administratives.qmd

---
title: "Données administratives"
---

La 
baisse généralisée au niveau
européen des taux de réponse[^1] [@LuitenHoxde; @beck2022],
qui accroît les coûts de collecte et
rend plus difficile celle-ci sur certaines
sous-populations, notamment les plus jeunes, 
nécessite de trouver des solutions pour 
répondre à la demande toujours accrue de 
statistique officielle. 

[^1]: Par exemple, le taux de réponse a baissé pour l'enquête en face-à-face Cadre de vie et sécurité de 72 % à 66 % entre
2012 et 2021. En ce qui concerne SRCV (Statistiques sur les ressources et les conditions de vie), le taux 
de réponse est passé de 85 % à 80 % entre 2010 et 2019. Des événements
ponctuels comme la crise du Covid-19 peuvent de plus avoir des
effets très forts sur le taux de réponse. 
Par exemple, en 2020, à la date du 23 avril, le taux de réponse à l'enquête sur la production industrielle en mars, qui sert d'indicateur avancé de l'activité économique,
était inférieur d'environ 20 points de pourcentage à ce qui est observé lors d’un mois habituel (voir [blog de l'Insee](https://blog.insee.fr/suivre-la-conjoncture-lorsque-les-entreprises-repondent-moins-aux-enquetes/)).


Comme développé dans l'introduction, les données
administratives sont des données de gestion
produites par l'administration. 
Le processus de production statistique, où la collecte
de donnée est construite de manière à mesurer
le plus objectivement possible un phénomène cible, 
diffère du processus de production administratif. 
Pour cette dernière, la donnée est produite de sorte
à faciliter la gestion. L'exploitation de celle-ci 
à des fins de production de statistique ou de recherche
n'est pas le moteur de leur construction. L'exploitation
de cette donnée est une affaire d'opportunité. 
Cette perte de contrôle du processus de production, qui
fait que l'exploitant de la donnée se retrouve en aval
de son processus de production, a tout de même des bénéfices : 
l'exhaustivité sur une population cible et
la plus haute fréquence de ces données. 
Ceci explique qu'elles deviennent de plus en plus importantes
dans la production de statistique officielle. 

Ce chapitre revient sur le contexte d'utilisation des données
administratives, leurs différences avec d'autres sources
de données et les apports de celles-ci à la production
de savoir statistique.  


# Contexte

> In this world, nothing is certain except death and taxes.
> 
> Benjamin Franklin

## Nature des données

Les données statistiques traditionnelles (sondage ou recensement)
sont produites pour informer. Cette finalité guide la conception
de celles-ci, que ce soit au niveau du _design_, des concepts
mesurés ou des retraitements post-collecte. 
La logique des données administratives est toute autre.
Il s'agit de bases dont la finalité de construction est
la gestion, c'est-à-dire l'enregistrement d'événements
pour déclencher des actions (remboursement, paiement, etc.). 

Cet aspect transactionnel de la donnée adminstrative change ainsi 
le processus de production. Ces bases sont susceptibles d'être mises
à jour à plusieurs échéances. D'abord, leur structure n'est
pas figée dans le temps. Selon les événements à enregistrer, la
structure du fichier de données évoluera. Par exemple, un nouveau
crédit d'impôt amènera à l'ajout d'une catégorie dans les déclarations
fiscales ce qui se traduira par un changement du fichier de gestion. 
A ce premier facteur d'évolution peut s'ajouter des changements à
plus brève échéance. La collecte de données administratives est un
processus vivant. Les données sont généralement modifiables
au cours d'un exercice de gestion voire au-delà. La
donnée n'est stabilisée qu'après plusieurs cycles de gestion
et sa continuité, au niveau de l'unité statistique, ne va
pas de soi. Par exemple, une entreprise changeant d'identifiant 
SIREN pour une raison
liée à un changement administratif (par exemple une fusion)
ne sera identifiable dans différents millésimes de données
administratives que si on est en mesure de relier 
les différents identifiants sous lequel elle apparaît. 

Les données administratives peuvent provenir de plusieurs origines.
Elles sont en premier lieu issues de processus de gestion interne à l’administration concernée.
Par exemple, pour être en mesure de gérer les remboursements liés au système de 
protection sociale français, l'assurance maladie collecte et enregistre de nombreuses
informations sur les actes médicaux. Cette collecte est automatisée grâce à la carte
vitale et au système d'information de l'assurance maladie ou passe par des déclarations papiers
normalisées.

Une seconde source d'origine des données administratives sont les 
déclarations administratives[^2] [@riviere2018].
Par exemple, les déclarations fiscales des ménages
sont annuelles, avec un calendrier déterminé à l'avance (qui dépend du format, papier ou internet). 
Ce calendrier inclut d'ailleurs des possibilités allongées de retour sur la donnée fournie. 
L'obligation de certaines déclarations administratives
se traduit par un pouvoir coercitif, pouvant prendre diverses formes, comme celle d’engager des poursuites.
Ceci réduit le risque de non-déclaration ou de déclaration faussée mais ne l’annihile pas non plus.
Selon la nature de la donnée, ces poursuites peuvent être pénales et les amendes non négligeables. 
L'existence de ces moyens coercitifs permet d'anticiper
une information exhaustive sur la sous-population concernée par la donnée et
honnête[^3]. 

[^2]: Obligation est faite à un certain nombre d’entités (individus, entreprises, organismes publics) de fournir des informations respectant une certaine forme, selon certaines modalités (internet, papier) et temporalités.

[^3]: Certaines enquêtes, reconnues d'utilité publique, comme l'enquête
emploi, le recensement ou encore l'enquête ressources et conditions
de vie (SRCV), sont obligatoires. Bien que cela permette d'avoir des taux
de réponse élevés, cela n'assure pas un taux de 100%. Comme cela a été
évoqué précédemment, le taux de réponse de SRCV 
est par exemple passé de 85 % à 80 % entre 2010 et 2019. 
Pour plus d'informations sur les enquêtes obligatoires, voir
[la description du CNIS](https://www.cnis.fr/obligation-de-reponse/)
et la liste des enquêtes concernées 
parmi [les enquêtes auprès des particuliers](https://www.insee.fr/fr/information/5390996).

Si les données administratives sont devenues centrales dans le champ
de la production statistique, c'est certes de par leur nature
exhaustive mais aussi du fait de leur disponibilité à faible coût marginal.
Les données administratives étant collectées et centralisées dans un 
système informatique à des fins de gestion, leur mise à disposition
pour d'autres usages, s'il soulève certains enjeux sur lesquels
nous reviendrons comme les questions de confidentialité,
est marginalement peu coûteux. L'utilisation de ces données
est ainsi une affaire d'opportunité: comme ces données
sont disponibles et, sous un certain cadre juridique et technique,
peuvent être ré-utilisables à d'autres fins, si elles fournissent 
une information de qualité, il est utile pour la production
statistique de les exploiter.

## Quelle différence avec les autres sources de données numériques ?

Cette propriété des données administratives qu'est le coût
marginal faible 
rapproche celles-ci des traces numériques.
Les entreprises du numérique 
ont pu centrer leur modèle économique
autour de la collecte et de la valorisation
de données justement parce que la collecte
de nouvelles informations est d'un coût marginal 
nul. 
Il en va de même avec les données de gestion: la collecte
d'une information supplémentaire sur une unité ou d'une unité
supplémentaire n'est pas coûteuse. Dans le monde de la donnée
numérique, il est certes nécessaire d'engager des investissements
pour être en mesure de collecter des données de manière massive
ou mettre à l'échelle un processus de collecte devenu plus
ambitieux que le plan initial mais la donnée marginale
ne coûte pas très cher puisque, comme nous allons le voir,
la collecte de celle-ci est reportée
sur un tiers. 

Dès lors, la distinction entre données administratives et données
numériques, telles qu'on peut formaliser le _buzzword_ "big-data",
apparaît floue. La distinction correspond en premier lieu à l'origine des données.
La donnée administrative est une donnée produite par
la sphère administrative. Dans sa nature, son processus de
production ne diffère pas de celui de la donnée privée. Dans les deux
cas, un acteur effectue une activité (par exemple déclarer quelque chose)
et cette activité va être transformée en information plus ou moins 
normalisée pour intégrer un système d'information et être stockée
dans les serveurs d'un acteur centralisateur. Dans les deux cas, 
la personne dont la donnée a été collectée pourra éventuellement 
corriger l'information et/ou produire de nouvelles activités. 

La différence entre données administratives et données
privée est ainsi plutôt une différence de degré que de nature. 
Les données administratives sont généralement collectées à plus faible fréquence.
Par exemple, le rythme de collecte de nombreuses données est annuel pour 
correspondre aux rythmes des campagnes fiscales. Mais certaines sources sont
à des rythmes plus fréquents. Par exemple la DSN, sur laquelle nous reviendrons, 
est collectée à un rythme mensuel. Certaines données sont mêmes enregistrées
à des rythmes qui n'ont pas grand chose à envier avec les traces numériques
du _big data_. Par exemple, les systèmes d'information SIVIC et SIDEP, respectivement
celui de suivi des entrées à l'hôpital des personnes malades du Covid et celui des
tests, étaient mis à jour quotidiennement. De même, le système
d'information de l'assurance maladie est mis à jour en continu en fonction
des nouveaux événements qui appellent un remboursement. Bien qu'on n'associe
pas forcément les données administratives avec une collecte en temps réel, il
ne s'agit ainsi pas d'un critère les discriminant vis à vis des traces numériques. 

La différence principale, peut-être, entre les données administratives
et les données privées est que pour les premières, le champ est connu
par le fait que celles-ci sont issues d'une collecte d'une population
bien ciblée. Comme indiqué précédemment, comme la collecte de données
administrative est souvent assortie de prérogatives légales, la population
cible est généralement bien identifiée. Dans le monde de la donnée privée,
comme c'est l'activité qui génère la donnée, le champ dépend de la base
d'utilisateurs. Selon le type de données, celle-ci peut être plus ou
moins large. Même parmi les données privées où les populations sont
les plus larges, la couverture de la population n'est pas parfaite.
Par exemple, 
les smartphones sont largement
partagés dans la population. Néanmoins, cette
technologie a un moindre taux de pénétration dans
certaines population, notamment les plus
agées. De plus, les opérateurs ont des parts de marché potentiellement 
hétérogènes (en fonction de critères d'âge ou territoriaux).
Pour les opérateurs,
il est difficile d'évaluer le champ de leur clientèle puisque cette
information nécessite une enquête, et ainsi souffre de taux de réponse
imparfaits ou de réponses incorrectes. 
Le champ est donc incertain
puisqu'il n'est pas possible pour les producteurs
de données privées d'apparier de manière automatique ces données 
avec les données administratives.
Même s'il n'est pas toujours possible d'apparier des données administratives
entre elles pour des raisons légales, le fait de fournir des informations
communes dans différentes sources (état civil voire NIR)
à un même acteur (l'Etat), facilite l'association entre les sources
lorsque celle-ci est autorisée. 

Les 5V du big-data, initialement listés dans un rapport de MacKinsey,
ne sont pas l'apanage des données privées. 
Il y a peut-être une différence de degré avec le big-data mais certainement pas 
de nature:

- _Volume_: certaines données administratives représentent des volumes conséquents.
La DSN  représente ainsi plus d'1To de données par an ;
- _Vélocité_: certaines données, notamment celles de l'assurance maladie, sont à haute fréquence ;
- _Variété_: l'Etat collecte et exploite des données de natures très différentes ;
- _Véracité_: les données collectées par l'Etat ne sont pas à l'abri d'erreurs mais ces dernières,
qu'elles soient volontaires ou non, pouvant être couteuses, les données sont normalement de meilleure
qualité que celles auto-déclarées sans contrôle ex-post ;
- _Valeur_: les données collectées par l'Etat sont d'une grande valeur même si elles ne sont pas
monétisées. La valorisation par l'Etat n'est bien-sûr pas individuelle mais la collecte de données
qui sont ensuite agrégées permet de créer une statistique publique, qui est un bien public, 
sans valeur de marché mais avec une valeur sociale.


Finalement, il y a peu de différence entre les données administratives
et certaines données privées disponibles sous forme 
structurée. Par exemple, les données générées par les paiements par
cartes bancaires (données du GIE CB) <!---- citer des publis ----->
ne sont pas d'une nature très différente de données
administratives. Comme celles-ci, il s'agit de données
structurées issues d'un organisme centralisateur (le GIE CB)
et mises à disposition consolidées pour la statistique publique. 

### Une donnée plus sensible

L'aspect exhaustif, sur un certain champ d'unités et d'informations
de gestion,
des données
administratives peut les rendre, au niveau individuel, assez sensibles. 
La question de la confidentialité et de la sensibilité
des données fournie à l'administration n'est pas nouvelle,
il s'agit de la raison d'être du secret statistique défini dans
l'une des lois les plus importantes de la statistique
publique, à savoir la loi de 1951.
Les informations fournies dans le cadre de certaines enquêtes peuvent
être sensibles (informations sur le revenu ou le patrimoine, la santé,
l'appartenance à certains groupes sociaux...).
Cependant, l'aspect non exhaustif des enquêtes rend plus difficile 
la réidentification après la phase d'anonymisation.
Avec les 
données administratives, l'information fournie peut parfois être
moins précise mais le caractère exhaustif de celles-ci fait
qu'en combinant plusieurs sources de données la réindentification
est facilitée. 

La question de la confidentialité est donc, au même titre que pour
les données privées, devenu un enjeu dans le domaine des données
administratives. Il est à noter que par rapport aux données
privées cette question ne se pose pas au même niveau.
Au niveau de la collecte de données, c'est-à-dire de la
transformation d'une activité en donnée de gestion, là
où l'utilisateur d'un service numérique bénéficie d'une
relative liberté sur le choix des données collectées du fait du RGPD, 
ce n'est pas le cas pour l'utilisateur d'un service
géré par l'Etat. Ce privilège de l'Etat s'appuie sur des
décrets qui définissent des missions de service public.
Cependant, au niveau des traitements mis en oeuvre, 
du stockage puis de la diffusion de la donnée,
des conditions restrictives s'appliquent aussi
à l'Etat. 
Exemple: SNDS.


:::{.callout-note}

## Cadre légal

Cet encadré résume des éléments juridiques listés par @isnard2018.

Les membres du service statistique public (SSP)
bénéficient d’une disposition importante qui facilite énormément le travail du statisticien.
Ce sont les seuls organismes à pouvoir mettre en œuvre l’article 7bis de la __loi de 1951__. Cet article leur permet de se faire communiquer, à des fins d’élaboration de statistiques publiques, tout fichier de gestion d’une administration ou d’une personne privée gérant un service public, dès lors que le Conseil national de l’information statistique a été consulté et que la demande émane du ministre chargé de l’économie (en pratique du directeur général de l’Insee). Cette mesure, insérée dans la loi du 7 juin 1951 par la loi du 26 décembre 1986, a permis une exploitation large des données administratives et ainsi un allègement de la charge de réponse aux enquêtes.

L’utilisation de déclarations ou de sources administratives à des fins statistiques est préconisée par le code de bonnes pratiques de la statistique européenne dans le but d’alléger la charge statistique des déclarants. En France, ceci est rendu possible par la loi de 1951 relative à l’obligation, à la coordination et au secret en matière de statistique et a été réaffirmé récemment par la loi pour une République numérique (2016).

:::


## Processus de production

Le processus de production de la donnée administrative est différent de
celui de la donnée traditionnelle. La différence
principale est la place
centrale d'une autorité gestionnaire, qui centralise la donnée, 
dans le modèle de production des données administratives [@riviere2018]. 
Cet acteur doit être distingué de l'administration qui exploite le 
flux, que ce soit à des fins de gestion ou d'exploitation statistique. 

La @tbl-autorites-centralisatrices donne quelques
exemples de plateformes centralisatrices. Ces dernières ne se contentent
pas de centraliser ou mettre à disposition la donnée, elles ont aussi
en charge la normalisation de celle-ci à partir de systèmes d'informations
divers. La normalisation est un enjeu majeur car elle seule permet
l'exploitation des données: la collecte étant en général réalisée automatiquement
via des auto-déclarations, les plateformes centralisatrices récupèrent
des informations aux contenus hétérogènes.

| Donnée | Autorité centralisatrice |
|------|------|
| DSN    |  Gip-MDS     | 
| Données hospitalières    | ATIH-10    |
| SI gestion des eaux    | SANDRE12   |

: Exemples d'autorités centralisatrices [@riviere2018] {#tbl-autorites-centralisatrices}

La @fig-dsn résume la place du GIP-MDS dans le processus de 
production de la DSN:

::: {#fig-dsn}
![](./img/images/dsn-schema.png)

Schéma de la place du GIP-MDS dans la production de la DSN. Source: @Humbert2018.
:::

## Usage de la donnée administrative

L'usage de ces données est de deux nature: l'usage à des fins
de gestion (la finalité pour laquelle elles sont construites)
et l'usage à des fins d'analyse (la finalité fortuite).
Ces peut aller au-delà de l’administration concernée.
Par exemple,
la déclaration sociale nominative n'est
pas utilisée exclusivement par le Ministère du Travail mais aussi
par la DGFIP, les institutions de prévoyance, les organismes de retraite, l’Acoss, pour leurs propres usages de gestion ; les données de SIRENE servent de référence, de preuve pour les entreprises, elles sont utilisées par les chambres de commerce et d’industrie ou par les greffes des tribunaux de commerce [@riviere2018].

### Un usage accru pour apparier des sources

Certaines sources administratives ont un rôle
particulier dans le processus de production
statistique car elle permettent d'identifier
des unités statistiques dans plusieurs sources. 
Le Répertoire national d’identification des personnes physiques (RNIPP),
le répertoire Sirene pour les entreprises
ou encore XXX pour les logements, sont 
des sources qui permettent de relier des unités
statistiques entre plusieurs sources. 
On parle d'appariements pour désigner ce type 
d'opérations où plusieurs sources de données
sont associées grâce à une information
commune. Cela peut se faire sur la base d'une 
information exacte, en général un identifiant
unique fourni par un des référentiels,
ou de manière floue à partir d'informations
non uniques mais qui, combinées, peuvent aider 
à identifier une unité (nom, raison sociale d'une
entreprise, adresse, etc.). 

Ces répertoires administratifs
sont ainsi des sources
devenues centrales dans le processus
de production statistique. Ils permettent
d'enrichir d'autres sources administratives,
ou des enquêtes, d'informations administratives.
Ces dernières peuvent ainsi permettre d'alléger
certains questionnaires d'enquêtes ou de 
concentrer ceux-ci sur des informations qui
ne sont pas disponibles dans les sources
administratives.

:::{.callout-note}
## Le CSNS
Un enjeu fort existe autour de la production d'un [code statistique non signifiant](https://www.insee.fr/fr/information/5388962) (CSNS) pour les besoins de mise en œuvre de traitements à finalité de statistique publique impliquant le numéro de sécurité sociale (NIR) ou des traits d’identité, en particulier les appariements au sein du Service statistique publique. La version finale est prévue pour la fin de l'année 2022.
:::

### Un changement de la place de l'analyste de la donnée

Cette situation change la place du statisticien
dans le processus de production de la statistique officielle. 
Il convient de transformer en aval les données pour répondre 
aux besoins de l'analyse statistique. 
Cela implique un contrôle qualité ex-post, éventuellement
un travail de reconstitution et de consolidation. 

Cette situation change également la place des chercheurs dans
le processus de production de la donnée. Comme le statisticien,
le chercheur n'est plus associé à l'amont de la production de données.
Cependant celui-ci est, généralement, encore plus en aval que le statisticien public. 
Il reçoit les données généralement consolidées, anonymisées et éventuellement appariées
entre différentes sources. A cet égard, les données administratives
scandinaves sont parmi les données les plus utilisées par les chercheurs sur
le marché du travail car elles constituent une source depuis longtemps 
centralisée et mise à disposition de manière anonymisée. 


## En conclusion, quels avantages et inconvénients ?

La production et l'usage de données administratives
se sont généralisés. La numérisation croissante
de l'économie est amené à confirmer cette 
tendance. L'utilisation par la statistique
publique de données privées, sous leur forme
structurée, n'est qu'un prolongement de cette
dynamique. Ces dernières permettent d'enrichir
l'information dont dispose l'administration
avec des informations collectées dans
le cadre d'activités économiques détachées de l'administration.

Les avantages des données administratives sont multiples. 
En premier lieu, la collecte automatisée de celle-ci,
associée à un pouvoir public coercitif, permet d'atteindre
sur un champ d'unités statistiques bien définies (usuellement
par le biais d'un décret), une forme d'exhaustivité.
Cette dernière permet de construire des statistiques plus 
fines. Si aujourd'hui il est possible pour des chercheurs
de zoomer sur le très haut de la distribution de revenu (voir les travaux de Piketty), 
c'est parce que l'aspect exhaustif des données permet
d'avoir des groupements suffisamment nombreux pour assurer la confidentialité
de ces groupes. 

Une fois payé le coût d'investissement pour automatiser la production statistique
à partir de données de gestion, les données administratives
ouvrent la voie à la production à plus haute fréquence
de statistiques officielles.
La production annuelle ou infra-annuelle de statistiques
n'est possible qu'avec un nombre restreint d'enquêtes - dans la plupart des cas,
les résultats d'enquêtes sont connus avec du retard. 
La publication quotidienne par le service statistique du Ministère de la Santé
(la DREES) et Santé Publique France d'indicateurs sur la pandémie
est un bon exemple de l'intérêt de ces données. Ces dernières ont permis
un suivi très fin par la puissance publique mais aussi par la société civile des
évolutions de l'épidémie. 

Un autre avantage des données administratives est que les informations 
qui sont disponibles dans celles-ci sont certes diverses (nous reviendrons
sur cela dans le prochain chapitre à travers quelques exemples) mais elles sont,
sur certains champs, très fiables. Elles souffrent normalement moins de biais
de réponses même si elles n'en sont pas exemptées (les déclarations erronées
à l'administration fiscale existent, qu'il s'agisse d'un comportement volontaire
ou non). 

Ces données soulèvent de nouveaux défis pour la statistique publique. 
En premier lieu, elles amènent à redéfinir le rôle du métier
dans le processus de production de la donnée. Ceci est vrai dans le
monde de la donnée administrative mais aussi dans le domaine des
données privées. 
Comme l'utilisateur de données ne contrôle pas le champ ou la
définition du concept mesuré, c'est le concentrateur, cet acteur
dont l'activité est spécialisée autour de la collecte et de 
la gestion du flux, qui intervient à cet étape. Il peut ainsi
être amené à faire évoluer le champ, la définition du phénomène
mesuré ou encore le formulaire sans
que l'analyste de données n'ait son mot à dire.
Pour reprendre l'exemple des données quotidiennes, l'apparition de
variants à plusieurs reprises a amené à des évolutions, parfois
sans préavis, du type de donnée collectée, enregistrée.
Les données déjà collectées n'ayant pas vocation à intégrer
ces informations qui n'avaient pas de sens au moment de la collecte,
c'est à l'analyste de données de faire des choix méthodologiques pour
reconstruire une série cohérente.
Le statisticien, parce qu'il intervient plus en aval, change donc de rôle.
Les données administratives n'étant pas construites pour mesurer un
phénomène qui a du sens pour le statisticien public (ou l'analyste de la 
donnée privée), c'est à lui de reconstruire à partir de l'information
de gestion la réalité statistique derrière [@salgado-20]. Le travail
de l'analyse de données va au donc au delà de la simple reconstruction
de variable, ou du contrôle qualité, il est également nécessaire
de réfléchir au concept mesuré pour ne pas construire d'"artefact", 
au sens de Bourdieu. 
Cette problématique se pose, de la même manière,
à la recherche et à l'exploitation
de données privées.


# References

::: {#refs}
:::