Chapitre 2. Évaluation des besoins (Module 1)
Ce chapitre décrit le module destiné à l’évaluation des risques et vulnérabilités auxquels sont exposés les individus au cours de leur existence. Il présente différents indicateurs objectifs et subjectifs de vulnérabilité, et leurs sources potentielles de données, susceptibles d’être utilisés pour l’analyse des besoins actuels et à venir en matière de protection sociale. La méthodologie adopte une approche axée sur le cycle de vie, reconnaissant ainsi les liens entre les différentes étapes de l’existence et la nécessité de pallier les lacunes de couverture de protection de base. Ce module inclut une analyse multidimensionnelle et dynamique de la pauvreté, ainsi qu’une analyse de classes latentes recensant les profils de pauvreté et de vulnérabilité.
Dimensions analytiques
Le Module 1 d’un Examen des systèmes de protection sociale (ESPS) se concentre sur les besoins actuels et à venir d’un pays en matière de protection sociale. Il identifie et analyse les risques et vulnérabilités auxquels sont exposés les individus à différentes étapes de leur existence, et évalue les modalités de leur évolution dans le temps. Il met en outre au jour les risques et vulnérabilités plus globaux rencontrés par certains groupes ou régions, ou encore par le pays dans son ensemble. Ce processus est essentiel pour aider les décideurs politiques à concevoir les mesures d’intervention adéquates, à identifier les synergies entre les instruments, à réaliser des progrès durables dans la lutte contre la pauvreté et à protéger les individus contre les différents risques (OCDE, 2007[1]).
Les risques individuels sont analysés dans le cadre d’une approche axée sur le cycle de vie. Les risques et vulnérabilités rencontrés au cours du cycle de vie peuvent être liés. Nombre de difficultés gérées à terme par la protection sociale trouvent par exemple leur origine dans l’enfance, soulignant ainsi la nécessité de prendre en compte toutes les étapes de l’existence dans le développement des systèmes de protection sociale (Bonilla García et Gruat, 2003[2]; Cain, 2009[3]). Un individu est dit « vulnérable » lorsqu’il est fortement exposé à certains risques et n’est pas en capacité de s’en protéger lui-même ou de faire face à leurs conséquences. Les risques peuvent aussi surgir à l’occasion de chocs covariables affectant simultanément d’importants groupes d’individus, comme les catastrophes naturelles, les épidémies, les crises politiques ou l’instabilité économique (Bonilla García et Gruat, 2003[3]). Au sein même des pays, certaines régions sont plus développées que d’autres, ce qui se traduit par des disparités considérables sur le plan de la pauvreté monétaire et une plus forte incidence de la précarité. Il est donc essentiel de comprendre le contexte macro-budgétaire et socio-économique du dispositif de protection sociale d’un pays.
La viabilité et la bonne conception des mesures de protection sociale nécessitent également une analyse prospective permettant d’identifier les futurs risques et vulnérabilités. Ce faisant, les décideurs politiques peuvent intégrer dans leur planification à long terme les principaux facteurs susceptibles de modifier à l’avenir la demande de protection sociale, comme l’évolution démographique, l’urbanisation, les migrations et le changement climatique (Devereux, Roelen et Ulrichs, 2016[4]).
Indicateurs et sources de données
Le Module 1 propose un diagnostic des risques et vulnérabilités multidimensionnels afin d’identifier les profils de pauvreté et de vulnérabilité. Il s’agit d’utiliser, chaque fois que possible, des indicateurs harmonisés et comparables afin de permettre la réalisation d’analyses comparatives entre les pays. Ces profils incluent les risques nouveaux ou émergents, comme l’évolution démographique ou le changement climatique. Le Tableau 2.1 propose une synthèse des principaux indicateurs de ce module.
Ainsi, outre les indicateurs objectifs de vulnérabilité, des indicateurs subjectifs, tels que les auto-évaluations de la satisfaction à l’égard de la vie, peuvent aussi être inclus dans l’analyse, sur la base des données du Gallup World Poll ou, chaque fois que possible, d’enquêtes auprès des ménages représentatives au niveau national. Ces indicateurs subjectifs peuvent inclure d’autres indicateurs, comme les auto-évaluations de la situation économique ou du niveau de vie, ou encore les avis sur l’offre de prestations sociales.
Méthodologie
Mesures de la pauvreté
L’analyse des vulnérabilités menée dans le cadre du Module 1 vise à dresser un tableau plus complet de la pauvreté que ne sauraient le faire des indicateurs globaux tels que le taux de pauvreté. Pour ce faire, il existe deux possibilités : l’analyse de sensibilité de la pauvreté monétaire ; et l’inclusion d’indicateurs de la pauvreté multidimensionnelle.
L’analyse de sensibilité permet de mieux appréhender la proportion de ménages ou d’individus exposés au risque de pauvreté en identifiant différentes catégories de pauvreté, à savoir l’extrême pauvreté (ou la pauvreté alimentaire), la pauvreté et la vulnérabilité. Les ménages dont les revenus (ou la consommation) sont inférieurs à 1.5 fois le seuil de pauvreté sont généralement considérés comme vulnérables, même si ce seuil peut être ajusté pour produire différentes estimations. Le Graphique 2.1 met au jour des niveaux élevés de vulnérabilité au Cambodge, à 1.5 et 2 fois le seuil de pauvreté, et ce malgré une baisse du nombre de pauvres.
KHR = riel cambodgien.
Sources : OCDE (2017[5]), Social Protection System Review of Cambodia, https://doi.org/10.1787/9789264282285-en, sur la base des données de INS (2004[6]; 2009[7]; 2014[8]), Enquêtes socio-économiques du Cambodge de 2004, 2009 et 2014, https://www.nis.gov.kh (consulté en septembre 2018).
L’Indonésie affiche aussi un niveau constant de vulnérabilité ces dernières années (Graphique 2.2).
Sources : (OCDE, 2019[8]), sur la base des données de Statistique Indonésie (2016[10]), Survei Sosial Ekonomi Nasional 2016 Maret (KOR), https://microdata.bps.go.id/mikrodata/index.php/catalog/769 (consulté le 22 juin 2018).
Les indicateurs de la pauvreté multidimensionnelle sont utiles, car ils permettent de mieux comprendre les vulnérabilités au-delà de la simple pauvreté monétaire. Les indicateurs de la pauvreté non monétaire peuvent se fonder sur des indicateurs distincts de privations, créés à partir des enquêtes auprès des ménages ou des statistiques officielles (Graphique 2.3). Plusieurs organisations proposent sinon des indicateurs de la pauvreté multidimensionnelle (Tableau 2.1), comme des indices composites tenant compte de la santé, de l’éducation et du niveau de vie, qui peuvent servir pour la comparaison des indicateurs de la pauvreté monétaire et non monétaire, par exemple à l’aide de heat maps (Graphique 2.4).
Sources : OCDE (2017[5]), Social Protection System Review of Cambodia, https://doi.org/10.1787/9789264282285-en, sur la base des calculs des auteurs, à partir des données de INS, ministère de la Santé et ICF International (2015[11]), Enquête sur la démographie et la santé au Cambodge 2014, dhsprogram.com/publications/publication-fr312-dhs-final-reports.cfm ; INS, ministère de la Santé et ICF Macro (2011[12]), Enquête sur la démographie et la santé au Cambodge 2010, dhsprogram.com/publications/publication-FR249-DHS-Final-Reports.cfm ; et NIPH, INS et Opinion Research Company Macro (2006[13]), Enquête sur la démographie et la santé au Cambodge 2005, dhsprogram.com/publications/publication-FR185-DHS-Final-Reports.cfm.
Sources : OCDE (2017[5]), Social Protection System Review of Cambodia, https://doi.org/10.1787/9789264282285-en, sur la base des calculs des auteurs, à partir des données de INS, ministère de la Santé et ICF International (2015[11]), Enquête sur la démographie et la santé au Cambodge 2014, https://dhsprogram.com/pubs/pdf/fr312/fr312.pdf; et OPHI (2016[14]), Multidimensional Poverty Index (MPI): Cambodia 2016, https://ophi.org.uk/multidimensional-poverty-index.
Risques au cours du cycle de vie
L’ESPS adopte une approche de l’évaluation des vulnérabilités axée sur le cycle de vie : il identifie les vulnérabilités au sein de la population tout au long du cycle de vie et évalue l’adéquation des réponses que le système y apporte. Ceci implique d’évaluer les risques relatifs à la protection de base rencontrés à différentes étapes de l’existence (Graphique 2.5). Cette approche axée sur le cycle de vie est essentielle pour garantir la complémentarité des différents programmes au sein d’un système de protection sociale, ce qui renforce ainsi son efficacité en réduisant les lacunes de couverture, et fait à terme reculer la pauvreté. Cette approche reconnaît en outre les liens entre les différentes étapes de l’existence, en soulignant par exemple l’importance d’une alimentation adéquate des nourrissons et des enfants afin de leur garantir une bonne croissance et une vie en bonne santé. Les effets de la sous-alimentation peuvent se faire sentir sur plusieurs générations, l’alimentation de la mère ayant une incidence sur la santé de ses enfants (The Lancet, 2014[15]).
Analyses dynamiques de la pauvreté
Caractéristique clé du Module 1, l’analyse dynamique de la pauvreté permet de mieux comprendre les tendances en matière de vulnérabilité, au-delà d’une appréhension purement statique de ses différentes dimensions. Ce type d’analyse peut se réaliser à partir de séries chronologiques de statistiques, de données longitudinales d’enquêtes auprès des ménages ou d’enquêtes transversales régulières auprès des ménages. Il est par exemple utile de visualiser l’évolution de la pauvreté pour en comprendre les tendances. L’examen des indicateurs de pauvreté à l’échelle nationale au Kirghizistan montre par exemple que le recul de la pauvreté a marqué le pas après 2008, avant de reprendre en 2016 (Graphique 2.6).
Source : OCDE (2018[16]), Social Protection System Review of Kyrgyzstan, https://doi.org/10.1787/9789264302273-en, sur la base des données de CNS (2017[17]), « Taux de pauvreté », stat.kg/en/statistics/uroven-zhizni-naseleniya (consulté en janvier 2018).
Les données longitudinales des enquêtes auprès des ménages permettent de réaliser un éventail plus large d’analyses, notamment des évolutions au sein de la population. La meilleure compréhension des flux d’entrées et de sorties de la pauvreté ou de l’informalité peut s’avérer particulièrement utile pour mesurer les vulnérabilités échappant aux statistiques globales, comme le risque de basculer (encore davantage) dans la pauvreté et la fréquence globale de ces transitions.
Le Graphique 2.7 illustre ce type de transitions et de mobilité entre les différents groupes, sur la base de données recueillies auprès des ménages au Kirghizistan. Le diagramme de Sankey indique davantage de mobilité entre les groupes de revenu sur la période 2010-15 que sur celle de 2004-10, même si le taux de pauvreté n’a pas autant évolué durant cette dernière période.
Source : OCDE (2018[16]), Social Protection System Review of Kyrgyzstan, https://doi.org/10.1787/9789264302273-en, sur la base des données de CNS (2004[18]; 2014[19]; 2015[20]), Enquêtes kirghizes intégrées auprès des ménages 2004, 2010 et 2015, http://stat.kg/en (consulté en juin 2017).
Au niveau macro-économique, ce module inclut une analyse des inégalités de revenu et de l’inclusivité de la croissance, sur la base de l’indice de Gini, ainsi que de la répartition du revenu et des courbes d’incidence de la croissance. Il analyse en outre le contexte économique actuel et les perspectives de croissance économique, sur la base des contributions sectorielles à la production et à l’emploi, et inclut des analyses de secteurs spécifiques, comme la santé ou l’éducation, reflétant l’importance de la protection sociale dans l’amélioration des résultats. Les enquêtes auprès des ménages constituent néanmoins la pierre angulaire de l’analyse des risques axée sur le cycle de vie, s’avérant d’une aide particulièrement précieuse lorsque l’on dispose de longues séries chronologiques.
Profils de vulnérabilité
L’ESPS utilise également l’analyse de classes latentes (ACL) afin d’aider les décideurs politiques à mieux comprendre les causes de la pauvreté et de la vulnérabilité. L’ACL peut servir à opérer une classification des ménages pauvres et vulnérables en groupes sur la base de caractéristiques prédéfinies (Encadré 2.1), et permettre ainsi aux acteurs en charge de la planification de la protection sociale d’améliorer la conception ou le ciblage des prestations.
L’objectif principal de l’ACL consiste à identifier un principe organisateur au sein d’un ensemble complexe de variables. Ce modèle utilise « des variables catégorielles observées, représentant des caractéristiques, comportements, symptômes ou tout autre élément semblable, comme base de classification des individus au sein d’au moins deux sous-groupes homogènes significatifs » (Collins et Lanza, 2010[21]). L’ACL permet la caractérisation d’une variable catégorielle latente (non observée), à partir d’une analyse des relations entre plusieurs variables observées (indicateurs), à l’aide d’une estimation par la méthode du maximum de vraisemblance. La méthode de l’ACL inclut aussi des co-variables, c’est-à-dire « des variables susceptibles d’être utilisées pour décrire ou prédire (plutôt que définir ou mesurer) les classes latentes, et réduire ainsi les erreurs de classifications » (Vermunt et Magidson, 2005[22]).
L’ACL attribue un score aux individus en fonction de leur probabilité d’appartenir à chacune des classes latentes calculées, puis les affecte à la classe à laquelle ils ont la plus forte probabilité d’appartenir a posteriori (affectation modale), compte tenu de leurs caractéristiques observées.
Les statistiques, comme le critère d’information bayésien, servent à identifier le nombre le plus opportun de classes, c’est-à-dire le modèle ayant, en moyenne, la plus forte probabilité de prédire l’appartenance à une classe de tous les individus de l’échantillon à l’étude. Une hypothèse fondamentale sous-tendant l’ACL est celle de l’indépendance locale, qui implique que chacune des variables indicatrices choisies est liée aux autres uniquement par l’appartenance à une classe latente, et une erreur aléatoire. Des techniques de calcul avancées permettent la détection, et en partie le contrôle, de la corrélation entre les résidus des indicateurs sélectionnés, permettant ainsi l’utilisation des informations disponibles pour la construction de catégories.
Source : Sundaram et al. (2014[23]), Portraits of Labor Market Exclusion, https://openknowledge.worldbank.org/handle/10986/29618.
L’application de l’ACL peut se faire pour une année donnée ou sur une période plus longue pour mettre en évidence l’évolution des caractéristiques de la pauvreté, comme on l’a fait pour le Cambodge (Graphique 2.8). La diminution de la taille des trois grands carrés de 2004, 2009 et 2014 indique le recul de la pauvreté globale, tandis que les plus petits carrés mettent au jour l’incidence de la pauvreté dans différents groupes au cours de cette période.
Tiré de l’ESPS du Cambodge (OCDE, 2017[5]), le Graphique 2.8 dresse un profil de vulnérabilité de ce pays pour l’année 2014 ; il en ressort que les jeunes et les personnes âgées ont été exposés à des risques élevés par rapport au reste de la population. Ces risques peuvent résulter de caractéristiques individuelles, telles que : le sexe ou l’appartenance ethnique ; le lieu de résidence ; un changement de situation matrimoniale ou de composition du ménage (par exemple, divorce, veuvage) ; la situation au regard de l’emploi (par exemple, perte d’emploi, de revenu) ; ou la santé (par exemple, maladie, naissance, absence d’accès aux services ou à la protection financière contre les risques).
Sources : Calculs des auteurs, sur la base des données de INS (2004[6]; 2009[7]; 2014[8]), Enquêtes socio-économiques du Cambodge 2004, 2009 et 2014, https://www.nis.gov.kh (consulté en septembre 2018).
Références
Bonilla García, A. et J. Gruat (2003), Social Protection: A Life Cycle Continuum Investment for Social Justice, Poverty Reduction and Sustainable Development, Organisation internationale du travail, Genève, https://www.ilo.org/public/english/protection/download/lifecycl/ lifecycle.pdf (consulté le 17 septembre 2018). [2]
Cain, E. (2009), « Social Protection and Vulnerability, Risk and Exclusion Across the Life-Cycle », HelpAge International, Londres, http://www.oecd.org/development/povertyreduction/43280790.pdf (consulté le 17 septembre 2018). [3]
Collins, L. et S. Lanza (2010), Latent Class and Latent Transition Analysis: With Applications in the Social Behavioral, and Health Sciences, Wiley, https://www.wiley.com/en-fr/Latent+Class+and+Latent+Transition+Analysis:+With+Applications+in+the+Social,+Behavioral,+and+Health+Sciences-p-9780470228395 (consulté le 18 septembre 2018). [21]
Devereux, S., K. Roelen et M. Ulrichs (2015), « Where next for social protection? », Policy Anticipation, Response and Evaluation, n° 124, Institute of Development Studies (IDS), Brighton, https://opendocs.ids.ac.uk/opendocs/ds2/stream/?#/documents/25296/page/1 (consulté le 17 septembre 2018). [4]
Institut national de statistique, ministère de la Santé du Cambodge et ICF International (2015), Enquête sur la démographie et la santé au Cambodge 2014, USAID, Phnom Penh, https://dhsprogram.com/publications/publication-fr312-dhs-final-reports.cfm (consulté le 18 septembre 2018). [11]
NIPH, INS et ORC Macro (2006), Enquête sur la démographie et la santé au Cambodge 2005, USAID, Phnom Penh, https://dhsprogram.com/publications/publication-FR185-DHS-Final-Reports.cfm (consulté le 18 septembre 2018). [13]
INS (2014), Enquête socio-économique du Cambodge 2014, Institut national de statistique, Gouvernement royal du Cambodge, https://www.nis.gov.kh/index.php/en/14-cses/12-cambodia-socio-economic-survey-reports (consulté le 18 septembre 2018). [8]
INS (2009), Enquête socio-économique du Cambodge 2009, Institut national de statistique, Gouvernement royal du Cambodge, https://www.nis.gov.kh/index.php/en/14-cses/12-cambodia-socio-economic-survey-reports (consulté le 18 septembre 2018). [7]
INS (2004), Enquête socio-économique du Cambodge 2004, Institut national de statistique, Gouvernement royal du Cambodge, https://www.nis.gov.kh/index.php/en/14-cses/12-cambodia-socio-economic-survey-reports (consulté le 18 septembre 2018). [6]
INS, ministère de la Santé du Cambodge et ICF Macro (2011), Enquête sur la démographie et la santé au Cambodge 2010, USAID, Phnom Penh, https://dhsprogram.com/publications/publication-FR249-DHS-Final-Reports.cfm (consulté le 18 septembre 2018). [12]
CNS (2017), Taux de pauvreté, Comité national de statistique de la République kirghize, Bichkek, http://stat.kg/en/statistics/uroven-zhizni-naseleniya. [17]
CNS (2015), Enquête kirghize intégrée auprès des ménages, Comité national de statistique de la République kirghize, Bichkek, https://www.nis.gov.kh (consulté le 1er juin 2017). [20]
CNS (2014), Enquête kirghize intégrée auprès des ménages, Comité national de statistique de la République kirghize, Bichkek, https://www.nis.gov.kh (consulté le 1er juin 2017). [19]
CNS (2004), Enquête kirghize intégrée auprès des ménages, Comité national de statistique de la République kirghize, Bichkek, https://www.nis.gov.kh (consulté le 1er juin 2017). [18]
OCDE (2019), Social Protection System Review of Indonesia, OECD Development Pathways, Éditions OCDE, Paris, https://doi.org/10.1787/788e9d71-en. [9]
OCDE (2018), Social Protection System Review of Kyrgyzstan, OECD Development Pathways, Paris, https://doi.org/10.1787/9789264302273-en. [16]
OCDE (2017), Social Protection System Review of Cambodia, OECD Development Pathways, Éditions OCDE, Paris, https://doi.org/10.1787/9789264282285-en. [5]
OCDE (2007), Vers une croissance pro-pauvres, Éditions OCDE, Paris, https://doi.org/10.1787/9789264024809-fr. [1]
OPHI (2016), Multidimensional Poverty Index (MPI): Cambodia 2016, Oxford Poverty and Human Development Initiative (OPHI), Oxford. [14]
Statistique Indonésie (2016), Survei Sosial Ekonomi Nasional 2016 Maret (KOR), https://microdata.bps.go.id/mikrodata/index.php/catalog/769 (consulté le 22 juin 2018). [10]
Sundaram, R. et al. (2014), Portraits of Labor Market Exclusion, Banque mondiale, Washington, DC, https://openknowledge.worldbank.org/handle/10986/29618 (consulté le 14 novembre 2018). [23]
The Lancet (2014), « Executive summary », The Lancet series on Maternal and Child Undernutrition, The Lancet, http://www.who.int/nutrition/publications/lancetseries_maternal_and_childundernutrition/en/ (consulté le 17 septembre 2018). [15]
Vermunt, J. et J. Magidson (2005), « Factor analysis with categorical indicators », in van der Ark, A., M. Croon et K. Sijtsma (éd.), New Developments in Categorical data Analysis for the Social and Behavioral Sciences, Erlbaum, Mahwah, https://pure.uvt.nl/portal/en/publications/factor-analysis-with-categorical-indicators(34883493-72df-419a-86e5-c771b0809461).html (consulté le 18 septembre 2018). [22]