accessibilité croissante des données administratives, la grande nouveauté du point de vue du statisticien est apportée par les évolutions techniques qui accompagnent ce mouvement.

D’abord, il est désormais plus simple d’apparier ces sources entre elles et de les croiser longitudinalement. La présence d’identifiants individuels dans les bases facilite les rapprochements de fichiers, et ce malgré leur taille parfois importante. Et lorsque les identifiants ne couvrent pas l’intégralité de la base, ou lorsqu’il n’y en a pas, le caractère exhaustif des fichiers permet quand même des appariements, dits « sur traits d’identité » (cf. infra).

Le statisticien a donc à portée de main des sources plus nombreuses, plus détaillées, plus accessibles, qu’il peut « facilement » croiser. Il peut donc s’en emparer plus aisément et il ne s’en prive pas : ainsi, en fédérant des informations administratives, de nouvelles bases statistiques sont créées pour de nouveaux usages, et répondant à de nouveaux enjeux.

Ce rôle croissant joué par les bases administratives s’inscrit par ailleurs dans un contexte où la statistique publique fait face à de nouvelles exigences, auxquelles les enquêtes ne répondent qu’imparfaitement. Par exemple, la taille usuelle des échantillons d’enquêtes ne permet pas de réaliser des analyses croisées à des niveaux géographiques fins, ou encore d’étudier précisément les extrémités de distributions concentrées, comme les revenus ou le patrimoine. Par ailleurs, les organismes de la statistique publique sont en recherche permanente de gains d’efficience : dans ce contexte augmenter la taille des échantillons ou la fréquence des enquêtes représenterait une charge excessive pour les ménages, et nécessiterait des moyens très conséquents.

La demande sociale, exprimée notamment au travers du Conseil national de l’information statistique (Anxionnaz et Maurel, 2021), invite donc plus qu’auparavant à l’exploitation de données exhaustives, entre autres parce que ces données sont plus accessibles. Mais elles présentent par ailleurs d’autres avantages.

Par exemple, les données administratives peuvent répondre à de nouveaux besoins, comme la publication d’informations plus rapides ou infra-annuelles. Au cours de l’année 2020, le contexte inédit de crise sanitaire a ainsi amené l’Insee à recourir à des nouvelles sources afin de répondre à l’exigence de prévisions infra-trimestrielles. Les méthodes de prédiction pour le présent (nowcasting) peuvent s’appuyer sur des données d’enquête, comme c’est le cas avec le modèle Ines et les données ERFS. Mais le délai de recueil est a priori plus bref pour les bases administratives, et peut constituer un avantage pour produire des résultats statistiques de façon plus rapide.

Enfin, la possibilité de croiser les informations issues de différentes sources contribue à accroître la diversité des usages que la statistique publique peut en faire. Ce n’est pas aussi simple avec les données d’enquêtes auprès des ménages, dont la production se fait en « silos » parfois assez étanches. Les grandes enquêtes de l’Insee sont en effet thématiques, au sens où elles visent à recueillir des informations pertinentes sur un grand sujet : l’emploi, le patrimoine, le logement, etc. Si cette approche thématique permet de répondre précisément à de nombreuses questions dans le champ considéré et de limiter la charge de réponse des ménages enquêtés, elle présente néanmoins l’inconvénient de limiter le croisement des informations individuelles collectées entre différentes enquêtes.

De façon complémentaire, un rapprochement de sources administratives peut permettre de mener des travaux sur des thèmes variés. C’est par exemple le cas des informations sur les ménages d’une part et des informations sur les entreprises d’autre part. Il serait précieux de pouvoir « mettre en transparence » les entreprises, c’est-à-dire de reconstituer le lien entre les entreprises et les ménages qui les possèdent. C’est notamment ce qui est fait pour les personnes morales que sont les SCI dans le projet dont la présentation détaillée suit (encadré 2).

Afin de répondre aux deux questions qui ont été le point de départ de ce projet, de multiples sources administratives ont été mobilisées, avec un objectif : constituer une base de données exhaustive sur le patrimoine immobilier des ménages. La démarche n’a pas consisté à suivre une méthodologie préétablie, mais plutôt à construire une méthode pour répondre à des besoins et à des questions qui ont émergé à mesure que les travaux avançaient. Mener un tel projet s’est apparenté en pratique à une longue suite de problèmes à résoudre et de difficultés techniques à surmonter. Les paragraphes qui suivent décrivent les solutions retenues, en suivant un ordre chronologique et programmatique. In fine, ce projet aura connu quatre grandes phases (figure 2) et autant de défis à relever.

Figure 2. Apparier, homogénéiser, unifier... pour créer une nouvelle source statistique

Le prérequis à la construction d’une base statistique nouvelle consiste à avoir connaissance de l’existence de données pertinentes et à rassembler celles qui seront finalement utiles à sa réalisation. Dans le cas présent, la colonne vertébrale du projet est constituée de données de revenus et de localisation des ménages, qui étaient déjà disponibles à l’Insee et bien documentées au sein des fichiers démographiques sur les logements et les individus (Fidéli). Les données cadastrales sont la deuxième source essentielle du projet, indispensable pour reconstituer le lien entre les biens immobiliers et les ménages. Enfin, les autres sources que sont le registre national du commerce et des sociétés, les données sur les éléments d’imposition à la fiscalité directe locale (REI) et les données sur les transactions immobilières (DVF) ont été intégrées au projet au fur et à mesure, suite à des échanges avec des chercheurs et des statisticiens spécialistes du sujet (encadré 1).

S’il peut sembler aller de soi, ce travail de repérage et de centralisation des sources s’est avéré souvent complexe. En effet, il ne s’agit pas uniquement, ni même principalement, de suivre une procédure juridique précise auprès d’un guichet institutionnel déterminé. Les difficultés ont plutôt consisté à avoir connaissance de l’existence de données administratives potentiellement utiles au projet, puis à s’assurer qu’elles correspondaient bien aux besoins à partir de leur documentation, quand elle existe, pour enfin déterminer le meilleur moyen de les obtenir. Une hypothèse qui a guidé la recherche des sources était que les déclarations effectuées auprès de l’administration fiscale devaient « forcément » avoir été intégrées dans le système d’information : il suffisait donc de trouver la base centralisée correspondante.

Plus concrètement, cette recherche des sources a pris différentes formes, qui reflètent la diversité des situations rencontrées par le statisticien. Tout d’abord, pour les données déjà disponibles à l’Insee, comme les données cadastrales et les fichiers Fidéli, il a été nécessaire d’identifier l’unité disposant des données, puis de souligner la pertinence du projet pour pouvoir justifier la demande d’accès. De façon similaire, pour les données DVF dont l’Insee ne disposait pas encore, la principale difficulté a consisté à identifier l’équipe dépositaire des données au sein de la direction générale des finances publiques (DGFiP), puis à établir une convention de transmission de données. Ensuite, c’est au cours d’une conférence universitaire que les chargés d’études ont appris que les données du registre national du commerce et des sociétés (RNCS) étaient mises à disposition par l’Institut national de la propriété intellectuelle (Inpi). Enfin, les données du recensement des éléments d’imposition (REI) relatives aux taux de taxe foncière votés par les collectivités locales sont disponibles sur le site de la DGFiP.

L’étape finale avant de passer aux traitements a consisté à préciser le cadre juridique du traitement des données personnelles, en conformité avec le Règlement général sur la protection des données. Pour ce faire, il a fallu rédiger une déclaration de traitement et établir un dossier de conformité à la protection des données personnelles (DC-POD), avec l’aide de l’unité juridique de l’Insee.

Une fois les données brutes obtenues, le deuxième défi a été de mettre en place un environnement adapté à leur traitement. Les outils informatiques standards du statisticien ont été mis à l’épreuve et des échanges avec les responsables des infrastructures informatiques ont été nécessaires, en amont puis tout au long du processus. Tant la confidentialité des données que leur volume (300 Go de données brutes) ont imposé l’usage des serveurs sécurisés de l’Insee, avec un espace de stockage conséquent. Pour mener les traitements, le logiciel SAS® s’est d’abord imposé comme la solution offerte aux chargés d’études de l’Insee. Cependant au final, le projet combine l’utilisation de SAS® pour les grandes étapes de production statistique et le recours à R pour l’exploitation de chaque source.

La difficulté à traiter les données administratives ne tient pas seulement à leur volume, mais aussi aux formats dans lesquels elles sont fournies. En effet, elles peuvent prendre la forme de fichiers plats, parfois nombreux, souvent volumineux et difficiles à exploiter directement. Il a donc été nécessaire de les structurer dans un format adapté aux traitements envisagés. Par exemple, les données cadastrales se présentent sous la forme de 216 fichiers plats, recensant toutes les propriétés bâties situées en France ainsi que leurs propriétaires. La première étape du traitement de ces données a consisté à les structurer en sept fichiers nationaux homogènes sous forme de tables SAS®.

Cette structuration des données a également dû surmonter des difficultés liées à l’hétérogénéité des formats de données, au sein même de sources dont le contenu est censé être similaire. Ainsi, les données brutes du RNCS sont issues de fichiers plats (268 fichiers), à l’exception de celles portant sur l’Alsace-Moselle et l’outre-mer, qui sont disponibles en format XML pour des raisons historiques. Il a donc fallu distinguer deux traitements différents, de façon à reconstituer un fichier national unique et cohérent.

C’est à l’issue de cette phase que les données étaient organisées selon un format homogène ; il restait alors à en retraiter le contenu.

Le troisième défi a porté sur le contenu des bases mobilisées : en effet, les informations qu’elles contiennent sont adaptées aux usages qu’en font les administrations, mais ne le sont pas toujours pour un usage statistique. Le statisticien doit donc procéder à de multiples vérifications et retraitements afin d’homogénéiser le plus possible les concepts portés par les données. Dans le cas d’espèce, les problèmes conceptuels (normalisation et définitions des variables, différences de champ, etc.) ont été plus fréquents que les enjeux de qualité.

Tout d’abord, les formats de données de même nature n’étaient pas toujours cohérents d’une source à l’autre. Il a donc été nécessaire de définir une procédure de normalisation visant à recoder ces variables dans un référentiel adapté au travail du statisticien. Ainsi, dans le RNCS, l’adresse des propriétaires de SCI figure dans un champ textuel non normalisé (« 12, allée des Acacias 06 000 Nice ») : il a fallu la retraiter pour codifier l’adresse et la commune de résidence à l’aide des nomenclatures usuelles. De même, dans les données cadastrales, la commune de naissance des propriétaires est renseignée dans un champ textuel (« Vierzon 18 100 », « Paris 01 ») et a été normalisée selon le code officiel géographique (COG).

Par la suite, il s’est avéré indispensable de définir de nouvelles variables, ou de retraiter des nomenclatures existantes. Par exemple, la forme juridique du propriétaire dans les données cadastrales est codifiée selon une nomenclature détaillée en plusieurs centaines de catégories. Celle-ci a été retravaillée pour regrouper les propriétaires en trois grandes catégories : personnes physiques, SCI, autres personnes morales. De même, les données du RNCS utilisées pour la mise en transparence des SCI (encadré 2) ne contenaient pas le genre des propriétaires, qu’il a fallu déduire à partir de leurs prénoms, en s’appuyant sur le fichier des prénoms publié par l’Insee. C’est encore à cette étape que la taxe foncière associée à chaque bien immobilier a été calculée, à partir des informations figurant dans le cadastre et des taux de taxe foncière votés par les collectivités locales, disponibles dans le REI.

La mise en transparence des sociétés civiles immobilières (SCI) s’est appuyée elle aussi sur différentes sources administratives. En effet, les données cadastrales ne contiennent pas les mêmes informations sur les individus, selon qu’ils possèdent un local en leur nom propre ou par l’intermédiaire d’une SCI : lorsqu’un bien immobilier est possédé via une SCI, ces données comportent uniquement la dénomination et l’identifiant Siren de la société, mais pas l’état civil des propriétaires de cette société. Compréhensible au regard des usages administratifs, cette différence entre personnes physiques et personnes morales est un obstacle pour le statisticien qui souhaite connaître les propriétaires finaux des biens immobiliers, indépendamment de l’intermédiation par les SCI. Le fichier des propriétaires a donc été apparié avec le registre national du commerce et des sociétés, de façon à obtenir l’état civil des propriétaires de SCI.

Enfin, les sources peuvent contenir des informations erronées ou obsolètes, qu’il importe de repérer et de redresser en amont des traitements statistiques. Par exemple, le fichier des propriétaires du cadastre contient plusieurs centaines de milliers de lignes correspondant à des individus décédés récemment (en raison des délais de mise à jour de ce fichier). Ces enregistrements ont été repérés en rapprochant ce fichier du fichier des personnes décédées publié par l’Insee. De même, dans les données cadastrales, l’identifiant Siren et la forme juridique des personnes morales sont parfois erronés. Un travail de redressement de ces variables a été mené à l’aide du répertoire Sirene (note), notamment en vue de repérer précisément les sociétés civiles immobilières.

Cette phase a ainsi permis d’homogénéiser les données administratives tant dans leur format que dans leur contenu afin de préparer la dernière phase, celle qui fonde l’analyse statistique.

Pour finir, il fallait restructurer les données pour en faire une base statistique à proprement parler. En effet, les données administratives sont construites en fonction des besoins de l’administration qui les collecte, et l’unité d’observation répond rarement au besoin du statisticien.

Dans le cas du patrimoine immobilier, l’unité de gestion administrative est le bien immobilier, également appelé local. Les données cadastrales sont donc structurées de telle façon que les informations sur chaque local puissent être mobilisées aisément : chaque local est repéré par un identifiant unique. Il est ainsi rapide de connaître la liste des propriétaires d’un bien donné, ou de calculer la taxe foncière due sur celui-ci. Inversement, les données cadastrales ne se prêtent pas aisément à une approche par individu : elles ne contiennent pas d’identifiant national unique des individus propriétaires, mais seulement leur état civil. Par conséquent, déterminer la liste des biens immobiliers dont un individu est propriétaire est une tâche qui s’avère complexe. Or, du point de vue du statisticien, reconstituer la propriété immobilière implique justement une approche dans laquelle l’unité pertinente n’est pas le bien immobilier, mais l’individu ou le ménage. Ce passage de l’unité de gestion administrative (ici, le local) à l’unité d’intérêt statistique (ici, le ménage) constitue le point nodal à partir duquel les sources administratives se transforment en sources statistiques. Ce changement d’unité d’analyse implique un important retraitement mené à l’aide de Fidéli, qui a constitué la source de référence sur les individus et les ménages.

Il a d’abord été nécessaire d’ajouter dans le fichier des propriétaires un identifiant unique de chaque personne physique, de façon à déterminer la liste des locaux dont chaque individu est propriétaire. Pour ce faire, un appariement sur traits d’identité a été mené entre le fichier des propriétaires et la table des individus du répertoire Fidéli, qui identifie tous les individus majeurs connus dans les sources fiscales. Cet appariement a consisté à rechercher dans Fidéli un individu dont l’état civil et l’adresse sont identiques, ou très similaires, à des occurrences dans le fichier des propriétaires du cadastre. Il a permis d’identifier dans 94 % des cas, tous les propriétaires des locaux possédés par des personnes physiques, et dans 98 % des cas au moins l’un des propriétaires.

Deuxièmement, les individus ont été regroupés en ménages, de façon à établir la liste des locaux dont chaque ménage est propriétaire. Ce regroupement a été opéré grâce au répertoire Fidéli, qui détermine la localisation des personnes : par convention, les individus partageant une même résidence principale appartiennent au même ménage.

C’est à l’issue de cette phase de changement d’unité d’analyse, et uniquement de celle-ci, que les données retraitées constituent (enfin) une source statistique. Il devient alors possible de construire des indicateurs statistiques et de mener des études. C’est notamment à ce moment que nous définissons le champ de l’étude sur la taxe foncière : les logements et dépendances situés sur le territoire national et possédés par des ménages résidents en pleine propriété ou en usufruit, soit en leur nom propre soit par l’intermédiaire d’une société civile immobilière. C’est grâce aux traitements menés au cours des quatre phases successives, et notamment grâce aux appariements entre sources, qu’il est possible de retenir finalement une définition aussi précise et couvrant un champ aussi large.

La nouvelle source ainsi créée permet de répondre aux questions initiales, et, par exemple, d’étudier les effets redistributifs de la taxe foncière ou la distribution de la propriété immobilière (André, Arnold et Meslin, 2021). De multiples exploitations sont envisageables et illustrent la richesse des travaux rendus possibles par l’exploitation des données administratives (figure 3).

Figure 3. La nouvelle base répond à des questions jusque-là sans réponse

Forts de cette expérience, nous avons souhaité en tirer des enseignements pour le statisticien qui souhaiterait se lancer dans une entreprise similaire. Ces enseignements peuvent se résumer en trois caractéristiques distinctives des sources administratives, et quatre grandes questions que l’on doit se poser quand on les exploite à des fins statistiques.

Une source administrative présente, selon nous, trois caractéristiques distinctives :

En définitive, les données administratives sont « subies » par le statisticien et non « construites » par lui. Ce constat nous conduit à proposer quatre sujets de réflexion préalable, indispensables pour réussir à construire une base à partir de ces sources particulières.

La première de ces questions touche à la nécessité de « récolter » les données à une certaine date, afin de pouvoir les exploiter : à quelle date figer les données ? Faut-il actualiser les sources, pour tenir compte du fait que l’administration peut mettre à jour ses données avec retard ?

Le statisticien est alors confronté aux difficultés d’exploitation des données « bi-datées », c’est-à-dire qui comprennent une date d’événement (par exemple un mariage) et une date de prise en compte dans les données administratives (l’enregistrement de ce mariage dans les fichiers). En effet, les bases administratives peuvent évoluer tous les jours, au gré de leur processus de récolte et d’actualisation. Certains fichiers peuvent être annuels mais avec des montants corrigés en plusieurs vagues, comme c’est le cas pour l’impôt sur le revenu ou les bases de la Cnaf, tenant compte des retards et indus uniquement quelques mois plus tard. En pratique, les millésimes de données administratives exploitées par le statisticien sont plus fréquemment définis par la date de traitement par l’administration que par la date des événements socio-économiques qu’elles décrivent : ainsi, le statisticien peut exploiter la base des déclarations de revenus à l’issue de la troisième émission de l’impôt sur le revenu (« POTE 2017 troisième émission »), le fichier à 6 mois pour les données sociales, l’extraction du registre national du commerce et des sociétés à la date du 6 mai 2017, etc.

En second lieu, les bases administratives sont mises en avant pour l’exhaustivité de leurs informations. Pour autant, l’exhaustivité d’une source de données est une notion complexe à appréhender sur le plan statistique, car elle ne peut être définie que relativement au champ que cette source entend couvrir, qui est lui-même tributaire de l’usage qui en est fait : ainsi, certains fichiers sociaux sont exhaustifs sur les prestations ou minima sociaux, en ceci que tous les récipiendaires y figurent, mais une personne qui n’en perçoit pas n’apparaît pas dans une telle base. L’exhaustivité est donc relative au champ de la source administrative. Elle sera liée :

Rappelons-le : les informations ne sont présentes que dans une finalité de gestion. Les définitions utilisées peuvent donc diverger des définitions statistiques usuelles. N’ayant pas d’objectif statistique, une administration ne collecte le plus souvent pas d’autres informations que celles dont elle a besoin dans ses missions : prélever des impôts, verser des prestations, etc. Ainsi, des informations essentielles pour l’analyse statistique peuvent être absentes. C’est par exemple le cas du revenu disponible qui est absent des sources fiscales. Par conséquent, une base administrative seule n’est pas toujours suffisante pour les besoins de la statistique, et il devient nécessaire d’apparier plusieurs bases avant d’obtenir une source rassemblant les informations pertinentes.

À cet égard, l’existence de référentiels communs à plusieurs bases, souvent indispensables au travail des administrations, peut faciliter le travail statistique de croisement des informations, en rendant possible des jointures exactes entre tout ou partie de bases différentes. C’est par exemple le cas de l’identifiant fiscal pour les différentes sources de la DGFiP ou le numéro d’inscription au répertoire ou numéro de sécurité sociale (NIR) pour la Cnaf. Il est également possible de mener des appariements sur traits d’identité en l’absence d’un référentiel commun, comme cela a été le cas dans le présent projet. Le processus de collecte d’une base administrative diffère fortement de celui d’une enquête statistique. C’est pour cette raison qu’un troisième point doit interpeller le statisticien qui les exploite : celui de la fiabilité des informations.

Une différence essentielle entre les sources administratives et les données d’enquête est que les premières ne sont pas pondérées. Chaque unité de gestion (ménage ou entreprise par exemple) ne représente qu’elle-même et correspond en quelque sorte à la « vraie » observation, et non plus à un estimateur d’une population par un échantillon représentatif. Dès lors, la question de la représentativité ne porte plus tant sur la correction de la non-réponse que sur le champ de la source administrative (cf. supra) et sur la fiabilité des informations qu’elle contient.

Or, la fiabilité d’une variable dans une source administrative dépend souvent de l’importance de cette information dans le processus de gestion : une variable de revenu sur laquelle s’appuie le calcul d’un impôt sera généralement très fiable car susceptible de recours de la part du contribuable et recueillie et vérifiée avec attention par l’administration. De même, dans les données cadastrales, l’adresse du propriétaire auquel l’avis de taxe foncière est envoyé est probablement plus fiable que l’adresse de ses éventuels copropriétaires, car seule cette adresse a un effet direct sur le recouvrement de l’impôt foncier. Inversement, une variable de moindre importance, comme l’âge d’une personne ou l’état général d’un bien immobilier peut s’avérer de qualité moindre, ou être moins souvent à jour, en raison de son importance réduite dans le processus de gestion. De la même manière, des variables déclaratives – comme pour le patrimoine immobilier dans l’impôt sur la fortune immobilière (IFI) – ou pré-remplies – le revenu déclaré par l’employeur – présenteront des degrés d’exactitude différents.

Ce travail d’expertise de la fiabilité implique des questions essentielles pour le statisticien : quelle est la définition administrative de cette variable ? Qui fournit l’information ? Est-elle à jour ? L’administration en a-t-elle contrôlé la qualité ? Y répondre requiert une compréhension fine du processus de gestion qui est à l’origine des données et un dialogue fréquent avec les administrations productrices de données. Enfin, une dernière question va se poser au statisticien qui rapproche ou s’appuie sur des bases administratives.

Il s’agit là de l’étape à laquelle le statisticien n’échappe jamais, car c’est en répondant à cette question qu’il transforme les bases administratives en bases à usage proprement statistique. Dans un processus d’enquête, cette réflexion se situe en amont, au moment de la construction du questionnaire et de la constitution de l’échantillon. Pour l’exploitation des sources administratives, elle est présente à chaque étape, tant au moment de la recherche des sources qu’en filigrane à toutes les étapes de production de la base finale. Dans le présent projet, il a fallu notamment répondre aux interrogations suivantes :

Ainsi, les différentes « nuances d’exhaustivité », l’absence de production à visée statistique et les différences de définitions des unités d’observation portent à souligner l’importance de mener avec précaution les appariements entre les données d’enquête et les bases administratives ou entre bases administratives.

Trois principaux enseignements peuvent être tirés de ces travaux :

L’exploitation des données administratives est à la fois un défi et une opportunité. Un défi en ceci qu’elle exige des statisticiens qu’ils acquièrent de nouvelles compétences et renouvellent leurs méthodes. Une opportunité parce que la statistique publique élargit ainsi les informations qu’elle mobilise, source d’une grande richesse pour accomplir sa mission : mesurer et comprendre les phénomènes économiques et sociaux.

Ouvrir dans un nouvel ongletLoi n° 2016-1321 du 7 octobre 2016 pour une République numérique. In : site de Légifrance. [en ligne]. Modifié le 23 août 2017. [Consulté le 15 décembre 2021].

Ouvrir dans un nouvel ongletRèglement (UE) 2016/679 du Parlement européen et du Conseil du 27 avril 2016 relatif à la protection des personnes physiques à l’égard du traitement des données à caractère personnel et à la libre circulation de ces données. In : site EUR-Lex. [en ligne]. [Consulté le 15 décembre 2021].