Statistiques sur les ressources et conditions de vie 2023 

SRCV 2023

Sources
Paru le :Paru le03/05/2025
Consulter

Cohérence et comparabilité

Comparabilité — géographique

La taille de l'échantillon de l'enquête EU-SILC, environ 17 000 ménages répondants en France, et le nombre de régions NUTS2, 26 (22 régions en France métropolitaine et 4 départements d'outre-mer), dont 11 ont moins de 500 répondants, rendent impossible le calcul d'indicateurs de pauvreté fiables en ne conservant que les observations pour chaque région. C'est pourquoi l'Insee a développé une méthode d'estimation sur petits domaines, qui fournira des microdonnées (poids) pour chaque région, permettant de calculer des taux de pauvreté (et des indicateurs AROPE) au niveau régional. Avec cette méthode, toutes les observations de la base de données sont utilisées pour chaque région. Ainsi, pour calculer les indicateurs régionaux, il est important de ne pas filtrer uniquement sur les observations d'une région.

A partir de FR-SILC 2022, les variables RB051_XXXX (avec XXXX l'identifiant de la région NUTS2 ou NUTS1) contiennent des pondérations régionales calculées à l'aide d'une méthode d'estimation sur petits domaines. Ces variables sont mises à disposition dans les fichiers européens.

Comparabilité dans le temps

Une rupture de série importante a eu lieu en 2020 à la suite de la refonte du système l'année précédant la mise en œuvre du règlement IESS.

En 2023, la question sur la privation matérielle HD080 (Remplacement des meubles usagés) a été modifiée pour distinguer les ménages ayant une privation pour des raisons financières des ménages ayant une privation pour d'autres raisons. Afin d'éviter une rupture de l'indicateur de privation matérielle et sociale (et de l'AROPE) en 2023, l'INSEE a fourni la variable HD080 rétropolée de 2020 à 2022 (en juillet 2024).

Cohérence — entre domaines

Les données externes utilisées pour contrôler les composantes du revenu sont diverses.

  • Des bases de données administratives exhaustives, qui fournissent des montants cibles de revenus d'origine fiscale (montants déclarés de salaires, d'allocations de chômage, de pensions, de revenus financiers, etc.) et de la sécurité sociale (aides au logement, prestations familiales, minima sociaux).
  • Les résultats de l'Enquête revenus fiscaux et sociaux (ERFS), qui est la source de référence, au niveau national, pour la mesure des niveaux de vie et de la pauvreté monétaire. Cette source est constituée par l'appariement de l'Enquête emploi en continu avec des données administratives. L'EEC est basée sur un échantillon de grande taille et fournit des statistiques détaillées selon les principaux critères sociodémographiques.
  • Le système Filosofi (Fichier localisé social et fiscal), qui consiste en un rapprochement des bases administratives fiscales et sociales exhaustives.

Cohérence – Statistiques annuelles et infra-annuelles

Sans objet

Cohérence – Comptes nationaux

Plusieurs différences dans la définition des agrégats entre le SILC et les comptes nationaux expliquent ces écarts. En particulier, on peut souligner que :

Dans le SILC, les congés de maladie payés ne peuvent pas non plus être distingués des salaires, alors qu'ils le sont dans les comptes nationaux et sont inclus dans l'agrégat D62.

L'agrégat B3G des comptes nationaux inclut la fraude (c'est-à-dire la sous-déclaration des revenus des indépendants à l'administration fiscale), tandis que PY050G est calculé à partir des revenus déclarés à l'administration fiscale.

Dans la variable HY140G, les cotisations sociales du salarié sont incluses, tandis que les cotisations sociales de l'employeur sont exclues. En revanche, dans les comptes nationaux, les cotisations sociales des employeurs sont incluses.

Chaque année, l'Insee traite des données administratives sur la distribution des prestations sociales et des aides. Cette information exhaustive est utilisée pour disposer d'estimations cohérentes lors de la comparaison des montants des différentes prestations calculés à partir du SILC et des montants effectivement distribués selon les données administratives.

Cohérence — interne

La cohérence interne des données a été vérifiée : respect de l’additivité des variables, application de méthodes reconnues de détection des points atypiques, etc.