Actualisation de l’indice des prix à la consommation (IPC) pour l’année 2020

Prix à la consommation
Actualisation de l’indice des prix à la consommation (IPC) pour l’année 2020

L'indice des prix à la consommation (IPC) ayant pour année de référence 2013 = 100, qui est entré en vigueur en janvier 2014, est un indice en chaîne qui est actualisé annuellement en janvier. Grâce à ces actualisations annuelles, l'indice reste représentatif au fil du temps et l'inflation mesurée n'est pas biaisée à mesure que l'indice vieillit. Et ce contrairement à un indice à base fixe, qui vieillit avec le temps, ce qui rend peut-être la mesure de l'inflation moins précise au fil du temps.

La représentativité et la qualité de l’indice est garantie au fil du temps, notamment par le biais d'une actualisation du panier de produits, un ajustement des méthodes de calcul, l'intégration de nouvelles sources de prix et la représentativité de l'échantillon de magasins.

Il s'agit de la sixième actualisation consécutive. Voici un bref aperçu des principales modifications. La Commission de l’indice a remis un avis positif unanime à la ministre de l’Économie. La ministre suit cet avis et les adaptations seront donc appliquées par Statbel dans l’indice des prix à la consommation de janvier 2020.

Modifications méthodologiques

Une nouvelle méthode de collecte et de traitement des données est d’application à partir de 2020 pour les loyers privés. De plus, le calcul de l’indice est affiné pour les produits qui sont suivis au moyen de scanner data et du webscraping.

Modifications méthodologiques pour les loyers privés

Avec un poids de 7,3%, les loyers représentent un poste important dans le panier de l’indice. La méthode de collecte de données et de calcul de l’indice pour les loyers privés a été modifiée en profondeur. Auparavant, on utilisait un échantillon d’environ 2.000 logements en location. Les adresses étaient tirées de la base de données des contrats de location enregistrés de l’AGPD (Administration générale de la Documentation patrimoniale) du SPF Finances. Les locataires étaient interrogés annuellement aux alentours de la date anniversaire de leur contrat et un indice était calculé mensuellement sur la base de ces informations.

Cette méthode présentait toutefois des inconvénients, comme un taux de réponse faible, des logements qui ne peuvent plus être suivis parce que le locataire actuel quitte le logement et que le nouveau locataire ne collabore pas ou qu’un nouveau locataire ne s’installe pas rapidement.

A partir de 2020, une nouvelle méthode de collecte de données et de calcul de l’indice, qui offre une solution à ces lacunes, est appliquée. Au lieu de mesurer l’évolution des loyers sur la base d’un échantillon limité, on utilisera la base de données complète de l’AGPD qui remonte jusqu’en 2011. Chaque année, plus de 200.000 nouveaux contrats de location sont enregistrés dans cette base de données. Etant donné qu’il s’agit d’une source de données administrative, un indispensable nettoyage des données a préalablement été effectué afin de la rendre utilisable à des fins statistiques.

Tout comme auparavant, le calcul de l’indice en lui-même s’effectue au moyen d’un modèle de stratification jusqu’au niveau provincial. Mais les indices au plus bas niveau (la province) sont désormais calculés à l’aide d’une méthode de régression (time product dummy) avec une période fenêtre mobile et non plus d’un indice de Dutot (indice calculé sur la base du rapport entre les prix moyens). De manière simplifiée, on suit, pendant une période donnée (une fenêtre de 8 ans), les mêmes logements dans la base de données. Cet exercice est réalisé pour des périodes successives (fenêtre mobile) et l’on couple les évolutions de prix mesurées entre elles.

Concrètement, cela signifie qu’avec la nouvelle méthode, on mesure l’évolution du prix d’un même logement entre les contrats locatifs successifs pendant une période de 8 ans. La hausse de prix mesurée donne une image complète de l’évolution des prix, à savoir les indexations annuelles et les éventuelles hausses de prix qui interviennent à la conclusion d’un nouveau contrat pour le même bien locatif.

Modifications méthodologiques pour les scanner data et le webscraping

L'un des nombreux avantages de l'utilisation des scanner data réside dans le fait que les informations sur le chiffre d’affaires sont disponibles au niveau du produit. Toutefois, lorsque l’on utilise ces informations directement dans un indice en chaîne mensuel, il existe un risque de dérive (chain drift) Cela signifie que l’indice ne retourne pas au niveau de départ si les prix et le chiffre d’affaires de la période actuelle redeviennent identiques à ceux de la période de départ.

Afin d'éviter le chain drift, nous travaillions jusqu’ici avec des indices non pondérés au niveau le plus bas. Les informations sur le chiffre d'affaires étaient bien entendu utilisées à d'autres fins, par exemple pour déterminer les produits repris dans l'échantillon. Entre-temps, des méthodes ont été développées au niveau international afin d'utiliser les informations sur le chiffre d'affaires au niveau du produit sans entraîner de chain drift. Ces méthodes sont appelées "méthodes multilatérales", parce que plusieurs périodes sont comparées, contrairement aux calculs traditionnels de l'indice où deux périodes sont comparées. L'une des conséquences du calcul de l'indice à l'aide de méthodes multilatérales est qu'à chaque fois que la série chronologique est étendue, les indices du passé devraient être révisés. Cela vient du fait que les périodes plus anciennes sont également comparées avec les ajouts les plus récents. Les périodes fenêtre sont utilisées afin d'éliminer l'effet de révision, si bien qu'il n’est pas nécessaire de réviser les chiffres du passé. Ces périodes fenêtre peuvent ensuite être couplées entre elles. La méthode GEKS sera utilisée à partir de 2020 pour les scanner data. Il s’agit d’une méthode multilatérale spécifique nommée d'après Gini, Eltetö, Köves & Szulc. Vous trouverez davantage d’informations dans l’analyse Évaluation des méthodes multilatérales de calcul de l'indice que Statbel a publiée le 23 octobre 2019.

Une amélioration de ce type est aussi appliquée au calcul de l’indice des chaussures à partir de 2020. Même si, contrairement aux scanner data, on ne dispose pas des informations sur le chiffre d’affaires avec le webscraping, la somme de la valeur mensuelle de l’ensemble des articles d’un produit homogène peut être utilisée comme poids. Cette méthode est équivalente à une collecte manuelle de données, où les articles dont la fréquence de disponibilité est plus élevée sont davantage susceptibles d'être enregistrés par un enquêteur. Avec des poids au niveau homogène, une méthode multilatérale pondérée peut donc être appliquée, tout comme pour les scanner data.

Panier de produits et pondérations

Lors de chaque actualisation annuelle, des témoins représentatifs sont ajoutés au panier et des témoins moins représentatifs sont supprimés.

Concrètement, en 2020, huit nouveaux témoins s'ajoutent au panier, dont un suivi via des scanner data (bières non alcoolisées) et un témoin suivi via webscraping (lunettes de soleil). Deux témoins sont supprimés : l’abonnement au banc solaire et le téléphone fixe sans fil. Le poids de ces deux témoins diminue d’année en année et est négligeable pour 2020. Deux témoins similaires, à savoir le four à micro-ondes « ordinaire » et le four à micro-ondes combiné, sont regroupés au sein d’un seul témoin des fours à micro-ondes. La combinaison de ces deux témoins signifie qu'il n'est plus nécessaire d'avoir deux grands échantillons distincts mais qu'un seul échantillon qui couvre les deux peut être utilisé.

COICOP Dénomination
  Nouveaux témoins
02.1.3.3.01 Bières non alcoolisées
04.3.1.0.11 Pommeau de douche
05.2.0.3.04 Chemin de table
06.2.2.0.03 Nettoyage dentaire
07.2.3.0.07 Remplacement et stockage des pneus d’été et d’hiver
09.3.5.0.05 Pension pour animaux
12.3.2.9.01 Parapluie
12.3.2.9.02 Lunettes de soleil
  Modification de la définition
05.3.1.3.02 Four à micro-ondes
  Témoins supprimés
08.2.0.1.01 Téléphone fixe sans fil
12.1.1.3.01 Abonnement banc solaire

Aucun indice n'est publié au niveau des témoins, mais à la suite de l'introduction des nouveaux témoins suivants:

  • 02.1.3.3.01 Bières non alcoolisées
  • 12.3.2.9.01 Parapluie
  • 12.3.2.9.02 Lunettes de soleil

des indices pour 2 groupes COICOP supplémentaires seront publiés à partir de janvier 2020 (détail au cinquième niveau). Il s’agit des groupes :

  • 02.1.3.3. Bières non alcoolisées
  • 12.3.2.9. Autres effets personnels non classés ailleurs (n.c.a.)

Comme lors des années précédentes, le schéma de pondération a été adapté. Les poids sont désormais basés sur l’enquête sur le budget des ménages de 2018, une enquête qui a lieu tous les deux ans et qui a été menée en 2018 auprès de plus de 6.000 ménages. Les résultats ont été publiés en novembre 2019. Les poids portent donc initialement sur l’année 2018. Ils ont ensuite été actualisés à l’année 2019 au moyen d’une actualisation des prix, étant donné que décembre 2019 est le nouveau mois de référence pour l’indice en chaîne en 2020. Naturellement, les nouveaux témoins ont aussi été intégrés dans le schéma de pondération.

Mesure de l’évolution des prix des produits et services à l’aide des scanner data et du webscraping

Statbel poursuivra l'intégration des big data (scanner data et webscraping) comme sources de l'indice des prix à la consommation. L'utilisation de scanner data et du webscraping améliore la précision de l'IPC. En effet, l'indice des prix d'un groupe de produits ne doit plus être basé sur un échantillon de produits relativement limité, mais on peut traiter les prix d'une multitude de produits vendus. Grâce à cette nouvelle méthode, l'indice reflète plus fidèlement le comportement d'achat réel des consommateurs.

Les scanner data ont été introduites progressivement dans l’IPC à partir de 2015. La part du poids du panier suivie à l’aide de scanner data, s’élèvera à 23,7 % en 2020. Cela concerne les données scannées aux caisses des plus grands supermarchés. Ces données sont complétées par des relevés de prix en magasin (p.ex.: boulanger, boucher, etc.).

Outre les scanner data, les tarifs, les prix catalogue et les relevés de prix traditionnels en magasin, des prix sont également collectés via webscraping. Il s'agit d’une technique qui permet d'extraire automatiquement des données de pages internet (‘to scrap’). Les données des sites web sont collectées et traitées de manière structurée afin qu'elles puissent être utilisées à des fins statistiques. Vu l'importance croissante des magasins en ligne, ainsi que des ventes en ligne des 'magasins classiques', il est nécessaire d'inclure aussi ces données dans le calcul des indices des prix.

L'utilisation de ces données permet également d'améliorer l'efficacité de la collecte des données. En outre, cela peut améliorer la représentativité des indices de prix, car il est possible de suivre les prix d'un nombre beaucoup plus important de produits qu'avec les relevés de prix traditionnels.

Actuellement, des résultats issus du webscraping sont traités dans l'indice pour les DVD, les disques Blu-ray, les jeux vidéo et les billets de train internationaux, les chaussures, les week-ends à la mer et dans les Ardennes, les chambres d’hôtel, la location d’une chambre d’étudiant et les voitures d’occasion. Les lunettes de soleil seront ajoutées à cette liste en 2020. En 2020, le poids des groupes de produits suivis par webscraping s’élèvera à 4,3 %.

Au total, en 2020, 28 % du poids des prix du panier de l'indice seront suivis à l’aide des scanner data ou du webscraping.

CIOCOP Les big data dans l’IPC 2020 (‰)
01 Produits alimentaires et boissons non alcoolisées 175.50
02 Boissons alcoolisées et tabac 24.66
05.5.2.2 Accessoires divers pour la maison et le jardin 3.50
05.6.1 Biens d'équipement ménager non durables 9.06
09.3.4.2 Produits pour animaux de compagnie 7.44
09.5.4.1 Produits de papier 0.86
09.5.4.9 Matériel pour écrire et dessiner 1.79
12.1.3 Autres appareils, articles et produits pour soins corporels 14.66
Total scanner data 237.47
03.2.1.1 Chaussures pour hommes 3.55
03.2.1.2 Chaussures pour dames 5.36
03.2.1.3 Chaussures pour enfants et nourrissons 3.32
04.1.2.1 Loyer de chambre d'étudiant 3.45
07.1.1.2 Voitures d’occasion 15.38
07.3.1.1.11 Voyage en train à l’étranger 0.41
09.1.4.1.01 Disques Blu-ray 0.40
09.1.4.1.02 DVD (musique ou film) 0.40
09.3.1.1.02 Jeu vidéo pour console 0.46
09.6.0.1.01 Week-end à la mer / dans les Ardennes 2.10
11.2.0.1 Chambre d'hôtel 6.21
12.3.2.9.02 Lunettes de soleil 1.98
Total webscraping 43.02
Total big data 280.49