Rolando Avendano
Carolyn Culey
Charlotte Balitrand
Coopération pour le développement 2018
Agir ensemble pour n'oublier personne
Coopération pour le développement : Rapport
Chapitre 5. Données et diagnostics pour ne laisser personne de côté
Abstract
Si l’on veut être sûr d’accomplir des progrès au regard de l’engagement de ne laisser personne de côté, souscrit dans le cadre du Programme de développement durable à l’horizon 2030, il faut adopter une nouvelle approche, qui repose sur le dénombrement des personnes concernées et qui prenne en compte les facteurs contribuant à leur exclusion. Ce chapitre examine les défis en termes de données que pose l’objectif de ne laisser personne de côté, ainsi que les sources de données existantes et nouvelles qui permettront de les relever. Il plaide pour une désagrégation plus poussée des données et évalue les outils disponibles pour les diagnostics par pays et permettant de mieux cibler les ressources vers ceux qui risquent d’être laissés de côté. Il met en lumière des exemples de réussite en matière de données, examine la possibilité de porter de nouvelles initiatives sur les données à l’échelle supérieure et exhorte à des investissements plus massifs dans les données et les systèmes statistiques nationaux, du fait qu’ils constituent un préalable incontournable si l’on veut respecter l’engagement de ne laisser personne de côté et opérer un suivi en la matière.
Compter l’invisible, ou pourquoi des données désagrégées sont nécessaires
De l’engagement de ne laisser personne de côté souscrit dans le cadre du Programme de développement durable à l’horizon 2030 découle toute une série de défis en termes de données, à commencer par l’impératif de comptabiliser tous les individus. À l’heure actuelle, de nombreux pays ne disposent pas des données de base, telles que des systèmes d’enregistrement des faits d’état civil et des statistiques de l’état civil. Les personnes vivant dans la pauvreté risquent fortement d’être exclues ; les 20 % les plus pauvres de la population mondiale représentent actuellement 55 % des naissances non enregistrées (Development Initiatives, 2017[1]). Les pouvoirs publics ne peuvent pas faire en sorte que les progrès concernent tous les individus s’ils ne savent pas qu’ils existent. L’amélioration des données est fondamentale pour orienter les ressources sur l’élimination de la pauvreté et la prestation de services et de biens publics de meilleure qualité au bénéfice de tout un chacun.
Pour pouvoir compter chacun individuellement, il faudra également que les systèmes statistiques nationaux poursuivent des stratégies de désagrégation des données plus sophistiquées. En règle générale, les statistiques telles qu’elles existent actuellement rendent compte de moyennes nationales qui masquent souvent des disparités au niveau infranational, à celui des communautés ou des ménages. La mise en œuvre des Objectifs de développement durable (ODD) nécessite une approche radicalement différente. C’est pourquoi la communauté des données est chargée de faire en sorte que les données soient désagrégées par quintile de revenu, par sexe, par localisation géographique, par âge et par handicap. Ainsi, la désagrégation en fonction des revenus est nécessaire parce que, bien que la pauvreté soit multidimensionnelle, le revenu demeure un élément prédictif essentiel du bien-être et constitue l’indicateur de la pauvreté le plus utilisé. Les données sur le revenu quotidien montrent que les 1.4 milliard de personnes qui représentent le quintile le plus pauvre gagnent en moyenne 1.75 USD par jour, soit bien moins que les 24.90 USD enregistrés pour le reste de la population. À l’échelle mondiale, et dans la plupart des pays, l’écart entre le quintile le plus pauvre et le reste de la population se creuse. Pourtant, aujourd’hui, la mesure des progrès repose largement sur des données d’enquête, qui présentent diverses lacunes au regard de la volonté de ne laisser personne de côté (Encadré 5.1).
Encadré 5.1. Lacunes des données d’enquête pour les mesures relatives à la promesse de ne laisser personne de côté
De nombreuses enquêtes ne recensent pas d’informations sur les groupes marginalisés et exclus.
Les pays où les données font défaut sont souvent ceux qui sont le plus touchés par les conflits et l’insécurité, et dont les habitants risquent le plus d’être laissés de côté.
Les données se fondent souvent sur des estimations de prévalence et s’appuient sur des moyennes nationales.
De multiples facteurs influent sur la mesure de la pauvreté, notamment le déploiement de l’enquête et les cadres d’échantillonnage.
Les données d’enquête sont essentiellement recueillies au niveau des ménages et risquent donc de négliger les disparités au sein des ménages.
Les politiques publiques ne sont pas mises en œuvre de la même manière selon que l’on dispose ou non de données désagrégées. L’absence de données désagrégées empêche certains pays de concrétiser l’engagement de ne laisser personne de côté. Au Nigéria, par exemple, elle a nui à l’affectation de ressources à la lutte contre l’expansion des infections à virus de l’immunodéficience humaine (VIH). En conséquence, les pouvoirs publics travaillent actuellement à l’élaboration d’une enquête portant sur 36 États du pays pour remédier à cette situation1 . Lorsqu’elles sont disponibles, les données désagrégées peuvent permettre de déployer des politiques de lutte contre la pauvreté et en faveur de l’inclusion plus efficaces, comme l’illustre l’Encadré 5.2. La capacité à définir et à mettre en œuvre des politiques efficaces dépend étroitement de la qualité de ces données.
Encadré 5.2. Exemples où les données désagrégées ont pu faire la différence
Bolsa Familia, dispositif de transferts monétaires conditionnels déployé au Brésil, a eu un impact avéré sur la réduction de l’extrême pauvreté dans 24 millions de foyers. Un facteur important de sa réussite est dû à la qualité des données désagrégées portant sur les bénéficiaires. Le programme utilise le revenu familial par habitant tel que déclaré dans le Cadastro Único (registre unique) pour cibler, au niveau des communes, les familles qui vivent dans la pauvreté1. En outre, priorité est donnée à certains groupes spécifiques : familles quilombola, familles autochtones, familles vivant du recyclage et familles dans lesquelles les enfants travaillent (Gazola-Hellmann, 2015[2]).
La disponibilité des données peut aussi améliorer la prestation de services publics. À Lanet Umoja, au Kenya, un projet de données générées par la communauté a mis au jour l’existence de 4 500 ménages de plus qu’on ne le pensait au vu de recensements antérieurs. Les données collectées ont permis à 12 000 résidents d’accéder à une eau potable pour la première fois (Developement Initiatives et Open Institute, 2016[3]).
1. Une estimation du nombre de familles vivant dans la pauvreté est établie au niveau de la municipalité, sur la base des données issues du recensement démographique et de l’enquête nationale auprès des ménages.
La mise en œuvre de politiques efficaces pour ne laisser personne de côté requiert un investissement plus massif dans les données. Afin de combler les lacunes dans les données existantes et d’améliorer la production de données désagrégées, les systèmes statistiques nationaux doivent investir davantage et renforcer leurs capacités. À l’heure actuelle, seulement 56 des 102 pays disposant de plans statistiques ont prévu des financements adéquats pour mettre en œuvre ces plans (DAES, 2018[4]). Investir davantage dans les systèmes nationaux de données constitue une première étape essentielle pour orienter les politiques publiques et les ressources vers ceux qui en ont le plus besoin.
Stratégies et outils permettant l’obtention de données désagrégées
Si l’on veut concrétiser l’ambition de ne laisser personne de côté, il faut relever plusieurs défis importants en matière de désagrégation des données. Au minimum, les données doivent être ventilées en fonction du quintile de revenu, du sexe et du genre, de l’emplacement géographique, de l’âge et du handicap. Nombre des outils de mesure standardisés actuellement en usage doivent être repensés de sorte qu’ils puissent refléter des disparités jusqu’alors passées inaperçues et des aspects fondamentaux de l’identité, par exemple les inégalités au sein d’un même ménage en matière de propriété d’actifs selon le genre (Banque asiatique de développement, 2018[5]). Et lorsqu’il s’agit d’obtenir des renseignements sur de petits groupes, il peut être nécessaire de recueillir les données d’enquête à partir d’un échantillon disproportionnellement grand pour qu’elles soient fiables. Il est donc essentiel d’améliorer la couverture et d’intégrer la notion de désagrégation dans les méthodes actuelles.
Les difficultés de la désagrégation en fonction du revenu, du sexe et du genre, de l’emplacement géographique, de l’âge et du handicap
La désagrégation des données en fonction du revenu, du sexe et du genre, de l’emplacement géographique, de l’âge et du handicap est délicate, et il n’existe pas d’outil d’enquête ou de série de données qui convienne dans tous les cas, comme le met en évidence le Tableau 5.1.
Tableau 5.1. Certaines données font défaut à de grandes séries de données mondiales
1. Outil interactif en ligne de la Banque mondiale permettant d’opérer un suivi de la pauvreté mondiale. Il fournit des données harmonisées sur la pauvreté issues de différentes enquêtes.
2. Programme de recueil de données qui apporte aux responsables de l’action publique des renseignements sur la situation démographique et sanitaire.
3. Enquête de l’UNICEF générant des données sur l’équité afin de suivre les progrès sur la voie de l’élimination des disparités et des inégalités.
Source: (Development Initiatives, 2017[1]), P20 Initiative: Baseline Report, http://devinit.org/wp-content/uploads/2017/03/P20-Initiative-baseline-report.pdf.
La décomposition géographique est un élément essentiel pour comprendre comment les politiques publiques sont mises en œuvre et quel est leur impact en termes de distribution de la richesse. Toutefois, il n’existe à l’heure actuelle aucune harmonisation statistique quant à la définition des concepts d’urbain et de rural (DAES, 2017[6]). Pourtant, comme c’est le cas en Colombie (Graphique 5.1), la décomposition géographique donne à voir un tableau bien plus complexe lorsque l’on examine les taux de pauvreté national et infranational (c’est-à-dire au niveau des grappes de ménages), les ménages pauvres se trouvant également dans les zones les plus riches.
Graphique 5.1. Distribution géographique du quintile le plus pauvre de la population en Colombie
Source: (Development Initiatives, 2017[1]), P20 Initiative: Baseline report, http://devinit.org/wp-content/uploads/2017/03/P20-Initiative-baseline-report.pdf.
Le programme d’action en faveur des ODD encourage le recueil de données ventilées par sexe, ce qui permet d’opérer un suivi des politiques qui portent sur les inégalités et sur l’accès à un travail décent, ainsi que sur divers secteurs, allant de l’assainissement au financement en passant par l’éducation et la santé (ONU-Femmes, 2016[7]). L’exclusion et la marginalisation vont au-delà du genre, mais la plupart des grandes enquêtes ne fournissent guère d’information sur l’identité de genre ou l’orientation sexuelle.
En ce qui concerne la ventilation par âge, si de grandes enquêtes (par exemple Programme d’enquêtes démographiques et de santé, enquête par grappes à indicateurs multiples, étude de la mesure des niveaux de vie) permettent d’obtenir certaines données, qui sont généralement accessibles au grand public, les méthodologies d’enquête existantes tendent à se focaliser sur le groupe d’âge 15-49 ans. Cependant, les données tirées de la ventilation par âge montrent que les personnes très âgées et très jeunes sont surreprésentées dans le quintile le plus pauvre.
Il est fait référence au handicap dans cinq ODD, sept de leurs cibles et de nombreux indicateurs. Une grande difficulté associée au recueil de données sur le handicap tient aux critères qui permettent d’établir qu’une personne est handicapée (Chapitre 3 Chapter 11). Aujourd’hui, on s’attache davantage à déterminer l’impact du handicap sur la vie des individus plutôt que le statut de personne handicapée. Un plaidoyer soutenu en faveur de données plus nombreuses et de meilleure qualité concernant le handicap commence à porter ses fruits ; le groupe d’étude de la Commission de statistique des Nations Unies (le Groupe de Washington sur les statistiques des incapacités) a élaboré un module standard à appliquer dans différents contextes.
Il est essentiel de comprendre comment ces différentes dimensions de la désagrégation peuvent se combiner et se renforcer les unes les autres afin de concevoir des politiques publiques à même de promouvoir l’inclusion économique et sociale. Des normes et critères de classification clairs doivent être mis au point pour les dimensions telles que l’âge ou l’emplacement géographique, en s’inspirant, par exemple, de la norme élaborée pour le recueil de données sur le handicap.
Des sources « intelligentes » et alternatives pour des données désagrégées
L’essor de nouvelles sources de données issues des technologies numériques invite à renouveler la réflexion et les méthodes afin de combler les lacunes que présentent les données désagrégées. Peu à peu, les systèmes statistiques nationaux s’adaptent au nouvel environnement technologique, explorant l’utilisation « intelligente » des sources existantes et nouvelles, telles que les données administratives, les données générées par les citoyens et les données géospatiales.
Les données administratives peuvent potentiellement être davantage désagrégées au niveau individuel. Un recours plus systématique aux registres administratifs pourrait enrichir les sources classiques (recensements, enquêtes démographiques, enquêtes auprès des ménages, etc.) avec des données plus désagrégées. D’autres sources administratives, telles que les données au niveau des entreprises, fournissent des données désagrégées précieuses et parfois inexploitées. Dans un premier temps, la cartographie des registres administratifs existants pourrait éclairer sur l’utilisation future de ces sources de données. Il est également crucial de comprendre les obstacles juridiques, et des actions de sensibilisation sont nécessaires pour généraliser le recours aux fichiers administratifs (Ploug, 2016[8]). Des pays comme l’Équateur ou le Viet Nam perçoivent le potentiel de ces registres pour améliorer leur production statistique (Ploug, 2016[8]). Des modules d’enquête, tels que le guide du ministère du Développement international du Royaume-Uni (DFID) sur la désagrégation des données issues des programmes en fonction du handicap, sont également intégrés dans les systèmes administratifs (DFID, 2015[9]).
Lorsqu’il s’agit de données générées par les citoyens, de nouveaux outils sont susceptibles de combler les lacunes sur le plan des données et d’améliorer les micro-données sur les conditions de vie en général. Les expériences pilotes, de DataShift (CIVICUS, 2017[10]) à la Humanitarian OpenStreetMap Team (GPSDD et al., 2016[11]), fournissent des données ventilées pour les ODD relatifs au genre, à la justice sociale, à l’inclusion, à l’accès aux services publics et à l’environnement. Si la couverture, la comparabilité, la portée et la pérennité des données générées par les citoyens soulèvent certaines interrogations, leur pertinence et leur contribution aux ODD sont de plus en plus reconnues (Chapitre 6).
Les données géospatiales produites à l’aide du système mondial de radiorepérage (GPS), de l’imagerie par satellite, de la télédétection et de la cartographie sont employées pour améliorer la couverture démographique et fournir des limites géographiques exactes aux recensements et aux enquêtes sur le terrain. Des organismes tels que Open Data Cube constituent des sources ouvertes et gratuites de données géospatiales qui permettent de faciliter l’utilisation et l’analyse de l’imagerie satellitaire. Il est nécessaire de combiner données géospatiales et données d’enquête ou de recensement pour produire des estimations démographiques spatialement désagrégées, lesquelles peuvent ensuite être agrégées à des fins administratives ou pour produire des données nationales. Pour ce faire, le contrôle de la qualité et la supervision aux différents niveaux des bureaux nationaux des statistiques (BNS) sont essentiels.
Utiliser des données désagrégées pour améliorer l’action publique et la planification
S’il est crucial de disposer de données désagrégées et de les exploiter pour que les politiques publiques et les investissements permettent d’honorer l’engagement de ne laisser personne de côté2 , il ressort d’une récente évaluation de la demande de telles données par des décideurs nationaux que celle-ci était faible du fait du manque de précision des caractéristiques des différents groupes de population (Serajuddin et al., Banque mondiale, 2015[12]). Les responsables de l’action publique peuvent tirer le meilleur parti de la révolution des données en améliorant la planification des données et en établissant des liens entre l’utilisation de données pour concevoir les politiques publiques et leur utilisation pour mieux cibler les politiques.
Amélioration de la planification et de la production de données désagrégées
Il est indispensable de disposer d’outils innovants qui fassent le lien entre les données désagrégées disponibles et la formulation des politiques publiques. L’objectif de promouvoir des données plus granulaires nécessite que les cadres nationaux d’action publique, et en particulier les plans de développement nationaux, intègrent, systématiquement, la nécessité de produire des données désagrégées afin de mettre en œuvre politiques publiques et programmes et d’en évaluer l’efficacité. Les stratégies statistiques et de données nationales et les plans de développement nationaux sont souvent conçus séparément, malgré les interdépendances et les synergies qui les lient. L’Outil de planification avancée de données (ADAPT) de PARIS21 (2018[13]) pourrait contribuer à renforcer ces synergies (Graphique 5.2).
Graphique 5.2. Outils de planification avancées de données mettant en relation données et politiques publiques
Source: (PARIS21, 2018[13]), « Advanced Data Planning Tool (ADAPT) », www.paris21.org/node/2905.
Compatible avec les méthodologies telles que le modèle générique du processus de production statistique ou le modèle générique d’activité des organismes statistiques, cet outil évalue les lacunes en comparant l’offre de données (par exemple, inventaires de données) et la demande de données (par exemple, indicateurs demandés) à différents niveaux, notamment les secteurs et les politiques infranationales. Cet outil et d’autres outils analogues peuvent jouer un rôle crucial pour l’identification de sources de données inexploitées et pour l’intégration de données ventilées dans les cadres de suivi et d’évaluation.
De l’identification des besoins à l’élaboration de politiques meilleures
L’identification de ceux qui sont exclus de par leurs revenus ou leur situation et l’amélioration du ciblage des politiques publiques visant à les aider sont imbriquées (Graphique 5.3). Les sources de données préexistantes (par exemple, les enquêtes auprès des ménages ou les informations issues des recensements) ou les enquêtes menées sur demande, qui pourraient exclure certaines personnes, peuvent éclairer l’élaboration de l’action publique en vue de ne laisser personne de côté. En effet, les évaluations indirectes des ressources ont été massivement utilisées pour des interventions publiques destinées à bénéficier aux personnes les plus pauvres3 . Dans le même temps, l’évaluation indirecte des ressources soulève certaines difficultés d’un point de vue statistique : elle exige des capacités et de la coordination ; les groupes de population prioritaires risquent d’être exclus de l’échantillon ; la sélection des bénéficiaires sur la base d’un ensemble restreint de variables risque d’être arbitraire ; et l’on risque de passer sous silence les progrès ou la dégradation dans la situation des ménages au fil du temps4 . Pourtant, bien qu’imparfaite, la méthode est jugée efficace par comparaison à d’autres instruments permettant d’identifier les groupes démunis.
Graphique 5.3. Exemples d’instruments relatifs au données utiles pour ne laisser personne de côté
Notes: 1. Sigles : ADAPT : Advanced data planning tool (outil de planification avancée de données) ; NADA : National Data Archive ; IHSN : International Household Survey Network (Réseau international pour les enquêtes auprès des ménages) ; EPIC : Every Policy Is Connected to People, Planet and Prosperity ; CESAP : Commission économique et sociale des Nations Unies pour l’Asie et le Pacifique ; HOT : Humanitarian OpenStreetMap Team ; SIDA : Swedish International Development Cooperation Agency (Agence suédoise de coopération pour le développement international) ; IPA : Innovations for Poverty Action ; United States USAID : Agency for International Development (Agence des États-Unis pour le développement international) ; UE : Union européenne.
Source: auteurs.
L’amélioration des instruments d’identification des besoins peut venir étayer l’élaboration des politiques, alors que l’amélioration des instruments d’identification des groupes cibles peut améliorer la mise en œuvre de l’action publique. Il est nécessaire d’investir dans les deux. Un meilleur ciblage pourrait également permettre d’améliorer le suivi des politiques publiques, d’aligner les programmes de développement et d’encourager la redevabilité. Un bon système d’identification qui alimente les outils existants permet aux planificateurs de mieux comprendre les arbitrages associés à l’engagement d’atteindre en priorité ceux à qui il reste le plus de chemin à parcourir, de comprendre qui sont les exclus et les plus vulnérables, et de décider quel soutien peut être apporté au niveau de l’action publique.
Intégration de l’engagement de ne laisser personne de côté dans les plans nationaux de développement
Pour être efficace, le suivi des progrès au regard de l’engagement de ne laisser personne de côté devrait être compatible avec les outils nationaux de suivi, en particulier les plans nationaux de développement. Si son importance fait consensus au sein de la communauté internationale et de la communauté des donneurs, la concrétisation d’une désagrégation intégrale pour l’ensemble des groupes sociaux sera une tâche complexe et de longue haleine. Toutefois, une estimation de l’ampleur des références à des données désagrégées dans les plans de développement nationaux ou dans des documents nationaux sur l’action publique équivalents (Graphique 5.4) montre que ces données ne sont intégrées qu’à la marge dans les cadres stratégiques nationaux. À l’évidence, il faut commencer par intégrer systématiquement la décomposition des données dans la planification nationale.
Graphique 5.4. Distribution des scores de l’indicateur de désagrégation des données établi par PARIS21 pour les plans nationaux de développement
Notes: S’appuie sur l’indicateur de l’utilisation des statistiques dans l’élaboration des politiques publiques de PARIS21. Le graphique montre la ventilation des scores de désagrégation calculés par PARIS21. Ce score reflète une estimation de l’utilisation des termes et concepts liés à la désagrégation dans 199 plans nationaux de développement et documents sur la stratégie de réduction de la pauvreté entre 2001 et 2017.
Source: (Avendano et al., à paraître[14]), « Proposing a use of statistics indicator in national development plans ».
L’objectif de ne laisser personne de côté va de pair avec l’évaluation de l’impact redistributif des politiques publiques. Si des données plus et mieux désagrégées éclairent la mise en œuvre des plans nationaux, elles renseignent également sur l’impact des politiques publiques dans différentes dimensions. Ces dernières années, les fournisseurs de coopération pour le développement se sont attachés à analyser les effets des politiques en faveur de la réduction de la pauvreté et de l’inclusion en améliorant la conception des évaluations par pays. L’idée sous-jacente étant que les populations les plus pauvres et les plus vulnérables sont celles qui devraient bénéficier le plus de ces politiques, les diagnostics-pays aident à fixer les priorités au niveau de l’action publique et des programmes, et à examiner leur application aux différents segments de la population. De la qualité de l’emploi chez les femmes aux résultats de l’éducation pour les groupes autochtones, les données désagrégées peuvent dessiner une description plus subtile des effets parfois hétérogènes des politiques publiques.
Encadré 5.3. Diagnostics-pays systématiques : mettre en évidence les lacunes au niveau des données pour une approche multidimensionnelle de la politique publique
Déployé dans plus de 90 pays, le Diagnostic-pays systématique (SCD) de la Banque mondiale est un outil diagnostique de l’action publique destiné à cerner les principaux obstacles que rencontre un pays pour réaliser ses objectifs de développement. Le SCD met fortement l’accent sur l’évaluation de la qualité des données et la mise en évidence des déficits de données, ce qui peut être déterminant pour procéder à une évaluation multidimensionnelle et formuler les politiques publiques.
Des données désagrégées de bonne qualité sont essentielles pour les évaluations et les recommandations réalisées dans le cadre des SCD. Au Bangladesh, le SCD s’est concentré sur l’amélioration de la qualité et de la disponibilité des emplois. La décomposition des données par sexe a permis d’observer que les jeunes femmes s’orientent rapidement vers le secteur manufacturier et que l’accès des petites filles à l’éducation progresse.
S’agissant du Panama, des informations obtenues grâce à la désagrégation des données selon l’appartenance ethnique ont fait apparaître que sur 12 pays d’Amérique latine, ce sont les groupes autochtones panaméens qui enregistrent le niveau d’électrification le plus faible. Toutefois, des déficits de données importants sur la ventilation des revenus et des niveaux d’instruction empêchent de mieux appréhender ces communautés. En Uruguay, la décomposition des données par âge et par statut professionnel permet l’identification des jeunes au chômage et l’estimation des dépenses consacrées par le système de protection sociale à cette population vulnérable.
Si la désagrégation ne constitue pas le seul objectif, l’outil de diagnostic des données du SCD va dans le sens de l’objectif de ne laisser personne de côté, du fait qu’il améliore l’évaluation des données manquantes et les met en relation avec les domaines d’intervention de la Banque mondiale.
Sources: (The World Bank, 2015[15]) ;(Banque mondiale, 2015[16]) et (Banque mondiale, 2015[17])(Washington, 2015[15])
Désagrégation : la difficulté de savoir par où commencer
Les pays qui cherchent à réaliser l’objectif de ne laisser personne de côté rencontrent des problèmes pour savoir par où commencer. L’initiative P20, conçue par Development Initiatives, propose que les décideurs à tous les niveaux concentrent leur attention sur les 20 % les plus pauvres de la population et investissent dans l’amélioration des données les concernant. Ce quintile le plus pauvre comprend toutes les personnes qui vivent actuellement dans l’extrême pauvreté ou sont susceptibles d’y basculer, ainsi que celles qui, en raison de leur identité (âge, handicap, croyance, origine ethnique, orientation sexuelle) risquent le plus de subir la pauvreté ou l’exclusion. L’initiative P20 utilise trois indicateurs de tendance tirés du cadre des ODD et reposant sur le revenu, la nutrition et l’enregistrement des faits d’état civil. La situation des P20 à l’échelle mondiale (Graphique 5.5) confirme que les 20 % les plus pauvres de la population mondiale reçoivent 1 % du revenu mondial et représentent 46 % des nouveaux cas de retard de croissance et 55 % des naissances non enregistrées. La même approche peut être appliquée à l’échelle nationale ou infranationale (Chapitre 8).
Graphique 5.5. La situation des 20 % les plus pauvres de la planète : les P20
Source: (Development Initiatives, 2017[1]), P20 Initiative : Baseline report, http://devinit.org/wp-content/uploads/2017/03/P20-Initiative-baseline-report.pdf.
Porter les initiatives à plus grande échelle
Il reste beaucoup à faire pour convaincre les pouvoirs publics de l’importance d’investir dans la désagrégation des données. Et en l’absence d’éléments factuels solides montrant comment les pouvoirs publics et les partenaires au développement s’attaquent à l’objectif de ne laisser personne de côté, cet engagement risque de finir par n’être qu’un slogan ou un « hashtag ». Ainsi, sur les 42 pays qui ont soumis un examen national volontaire en 2017, seulement 14 ont indiqué disposer de données relatives à l’objectif de ne laisser personne de côté, et la majorité (11) d’entre eux a noté que des informations désagrégées supplémentaires sont nécessaires (CCCI, 2018[18]). Du point de vue des données, la prise en compte systématique de l’objectif de ne laisser personne de côté nécessite des ressources, des partenariats, un renforcement des capacités et un engagement politique.
Renforcement des capacités nationales de désagrégation des données
L’objectif de ne laisser personne de côté appelle à repenser l’éventail de compétences et de capacités nécessaires pour exploiter pleinement le potentiel du nouvel écosystème des données (OCDE, 2017[19]). Les technologies de l’information, l’émergence de nouveaux fournisseurs et utilisateurs de données, et la complexité croissante de l’écosystème des données esquissent de nouveaux moyens par lesquels les systèmes statistiques nationaux peuvent appuyer l’élaboration de l’action publique fondée sur les données. Première étape, il sera obligatoire d’améliorer les capacités techniques et organisationnelles au sein des systèmes statistiques afin d’exploiter les sources de données nouvelles et existantes aux fins de la décomposition des données. Pour ce faire, l’amélioration de la coordination entre les BSN et d’autres organismes ainsi que le secteur privé est capitale : plus de 40 % des BSN se déclarent intéressés par l’instauration de partenariats pour exploiter des données géospatiales, mais ne disposent pas de connaissances suffisantes pour ce faire (PARIS21, 2018[20]).
Il importera de renforcer les capacités des BSN en matière de supervision et de contrôle de la qualité, notamment pour la ventilation géographique des données. Les systèmes statistiques nationaux auront aussi pour défi d’étudier des mécanismes de financement nouveaux et innovants qui leur permettront de mener à bien le programme d’action pour la désagrégation des données, sollicitant un nouvel éventail d’acteurs. À terme, d’autres compétences, en particulier l’expertise juridique et la communication, seront essentielles pour intégrer systématiquement les résultats de l’amélioration des cartes de désagrégation des données.
Les principes pour des partenariats pour les données nouveaux et variés
Étant donné que les écosystèmes de données des producteurs et des utilisateurs gagnent en complexité et associent une pluralité d’acteurs et de sources de données, la vision et les principes de la Charte des données inclusives guident les partenariats ciblant l’obtention de données d’une granularité plus fine concernant la population. Si des problèmes techniques et méthodologiques entravent l’amélioration de la décomposition des données, plusieurs des freins les plus importants sont politiques. Les membres fondateurs de la Charte ont établi un plan d’action détaillé pour le mettre en œuvre (Encadré 5.4).
Encadré 5.4. Les principes de la Charte des données inclusives
Principe 1 : Toutes les populations doivent être incluses dans les données.
Principe 2 : Toutes les données doivent, dans la mesure du possible, être ventilées afin de décrire avec précision toutes les populations.
Principe 3 : Les données doivent provenir de toutes les sources disponibles.
Principe 4 : Les responsables de la collecte des données et de la production de statistiques doivent être redevables.
Principe 5 : La capacité humaine et technique à recueillir, analyser et utiliser des données ventilées doit être renforcée, y compris par un financement adéquat et durable.
Source: (GPSDD, 2018[21]), Inclusive Data Charter, www.data4sdgs.org/sites/default/files/2018-10/IDC_Vision%20and%20Principles_FR.pdf.
Évaluer et gérer les arbitrages liés aux coûts, à la couverture et à la protection de la vie privée
Des études récentes se sont attachées à chiffrer le coût de production de données pour les ODD, plutôt que de s’intéresser aux coûts spécifiques des données nécessaires pour ne laisser personne de côté. D’après les estimations, le déficit annuel de financement pour le suivi des ODD s’établit à 200 millions USD par an (GPSDD et al., 2016[11]) et (OCDE, 2017[19]). En 2016, les engagements d’aide à l’appui de la statistique ont atteint 623 millions USD, soit une hausse de 6 % par rapport à la précédente moyenne sur deux ans (PARIS21, 2018[22]). Cependant, les estimations actuelles reposent largement sur l’extrapolation à partir des méthodologies existantes de mesure des avancées au regard des ODD, de nombreux indicateurs s’appuyant sur les données relatives à la prévalence. Pour ne laisser personne de côté, il faut une nouvelle approche de l’évaluation des coûts, dans laquelle l’accent est placé sur le décompte des individus et sur la collecte de données suffisamment désagrégées pour permettre de cerner les groupes et les personnes qui sont marginalisés. À l’heure actuelle, il n’existe aucune estimation de ces coûts, et il est vraisemblable que les coûts liés à la désagrégation des données seront plus élevés que ce que n’indiquent les estimations actuelles.
En particulier, lorsque l’on produit des données désagrégées, il est essentiel de les rendre anonymes et d’en garantir la couverture, ce qui peut se révéler onéreux. Si les technologies numériques peuvent constituer un moyen efficace de collecter certaines formes de données désagrégées, la nécessité d’anonymiser ces données avant de les publier peut générer des coûts non négligeables (Johnson et al., 2017[23]). Dans le cas des données géospatiales, pour établir des cartes tirées de l’imagerie satellitaire, il est indispensable de disposer d’une infrastructure pour les données spatiales, qui demeure trop coûteuse pour de nombreux pays en développement.
En outre, des risques existent et des arbitrages devront être opérés entre une décomposition plus poussée des données et la protection de la vie privée à l’heure où les données massives, l’intelligence artificielle et les algorithmes sont de plus en plus utilisés au service de l’élaboration des politiques publiques ou pour le marketing dans le secteur privé (Rieland, 2018[24]). Si la ventilation des données en fonction de l’origine ethnique, de la situation maritale et de l’emplacement géographique peut constituer une composante essentielle de la mission du bureau statistique national, les cadres législatifs et réglementaires ainsi que les systèmes de stockage et d’anonymisation des données doivent protéger les droits des citoyens à la vie privée et garantir que les données ventilées ne sont pas utilisées à des fins discriminatoires.
Conclusion
Dans le cadre des efforts pour ne laisser personne de côté et concrétiser le Programme 2030, la communauté de la statistique et des données devrait relever de toute urgence deux grands défis : comptabiliser chaque individu, et produire des données qui ne se cantonnent pas aux moyennes nationales et rendent compte des conditions de vie des individus de sorte que les politiques de développement puissent agir sur les causes multidimensionnelles de la pauvreté et de la vulnérabilité.
Pour l’avenir, la communauté de la statistique, les pouvoirs publics et les partenaires au développement devraient se focaliser sur les points suivants :
Développer l’utilisation des sources de données inexploitées (ex. : les données administratives) et associer de nouveaux acteurs (ex. : les citoyens, qui peuvent générer des données, ou les fournisseurs de données géospatiales), afin de donner une image plus précise de qui est exclu.
Intégrer les principes qui sous-tendent l’engagement de ne laisser personne de côté dans les instruments utilisés pour définir et mettre en œuvre les politiques nationales de développement.
Renforcer les systèmes statistiques nationaux à travers une approche nouvelle et holistique du développement des capacités (PARIS21, 2018[25]). Les systèmes statistiques nationaux requièrent des ensembles complets de compétences individuelles et de pratiques organisationnelles, reconnaissant que les compétences de leadership, de gestion et de communication sont efficaces pour renforcer les systèmes de données et relever les défis qui se présentent à eux.
Adapter les cadres de résultats nationaux sur les ODD à l’engagement de ne laisser personne de côté, les fournisseurs de coopération pour le développement s’alignant sur ces cadres de résultats.
Renforcer la coordination mondiale, multiplier les investissements et améliorer la compréhension de ce qui est nécessaire pour répondre à la demande de données désagrégées5 . Les lignes directrices sur la désagrégation des données qui devraient être diffusées lors de la 50e session de la Commission de statistique de l’ONU en mars 2019 devraient constituer une référence utile et fournir une base à partir de laquelle mobiliser les financements nécessaires pour avoir et utiliser les données adéquates concernant les individus et leurs besoins, et opérer un suivi des progrès au bénéfice de ceux à qui il reste le plus de chemin à parcourir.
Références
[14] Avendano et al. (à paraître), Proposing a use of statistics indicator in national development plans, PARIS21, http://paris21.org/sites/default/files/inline-files/Proposing%20a%20Use%20of%20Statistics%20indicator%20for%20National%20Development%20Plans%20PARIS21%20draft.pdf.
[5] Banque asiatique de développement (2018), Measuring asset ownership and entrepreneurship from a gender perspective: methodology and results of pilot surveys in Georgia, Mongolia and the Philippines, BAD, http://dx.doi.org/10.22617/TCS189212-2.
[16] Banque mondiale (2015), Bangledesh: More and better jobs to accelerate shared growth and end extreme poverty, Banque mondiale, http://openknowledge.worldbank.org/handle/10986/23101.
[17] Banque mondiale (2015), Uruguay: Systematic Country Diagnostic, Banque mondiale, http://dx.doi.org/Licence : CC BY 3.0 IGO.
[26] BIT et Development Pathways (2017), Exclusion by design: An assessment of the effectiveness of the proxy means test poverty targeting mechanism, Bureau international du Travail et Development Pathways, https://www.social-protection.org/gimi/gess/RessourcePDF.action?ressource.ressourceId=54248.
[18] CCCI (2018), Progressing National SDGs Implementation: An Independent Assessment of the Voluntary National Review Reports Submitted to the United Nations High-Level Political Forum on Sustainable Development in 2017, https://ccic.ca/wp-content/uploads/2018/06/ES-Eng.pdf.
[10] CIVICUS (2017), The data shift, Civicus, http://civicus.org/thedatashift/.
[4] DAES (2018), Rapport sur les objectifs de développement durable 2018, DAES, https://unstats.un.org/sdgs/files/report/2018/TheSustainableDevelopmentGoalsReport2018-FR.pdf.
[6] DAES (2017), Data Disaggregation and the SDGs: An Overview, DAES, http://ggim.un.org/meetings/2017-4th_Mtg_IAEG-SDG-NY/documents/Session_3_Benjamin_Rae.pdf.
[3] Developement Initiatives et Open Institute (2016), Using community-generated data to deliver and track the Sustainable Development Goals at the local level: A case study from Lanet Umoja, Kenya Case Studies, Development Initiatives, http://devinit.org/wp-content/uploads/2016/10/Using-community-generated-data-to-deliver-and-track-the-Sustainable-Development-Goals-at-the-local-level_DI_Case-study.pdf.
[1] Development Initiatives (2017), P20 Initiative: Baseline report, Development Initiatives, http://devinit.org/wp-content/uploads/2017/03/P20-Initiative-baseline-report.pdf.
[9] DFID (2015), DFID’s guide to disaggregating programme data by disability, DFID, https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/530605/DFID_s_guide_to_disaggregating_programme_data_by_disability.pdf.
[2] Gazola-Hellmann, A. (2015), How does Bolsa Familia work? Best practices in the implementation of conditional cash transfer programs in Latin America and the Caribbean, Banque interaméricaine de développement, Washington, D.C, https://publications.iadb.org/bitstream/handle/11319/7210/How_does_Bolsa_Familia_Work.pdf?sequence=5&isAllowed=y.
[21] GPSDD (2018), Inclusive Data Charter, GPSDD, http://www.data4sdgs.org/sites/default/files/2018-08/IDC_onepager_Final.pdf.
[11] GPSDD et al. (2016), Open mapping for the SDGs: A practical guide to launching and growing open mapping initiatives at the national and local levels, GPSDD, http://www.data4sdgs.org/resources/open-mapping-sdgs.
[23] Johnson et al. (2017), « The cost(s) of geospatial open data », Transactions in GIS, vol. Vol. 21/3, pp. pp. 434-445, https://doi.org/10.1111/tgis.12283.
[19] OCDE (2017), Coopération pour le développement 2017 : Données et développement, Éditions OCDE, Paris, https://doi.org/10.1787/dcr-2017-fr.
[7] ONU-Femmes (2016), Making every woman and girl count: supporting the monitoring and implementation of the SDGs through better production and use of gender statistics, ONU-Femmes, https://kampania17celow.pl/wp-content/uploads/2017/07/making-every-woman-and-girl-count.pdf.
[13] PARIS21 (2018), Advanced Data Planning Tool (ADAPT), PARIS21, http://www.paris21.org/node/2905.
[25] PARIS21 (2018), Capacity Development 4.0 (CD4.0), PARIS21, Paris, http://www.paris21.org/capacity-development-40.
[20] PARIS21 (2018), Draft report on responses to the joint survey on new approaches to capacity development and future priorities, PARIS21, http://www.paris21.org/results-cd40-task-team.
[22] PARIS21 (2018), Partner Report of Support to Statistics 2018, PARIS21, http://www.paris21.org/press2018.
[8] Ploug, N. (2016), Improving data disaggregation by a wider use of administrative registers in data production, Danemarks Statistik, https://unstats.un.org/sdgs/meetings/egm-data-dissaggregation.
[24] Rieland (2018), Artificial intelligence is now used to predict crime. But is it biased?, Smithsonian.com, http://www.smithsonianmag.com/innovation/artificial-intelligence-is-now-used-predict-crime-is-it-biased-180968337.
[12] Serajuddin et al., Banque mondiale (2015), « Data deprivation: Another deprivation to end », Policy research working papers, no. 7252, Banque mondiale, Washington, DC, http://openknowledge.worldbank.org/handle/10986/21867.
[15] Washington, D. (dir. pub.) (2015), Panama: Locking in success, World Bank, http://openknowledge.worldbank.org/handle/10986/22035.
Notes
← 1. The Institute of Human Virology, voir : www.ihv.org/news/2018/Institute-of-Human-Virology-IHV-Will-Undertake-Largest-HIV-Survey-Ever-Conducted-in-a-Single-Country.html.
← 2. Le Groupe d’experts des Nations Unies et de l’extérieur chargé des indicateurs relatifs aux Objectifs de développement durable intensifie ses activités visant un cadre plus commun et une opérationnalisation de la désagrégation des données. Ce Groupe d’experts définit la désagrégation comme la décomposition des observations relevant d’une branche commune au sein d’une hiérarchie à un niveau plus détaillé que celui auquel les observations ont été faites.
← 3. Cette méthode permet d’obtenir une estimation fiable du revenu sur la base des caractéristiques des ménages à partir de différentes variables, telles que le « type de murs du logement » ou la « possession de bétail », permettant d’estimer la richesse du ménage. Afin de confirmer l’exactitude de ces mesures indirectes, des modèles de régression multiple sont utilisés afin d’évaluer la relation entre les variables et le niveau de prospérité du ménage, tous deux tirés des enquêtes auprès des ménages.
← 4. En Indonésie, en 2017, l’enquête par évaluation indirecte des ressources n’avait pas été reproduite depuis quatre ans, alors qu’au Mexique, elle n’avait pas été reproduite depuis plus de dix ans (BIT et Development Pathways, 2017[26]).
← 5. Dans le cadre de son axe de travail portant sur la désagrégation des données, le Groupe d’experts des Nations Unies et de l’extérieur chargé des indicateurs relatifs aux Objectifs de développement durable se rapproche des instances dépositaires pour définir des mécanismes de collaboration.