Dans l’arsenal du statisticien, les sources administratives occupent une place croissante, et ce pour des raisons variées. Elles permettent de compléter les données d’enquête en les enrichissant, dès lors que l’appariement est possible : la mise en place future du « NIR haché » offrira de ce point de vue des perspectives tout à fait nouvelles. Il arrive aussi que ces données se substituent aux enquêtes, dans un contexte conjoint d’explosion des possibilités en matière de données (Elbaum, 2018), mais aussi plus classiquement de baisse généralisée des taux de réponse et de restrictions budgétaires. Enfin elles peuvent constituer une source nouvelle, différente des domaines explorés habituellement par l’appareil statistique.

Pourtant, les statisticiens qui utilisent ces données savent qu’il y a loin de la coupe aux lèvres, entre autres parce que les processus de production statistique et administratif diffèrent. Or s’il existe un vaste corpus méthodologique dédié aux statistiques d’enquêtes (voir par exemple Lyberg et alii, 2012), on ne trouve rien d’équivalent pour celles qui découlent de sources administratives. Certes, il existe une littérature abondante sur la manière de traiter tel ou tel gisement de données particulier, les problèmes rencontrés et les solutions apportées (Cf. tous les articles de la session 20 (« Appariements – fichiers administratifs ») des Journées de méthodologie statistique 2018). Mais il est difficile de trouver un article transversal donnant un cadre méthodologique général et opérationnel – à l’exception peut-être de Rouppert (2005) – comme le fait la théorie des sondages par exemple. Dans la littérature anglo-saxonne, on peut citer essentiellement un article de Hand (2018) qui effectue un tour d’horizon des problématiques soulevées par les données administratives.

Cette absence d’armature conceptuelle conduit parfois à une forme de bricolage dans l’organisation de la production, à un déficit de méthode. Et en parallèle, on ne s’interroge pas vraiment sur ce que les données administratives ont de spécifique, en les abordant, sans autre forme de procès, comme un tout indifférencié immédiatement disponible, un fichier de données à traiter.

Le but du présent article est d’interroger les spécificités d’un ensemble particulier de données administratives : celles qui sont issues de déclarations administratives. On observe en effet des proximités bienvenues avec la production statistique (encadré) et dans le même temps des limitations qu’il est essentiel de connaître.

Lorsqu’on associe l’adjectif « administrative » à « donnée », que veut-on dire, au fond ? Le sujet serait vaste à explorer. On va se limiter ici à trois spécificités : statut, usage, mouvement.

Le terme « administrative » revient d’abord à qualifier les données par leur origine, et plus que cela par leur statut. Il signifie qu’elles viennent de la sphère administrative en général : les administrations, au sens de la comptabilité nationale, plus généralement les organismes de droit public, et ce qui relève des devoirs de l’État par ailleurs. Il en découle souvent un degré important de centralisation, tout du moins en France, ce qui facilite la tâche des statisticiens.

Le caractère administratif des données nous informe également sur leur usage : elles s’inscrivent dans les processus de gestion d’un ou plusieurs organismes (que nous appellerons « administrations » par la suite), qui ont leur propre agenda et leurs propres objectifs. Contrairement aux données statistiques dont le seul but est d’informer, leurs consœurs administratives doivent leur existence aux actions qu’elles permettent de déclencher. Elles ne sont pas neutres. Par exemple, la donnée individuelle « montant d’une retraite », pour un individu donné, permet de calculer le montant effectif à payer, puis de procéder au paiement, donc d’agir concrètement dans le monde réel.

L’usage peut aller au-delà de l’administration concernée. Ainsi, les informations du Répertoire National Commun de la Protection Sociale (RNCPS) peuvent permettre de repérer des incohérences entre prestations sociales de diverses natures ; la déclaration sociale nominative est utilisée 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.

Le fait que les données administratives découlent d’un processus de gestion a aussi une conséquence opérationnelle : elles se trouvent dans des bases de données de gestion, toujours susceptibles d’être mises à jour. Ce sont en quelque sorte des données vivantes, qui peuvent être modifiées en fonction d’événements, internes ou externes. Ils peuvent se produire n’importe quand et certains sont totalement exogènes à l’administration, imprévisibles.

Ceci n’est pas sans conséquence pour le statisticien, qui a l’habitude, avec les enquêtes, de récupérer un jeu de données fixées dans le temps et qui se rapportent à des unités statistiques précisément définies. Certes, les valeurs de ces données peuvent changer en fonction des vérifications, redressements... mais fondamentalement on veut parler de la même donnée. Le caractère sans cesse mouvant des bases de données administratives ne peut donc lui convenir : il ne peut travailler que sur des données figées, qui vont se présenter sous forme de fichier. Il s’agira ainsi nécessairement d’une photo à un instant t, mais aussi d’une sélection des variables et des unités qui l’intéressent. Il faut passer d’un monde en mouvement à une cristallisation de ces données sur une période.

Attention, la question de la temporalité n’est pas un sujet simple. Ainsi il faut distinguer au minimum deux niveaux de dates : la date d’obtention de l’information d’une part, et la date de référence de celle-ci d’autre part. Par exemple, on récupère en mars 2018 (date d’obtention) l’effectif salarié d’une entreprise au 31 décembre 2017 (date de référence). Les choses se compliquent lorsqu’on constate que la date de référence peut devenir une période de référence (ex : l’année 2017), et que celle-ci peut nécessiter tout un calcul, toute une reconstitution des données : par exemple, l’effectif moyen en équivalent temps plein de l’entreprise sur l’année 2017.

Les données administratives peuvent provenir de plusieurs origines. Elles sont souvent issues de processus de gestion interne à l’administration concernée (Voir article de C. Chambaz sur les statistiques de la justice dans ce même numéro). Mais elles peuvent aussi découler de déclarations administratives.

De quoi s’agit-il ? Une déclaration administrative, c’est l’obligation qui 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. Par exemple, les différentes déclarations d’impôts (sur le revenu, foncier...) relèvent de dispositifs très précisément documentés, et ils sont obligatoires, sur une périodicité et une plage de temps déterminées (l’impôt sur le revenu est annuel), pour les personnes ou entreprises assujetties à ces impôts. Dans le monde des entreprises, la déclaration sociale nominative est mensuelle (exceptées les déclarations événementielles), et les règles qu’elle doit respecter sont consignées dans un cahier technique versionné et accessible en ligne (Voir article de C. Renne sur l’utilisation de la DSN dans ce même numéro), car la normalisation des déclarations est essentielle.

L’existence d’une forme d’obligation pour les déclarations administratives, souvent supportée par des textes législatifs et réglementaires et adossée à une documentation très normée, est la bienvenue pour le statisticien. Cette obligation se traduit en effet par un pouvoir coercitif, pouvant prendre diverses formes, comme celle d’engager des poursuites... ce qui réduit, sans non plus l’annihiler, le risque de non-déclaration.

Attention cependant, la déclaration administrative elle-même n’est pas, stricto sensu, une source administrative : ce n’est pas un fichier, c’est un flux. Et la façon de construire un fichier figé de données à partir de ce flux est d’ailleurs un sujet en soi. En particulier, élaborer ce fichier ne se limite pas à empiler les déclarations. Ainsi, pour la DSN, l’entreprise peut faire des déclarations rectificatives, des déclarations sur des périodes antérieures, mais aussi des déclarations événementielles, qui conduisent à modifier des données. De ce point de vue, le processus déclaratif diffère du processus d’enquête car rien n’empêche d’avoir pendant la période « de collecte » des modifications à l’initiative du déclarant, liées ici à la vie de l’entreprise. Un travail de reconstitution et même de consolidation, parfois complexe, est donc nécessaire pour bâtir, à partir de l’ensemble des déclarations, une source administrative. Dans certains cas, la situation est encore compliquée par l’utilisation de plusieurs types de déclarations administratives.

Cette logique de gestion de flux conduit à effectuer une distinction fondamentale entre deux entités : d’une part l’administration, utilisant les données pour sa propre gestion, d’autre part l’organisme concentrateur. Le concentrateur est celui qui pilote le processus déclaratif dans son ensemble : il réalise le système d’information nécessaire, le documente, anime les instances de gouvernance et groupes de travail, organise le contact avec les déclarants, gère les nomenclatures, assure la communication et effectue le suivi du processus. Il concentre l’ensemble des flux, entrants en provenance des déclarants, sortants en direction des administrations utilisatrices. Mais il ne fait pas nécessairement partie de ces administrations, son rôle de gestionnaire de flux étant distinct.

C’est typiquement le rôle du Gip-MDS avec la plate-forme net-entreprises qui permet d’effectuer des déclarations sociales comme la Déclaration sociale nominative (DSN) (Voir article d’É. Humbert-Bottin sur la DSN dans ce même numéro).
Mais on peut aussi citer l’ATIH (Ouvrir dans un nouvel ongletAgence Technique de l’Information sur l’Hospitalisation) avec la plate-forme e-PMSI (Ouvrir dans un nouvel onglethttps://www.epmsi.atih.sante.fr/), conçue pour le recueil et l’analyse des informations sur l’hospitalisation, ou le SANDRE, qui garantit l’interopérabilité des systèmes d’information relatifs à l’eau (même si dans les deux cas le formalisme déclaratif est moins affirmé que pour la DSN). Gérer de telles infrastructures de recueil d’information de façon industrielle est un métier en soi qui requiert une grande technicité (informatique, maîtrise d’ouvrage, droit), une organisation rodée et réactive, et une gouvernance incluant organismes utilisateurs et contributeurs. Les administrations utilisatrices sont par exemple les organismes fiscaux ou sociaux dans le cas des déclarations sociales, la Caisse Nationale d’Assurance Maladie (Cnam) et les hôpitaux dans le cas des données PMSI, l’Agence Française pour la Biodiversité ou les Agences de l’Eau dans le cas du SANDRE.

Avec la déclaration, nous sommes ainsi dans une logique de flux normés, clairement positionnés dans le temps, liés à une obligation déclarative pour des entités déterminées. Si le processus déclaratif est rigoureusement géré par le concentrateur, on sait ce qui arrive aux données depuis la source primaire unique d’information. En particulier, les contrôles sont réalisés à un endroit et un seul et ils sont documentés.

L’organisme concentrateur gère un processus qui présente des points communs avec le processus statistique (encadré), en commençant par le triptyque champ / variables / cadre légal.

Le champ est en principe formellement défini et connu : c’est l’ensemble des personnes, ou entités, assujetties à la déclaration. Il fait l’objet d’une définition en intention, avec un cadre général, mais aussi des exemptions, et des cas particuliers ; par exemple, les entreprises et cabinets « ayant des difficultés à assurer les paramétrages sur la partie des organismes complémentaires » ont été exemptés de DSN en phase 3.

La liste de données à recueillir peut faire l’objet d’âpres discussions entre les parties prenantes, car il s’agit de prendre en compte les besoins de chacun sans multiplier les données à collecter (c’était tout le problème avec les DADS). Ceci, en se fondant sur le droit et en recherchant la mutualisation via un modèle conceptuel de données commun, différence décisive entre DADS et DSN. Les données à recueillir sont définies et documentées, de même que la manière dont les échanges sont normés : on pense au cahier technique de la DSN (disponible sur le Ouvrir dans un nouvel ongletsite dsn-info), mais aussi à la documentation très riche du Sandre (dictionnaire de données, modèle de données, scénarios d’échange, règles organisationnelles et techniques des données de référence). Par ailleurs, l’organisme concentrateur élabore, maintient et diffuse les nomenclatures de référence, ce qui est un travail considérable : ainsi, pour l’ATIH, la classification internationale des maladies (CIM), ou la classification commune des actes médicaux (CCAM).

Reste à collecter les données. Notons d’abord que le support de la déclaration, à savoir un formulaire - type Cerfa - ou quelque chose d’équivalent, ressemble parfois furieusement à un questionnaire, proposé en ligne. La collecte est pour l’essentiel exhaustive sur le champ considéré. Sous cette réserve, l’exhaustivité est obtenue via un suivi rigoureux des non-déclarants, beaucoup plus puissant que le suivi des non-répondants : le pouvoir coercitif résultant de l’obligation de déclaration est sans commune mesure avec celui, limité, des instituts statistiques sur les non-répondants ; chacun connaît les conséquences d’une déclaration d’impôts non transmise ou en retard. On constate pourtant souvent une étrange sous-utilisation (et même non-utilisation) par le statisticien de l’information très riche issue de ce suivi des non-déclarants. C’est le cas par exemple pour la DSN.

À l’instar des questionnaires statistiques, les formulaires administratifs font l’objet de contrôles automatiques. Leur logique est légèrement différente des contrôles statistiques. Ainsi, lorsqu’on déclare une DSN et qu’un contrôle n’est pas satisfait par la déclaration, celle-ci ne « passe » pas, elle est bloquée, c’est comme si elle n’avait pas été envoyée ; le déclarant doit donc en envoyer une nouvelle, jusqu’à ce que sa déclaration « passe ». On trouve des contrôles d’appartenance à une liste prédéfinie (ex : la liste officielle des codes pays, celle des codes postaux), de cohérence formelle entre données (ex : égalité entre l’année de naissance et celle qui figure dans le NIR), de la nature d’une donnée (numérique, alphanumérique, date...), voire de sa structure fine (cf. les règles de forme complexes des adresses mail). Mais ces vérifications automatiques se limitent à des contrôles « durs », qui doivent absolument être vérifiés : on veille donc à ne pas multiplier les contrôles, car cela bloquerait le processus déclaratif.

La manière dont la collecte d’informations se prépare et s’organise, si elle présente des similitudes importantes avec le processus statistique (en gros les quatre premières étapes du GSBPM), a cependant un inconvénient majeur : toutes les étapes ainsi décrites sont sous la responsabilité du concentrateur, et échappent donc au service statistique. Champ, données, formulaire, tout cela peut évoluer dans le temps, sans que le statisticien ait le moindre contrôle sur ces aspects. Par exemple si une catégorie de population n’est plus assujettie à tel ou tel impôt et disparaît ainsi du champ, le statisticien n’a aucun pouvoir sur cette décision. Il n’a rien à dire non plus sur la liste des variables collectées ni sur leur définition même : celle-ci fait l’objet de multiples discussions avec les organismes utilisateurs de ces données, dans lesquels les services statistiques ne sont pas ceux qui pèsent le plus. Il perd donc la maîtrise des concepts, du cadre de la collecte d’informations.

Il perd aussi la responsabilité de la collecte elle-même, au profit d’un tiers, l’organisme gestionnaire de flux. Les services de production statistique voient au passage disparaître un aspect essentiel de leur travail : le contact direct avec les unités de collecte, et la possibilité de vérifier l’information immédiatement auprès de l’enquêté. Cette interaction avec le terrain, cet ancrage au réel, s’évanouit. Au caractère vivant et dynamique de la collecte se substitue un fichier, projection statique et sans âme d’un processus externalisé.

Plus généralement, le statisticien ne décide pas des modalités d’obtention de ces données : l’organisation du processus déclaratif, les relations avec les déclarants (FAQ, communication), le système d’information dans son ensemble. Enfin et surtout, toute cette organisation peut aussi évoluer dans le temps, en lien avec de nouvelles dispositions législatives, sans qu’il soit lui-même consulté.

Les déclarations administratives ne fournissent pas une information « clés en main » aux services statistiques. Il reste au statisticien tout un travail à faire en aval, car les données sont souvent inutilisables telles quelles. Pour aboutir à un fichier de données individuelles propre et adapté à leurs usages, les statisticiens doivent ainsi enclencher un second processus après le process purement administratif. Le résultat est donc issu d’une co-construction entre les deux univers. Les statisticiens doivent ainsi réaliser plusieurs opérations :

Ce faisant on effectue une véritable mise en forme et mise aux normes de qualité statistique des données, qui vient se substituer à la mise en forme et aux normes administratives d’origine.

Au fond, l’organisme concentrateur réalise toute une partie du processus de production statistique à la place du service statistique (collecte, interaction avec les déclarants, suivi des non-déclarants, une part importante des contrôles) et ce dernier complète par d’autres contrôles, des redressements, des transformations et une mise aux normes statistiques. Avec un bémol important, la perte de maîtrise : on n’impose rien à l’organisme en question.

Utiliser les données administratives à des fins statistiques requiert que celles-ci soient « de qualité »... L’article de David J. Hand sur le sujet mentionne à plusieurs reprises des « problèmes de qualité » sur les données administratives. Mais de quoi parle-t-on ? Les questions de non-qualité des données en général font l’objet de toute une littérature (par exemple McCallum 2012), mais pour un usage statistique elles se jouent à plusieurs niveaux : conformité de la population au champ souhaité, validité de la sémantique des données (qui peut diverger de ce que souhaite le statisticien), existence de contrôles suffisants (certaines données jugées peu importantes ne sont même pas vérifiées), problèmes de dates, d’unités statistiques...

Dans le cas des données issues de déclarations administratives, le fait que des contrôles aient déjà été effectués dans le processus déclaratif, et qu’ils soient précisément documentés et versionnés, constitue déjà un premier pas, une garantie de premier niveau. Chaque contrôle correspond au fond à une propriété que les données déclarées doivent respecter : appartenir à telle liste, être de nature numérique, être présent si telle donnée est présente... Mais il s’agit là de garanties de forme, de structure, qui n’assurent pas une qualité suffisante.

Car au-delà de la syntaxe, il faut se mettre d’accord sur une sémantique commune, claire- ment définie. Dans les exemples cités plus haut, comme la DSN ou le système d’information de l’eau, il existe ainsi, bien avant toute considération sur la normalisation des échanges, un modèle conceptuel de données commun appliquant les standards du langage de modélisation unifié (UML). Il conduit à définir rigoureusement la signification des données, les concepts et liens entre concepts. Sur ces questions, il faut souligner que la Belgique a joué un rôle précurseur, avec la mise en place dès 1990 de la « Banque Carrefour de la Sécurité Sociale », institution publique de sécurité sociale chargée de l’échange de données entre les institutions de sécurité sociale... et exemple typique d’organisme concentrateur. Avec cette Banque Carrefour, véritable source d’inspiration pour la DSN, un modèle conceptuel de données a peu à peu été élaboré, mis en commun (Robben et alii, 2006) puis imposé jusque dans la loi qui lui a conféré un caractère opposable. Grâce à cela, tous les flux de données provenant des entreprises se fondent sur une même sémantique, sur les mêmes nomenclatures versionnées régulièrement, le tout étant intégralement documenté et mis en ligne. Ce système, qui était donc très en avance sur son temps, est aujourd’hui toujours opérant et efficace.

La sémantique que nous évoquons ici caractérise un monde qui n’est pas immuable. Ainsi des combinaisons de données qui peuvent être jugées en anomalie à un instant t ne le seront peut-être plus à un instant ultérieur, parce que le monde a changé (exemple : les couples mariés de même sexe, situation impossible dans une certaine période, possible après). Supposer que l’on peut définir la qualité des données par une liste de propriétés formelles, que l’on peut vérifier via des contrôles (ex : vérifier que dans un couple les deux personnes sont de sexe opposé), revient à implicitement à faire « l’hypothèse du monde clos ». Or, comme on vient de le voir, celui-ci évolue inévitablement.

Comment donner un cadre opérationnel à ces évolutions et en tirer une approche opérationnelle et efficace ? La réponse nous vient à nouveau d’Outre-Quiévrain : dans l’ouvrage de référence tiré de sa thèse, Boydens (2000) fournit un éclairage tout à fait original sur le sujet avec la notion de « temporalités étagées » issues de l’œuvre de l’historien Fernand Braudel. Les données sont soumises à trois temporalités : la temporalité juridique, la temporalité des bases de données, et la temporalité du réel. Les trois ne sont pas nécessairement ajustées, synchrones, loin de là le juridique peut s’adapter avec retard au réel, les structures de bases de données n’ont pas la souplesse nécessaire pour s’adapter automatiquement aux évolutions.

Pour rapprocher ces temporalités, à défaut de les synchroniser, la méthode du backtracking (Redman 1996, Boydens 2000, 2018) offre une démarche opérationnelle efficace, que l’auteur a appliquée... à des données administratives, en l’occurrence des données de sécurité sociale.

Cette méthode consiste à identifier, à partir des violations de « business » les plus fréquemment observées à la source au sein de la base de données, les causes structurelles et y remédier en remontant les flux d’information vers l’amont, ce qui permet une action beaucoup plus rapide et beaucoup plus fiable puisque la vérification se fait à la source. Quel est le principe ? Les flux de données, qu’ils soient administratifs ou statistiques, font naturellement l’objet de contrôles. Par exemple, si telle prestation ne peut être accordée au-delà d’un certain plafond de revenus, on va contrôler la cohérence entre les données « existence de la prestation » et « revenu ». Et si l’on observe une incohérence entre les deux sur des données, ceci génère une anomalie. Jusque-là, rien de bien original.

L’élément novateur (entre autres) est de considérer les anomalies comme des objets d’intérêt en soi, et de suivre leur évolution dans le temps par type d’anomalie. Et dès que l’un de ces types d’anomalie se met à devenir fréquent, ceci nous informe, potentiellement, sur l’évolution du réel sous-jacent (par exemple, dans le cas cité, sur l’existence de dérogations significatives au plafond de revenus). L’étape suivante est donc de revenir à la source pour mieux comprendre cela et agir auprès des fournisseurs de données, ou bien faire évoluer les contrôles.

Cette technique, utilisée en Belgique avec les administrations, permet réellement d’améliorer la qualité des données, via ces allers-retours pertinents avec les fournisseurs, avec « un ROI atteignant plus de 50 % en termes de diminution de la part de présomptions d’anomalies à traiter » (Boydens, 2018). Le processus est même allé beaucoup plus loin puisque la démarche de backtracking a été officialisée via un arrêté royal.

En conclusion, les déclarations administratives offrent de nombreux avantages pour les statisticiens, notamment en raison d’un processus de production ayant des similarités, mais elles présentent, comme les données administratives en général, un gros inconvénient : la perte de maîtrise par l’appareil statistique, qui n’est plus décisionnaire sur des aspects majeurs (champ, données collectées).

Pour remédier à ce problème ou tout du moins le contenir, il est crucial pour le statisticien de travailler de façon régulière et structurée avec l’organisme concentrateur des flux, bien au-delà de la fourniture de données : dans la conception des données et des contrôles, la mise à jour d’une documentation de référence partagée, ou la gestion des allers-retours avec les fournisseurs de données, dans l’esprit du backtracking. C’est là un changement culturel, mais il permet de limiter les incompréhensions entre monde statistique et univers de gestion. Une telle coopération peut enclencher un cycle vertueux favorable à une amélioration suivie et maîtrisée de la qualité des données... et des statistiques qui en sont issues.

L’utilisation de données administratives pour la statistique, vue ici à travers le cas particulier des déclarations donc de la gestion industrialisée de flux, ouvre ainsi des horizons nouveaux pour la statistique, d’autres modalités de travail, de nouveaux métiers, voire d’autres façons de penser notre activité, qui obligent à rompre avec les schémas habituels.