Casser les préjugés pour améliorer les données sur le genre

La production de statistiques de haute qualité repose sur l'élimination des préjugés sexistes à tous les stades du processus de production. Ce blog examine comment les préjugés sexistes apparaissent dans les statistiques et ce que fait l'OIT pour soutenir les efforts visant à les minimiser.

"Break the bias" était le thème de la Journée internationale de la femme cette année, qui a attiré l'attention sur les préjugés, stéréotypes et discriminations persistants qui empêchent la société d'être inclusive et égalitaire entre les sexes. Lorsqu'il s'agit de statistiques sur le monde du travail, les enquêtes auprès des ménages restent le meilleur moyen d'obtenir des informations impartiales à partir d'un échantillon aléatoire de la population. En tant que telles, les données d'enquête, les méthodes utilisées pour leur collecte et les statistiques produites en fin de compte ont un rôle central à jouer dans la lutte contre les préjugés sexistes.

Il existe deux voies par lesquelles le biais peut miner l'utilité des données d'enquête pour l'analyse comparative entre les sexes. Premièrement, le biais en termes d'erreur statistique, qui concerne la correspondance entre un échantillon d'enquête et la population concernée, et la correspondance entre les concepts statistiques et les sujets, objets et phénomènes qu'ils représentent. Deuxièmement, le biais en termes d'angles morts et d'omissions conceptuelles, qui concerne qui et quoi est (et n'est pas) désigné comme éligible pour la représentation et la mesure dans les statistiques officielles.

Biais de genre importé par erreur statistique

Les enquêtes par sondage visent à générer des statistiques pour une population sur la base des valeurs obtenues pour un sous-ensemble d'individus échantillonnés (ou d'autres unités échantillonnées). Une erreur statistique introduite à un ou plusieurs stades de la conception, de l'administration ou du traitement d'une enquête peut menacer l'exactitude des données obtenues.1Le biais statistique fait référence aux sources d'erreur statistique qui sont systématiques par opposition aux sources aléatoires. Il peut être défini formellement comme suit : "un effet qui prive un résultat statistique de sa représentativité en le déformant systématiquement" Cette définition, adoptée par la Division de statistique des Nations unies dans son glossaire de 2012, est basée sur Yadolah Dodge, ed., The Oxford Dictionary of Statistical Terms (Oxford : Oxford University Press, 2003). L'élimination du biais statistique (erreur systématique) - et la mesure et le contrôle de la variance (erreur aléatoire) - est une caractéristique essentielle des statistiques d'enquête par sondage.

Un certain niveau d'erreur d'échantillonnage aléatoire se produit chaque fois qu'un échantillon de la population, plutôt que l'ensemble de la population concernée, est sondé. Les procédures d'enquête sur les échantillons représentatifs sont conçues pour minimiser et contrôler ces erreurs.

L'erreur non due à l'échantillonnage - qui peut être importée à n'importe quel stade, voire à tous les stades, du processus d'enquête par le biais d'une erreur de couverture, d'une erreur de non-réponse et d'une erreur de mesure - est moins facile à traiter, car elle prend plusieursformes2: enoutre, l'erreur non due à l'échantillonnage peut provenir d'une erreur de traitement et d'une erreur d'hypothèse de modèle, survenant (potentiellement) pendant la saisie des données, l'édition des données, le post-codage, l'imputation et la pondération, et l'analyse des données.

Une erreur de couverture, ou de base de sondage, se produit lorsque des unités éligibles au sein de la population cible sont exclues de la base de sondage (ou que des unités inéligibles sont incluses par erreur), ou lorsqu'une base de sondage est indisponible ou inutilisée. Cette situation est particulièrement pertinente dans les contextes où les bases de sondage dépendent de données de recensement qui ont plusieurs décennies de retard et/ou sont incomplètes.3Nations unies, Recommandations de la Conférence des statisticiens européens pour les recensements de la population et des logements de 2010, 2006 ; Roy Carr-Hill, "Missing Millions and Measuring Development Progress", World Development 46 (2013) : 30-44 ; Wim Marivoet et Tom De Herdt, "Tracing Down Real Socio-Economic Trends from Household Data with Erratic Sampling Frames : The Case of the Democratic Republic of the Congo ", Journal of Asian and African Studies 53, n° 4 (2018) : 532-552.

L'erreur de non-réponse d'unité se produit lorsqu'il est difficile d'accéder aux répondants de l'échantillon ou lorsque les répondants ne veulent pas participer à une enquête. La non-réponse unitaire tend à être une préoccupation plus pressante dans les pays à revenu élevé, où les taux de réponse aux enquêtes sont en baisse depuis plusieurs décennies.

Il y a erreur de mesure lorsque la réponse fournie ou enregistrée s'écarte de la "vraie" valeur. Cette erreur peut être introduite par le questionnaire, le répondant, l'enquêteur, le contexte de l'entretien ou le mode d'enquête.

Le biais de genre peut se retrouver dans chacune de ces composantes d'erreur, bien qu'il soit particulièrement pertinent pour l'erreur de mesure. Le biais de genre peut être importé par le biais d'erreurs de mesure provenant de la conception de l'instrument (par le biais de problèmes de validité conceptuelle, ou de la formulation ou de l'enchaînement des questions et des codes de réponse), des effets du mode d'enquête, de la manière d'agir des enquêteurs (ou des caractéristiques démographiques), du contexte de l'entretien (par exemple, l'autocensure de l'enquêté en présence d'autres membres du ménage), ou de l'insuffisance/absence de restrictions sur la déclaration par procuration pour les sujets pertinents.4La déclaration par procuration est la pratique consistant à remplir les questions du questionnaire au niveau individuel pour les membres éligibles du ménage qui ne sont pas disponibles pour l'interview en demandant au chef de ménage ou à un autre membre du ménage bien informé de fournir l'information. L'admissibilité de la déclaration par procuration dépend de la mesure dans laquelle le partage imparfait des informations entre les membres du ménage et/ou le biais de réponse sont connus ou considérés comme susceptibles de fausser la déclaration. Voir, par exemple : Nations unies, Lignes directrices pour la production de statistiques sur la propriété des actifs dans une perspective de genre , 2019.

Les efforts déployés pour minimiser le biais sexiste dans ces différentes sources d'erreur statistique ont permis de dégager un certain nombre d'enseignements clés. Les méthodes ont évolué pour identifier, quantifier et classer les erreurs de mesure au stade de la conception de l'enquête. Il s'agit notamment d'études qualitatives ou "formatives", d'entretiens cognitifs, d'expériences randomisées, d'études de mesures répétées et d'études de vérification des enregistrements. Dans certains contextes, il a été démontré que le passage à l'entretien conversationnel réduisait les biais provenant d'une mauvaise adéquation entre la compréhension du répondant et l'intention de la question.

Biais dus à des angles morts ou à des omissions

Comme des œuvres récentes telles que Féminisme des données et Femmes invisibles explorent, les stéréotypes décrivant des rôles sociaux distincts, et des sphères d'activité connexes, pour les hommes et les femmes continuent de biaiser ce qui est mesuré, compté et rendu visible dans les statistiques.

Les effets d'un tel biais ont été notés depuis longtemps dans le domaine des statistiques du travail et ont fait l'objet de vastes efforts de correction. Parmi les exemples, on peut citer le sous-dénombrement des femmes engagées dans des travaux historiquement codifiés comme des " travaux d'hommes " (par exemple, la migration de travail...).5Voir Bureau de l'UNESCO à New Delhi, " Internal Migration in India Initiative ", 2013 ; OIT, Estimations mondiales de l'OIT sur les travailleurs migrants : Résultats et méthodologie , 2015. ), et l'omission d'activités productives historiquement codifiées comme " travail des femmes ", telles que l'emploi à domicile.6Appelé " travail à domicile ", Voir par exemple, Organisation internationale du travail, Working from home : De l'invisibilité au travail décent , 2021. et les soins non rémunérés et le travail domestique. Bien qu'il soit vital et précieux (pensez aux coûts de son externalisation), la plupart des soins et du travail domestique non rémunérés continuent d'être exclus des mesures standard de la production économique, comme le produit intérieur brut. 7Les efforts visant à mesurer la valeur économique du travail non rémunéré des services domestiques par l'élaboration de "comptes étendus" (anciennement "comptes satellites") ont gagné du terrain ces dernières années, mais restent limités en termes de portée et d'adoption. Voir Nations unies, Guide sur la valorisation du travail non rémunéré des services ménagers , 2018.

Ces problèmes de mesure et d'autres, ainsi que la rareté des données ventilées par sexe et pertinentes pour le genre, ont conduit à la création du domaine des statistiques de genre au milieu des années 1980. Depuis lors, des efforts croissants ont été déployés pour identifier et traiter les sources de biais sexistes dans les statistiques d'enquête. Toutefois, comme l'a noté la Commission de la condition de la femme lors de sa dernière session au début de l'année, il reste du travail à faire dans les domaines traditionnels des statistiques ainsi que dans les sujets émergents, tels que les données sexospécifiques pertinentes pour faire face au changement climatique.8Conseil économique et social des Nations Unies, Parvenir à l'égalité des sexes et à l'autonomisation de toutes les femmes et filles dans le cadre des politiques et programmes relatifs au changement climatique, à l'environnement et à la réduction des risques de catastrophe, E/CN.6/2022/3, rapport examiné par la Commission de la condition de la femme lors de sa 66e session, du 14 au 25 mars 2022. 9L'OIT a récemment souligné le rôle essentiel joué par les statistiques de genre pour garantir que l'action climatique offre des opportunités aux femmes et aux hommes. Voir OIT, "Just Transition : Une voie essentielle pour parvenir à l'égalité des sexes et à la justice sociale", 2022.

La contribution de l'OIT à la lutte contre les préjugés sexistes dans les statistiques

Une avancée majeure dans la lutte contre le biais sexiste dans les statistiques du travail, de l'emploi et de la main-d'œuvre s'est produite en 2013, lorsque le plus haut organe de décision en matière de statistiques internationales du travail - la Conférence internationale des statisticiens du travail - a adopté un nouveau concept de référence élargi du "travail". Cela a marqué une " première " importante, et cela a signifié un changement d'étape majeur dans la mesure des activités productives non rémunérées. Un résultat important a été la possibilité d'améliorer considérablement l'analyse des inégalités fondées sur le sexe dans la participation main-d’œuvre , les caractéristiques de l'emploi, la division du travail rémunéré et non rémunéré, et le temps de travail total. L'OIT soutient l'amélioration des méthodes traditionnelles de mesure de ces préoccupations liées au genre. Il s'agit notamment de piloter de nouveaux modules légers d'emploi du temps à joindre aux enquêtes main-d’œuvre dans les pays à revenu faible et intermédiaire, afin de générer des statistiques sur les soins non rémunérés et le travail domestique lorsqu'une enquête spécifique sur l'emploi du temps n'est pas réalisable. L'OIT pilote également de nouvelles questions d'enquête sur main-d’œuvre afin de produire des données et des statistiques plus nombreuses et de meilleure qualité sur les femmes et les hommes qui effectuent un travail informel, source de travail rémunéré pour plus de 60 pour cent des personnes employées dans le monde.

Ces deux projets pilotes sont liés par leur objectif commun de réduire les préjugés sexistes dans les mesures du travail. La responsabilité disproportionnée de la prestation de soins non rémunérés et du travail domestique a un impact direct sur la capacité et la possibilité pour les femmes d'exercer un travail rémunéré, qu'il soit formel ou informel.

En savoir plus

[wp_links_page display="carousel" slides="3" slide_scroll="1" autoplay="false" infinite="true" orderby="date" order="DESC" cat="1653" tag="1656" image="ss" img_size="tileview"]

La demande de données sur les soins non rémunérés et le travail domestique ainsi que sur le travail informel est en augmentation. Il est de plus en plus reconnu que ces données sont nécessaires pour mettre en évidence les possibilités de transition vers des formes de travail moins vulnérables, et pour permettre de reconnaître, de réduire et de redistribuer les inégalités fondées sur le sexe.

Le travail de recherche et de développement méthodologique actuellement entrepris par l'OIT et ses partenaires est essentiel pour aider les pays à produire des statistiques impartiales et sensibles à la dimension de genre sur les questions les plus importantes. Les méthodes d'enquête doivent être adaptées aux problèmes de mesure rencontrés par les économies en développement et émergentes. La collecte d'informations sur l'emploi du temps dans des sociétés où la vie est moins ancrée sur l'horloge de 24 heures en est un exemple. De même, il est difficile de poser des questions sur le travail non rémunéré et/ou informel dans des contextes où ces activités ne sont pas perçues comme du "travail" ou où l'on hésite à les signaler.

Dans sa déclaration à l'occasion de la Journée internationale de la femme en 2022, le Secrétaire général des Nations Unies, António Guterres, a appelé à un renversement des rapports de force et à des investissements massifs dans la formation et le travail décent pour les femmes. La même semaine, l'OIT a publié son rapportCare at Work, qui constate que jusqu'à 300 millions de nouveaux emplois pourraient être créés en investissant dans des services universels de garde d'enfants et de soins de longue durée financés par des fonds publics, dont 84 % pourraient être formels. Des données de haute qualité et impartiales sous-tendent le travail de transformation nécessaire pour atteindre ces objectifs ambitieux. Ces données sont à leur tour étayées par des méthodologies statistiques solides. L'OIT continue de travailler en étroite collaboration avec les pays et d'autres partenaires pour définir et rendre opérationnelles des normes statistiques solides et soutenir les bureaux nationaux de statistique dans leur application.

Auteurs

  • Samantha Watson

    Samantha a rejoint l'OIT en 2020. Elle dirige le projet " Closing the gender gap on unpaid domestic and care work ", une initiative de l'OIT en partenariat avec Data 2X. Auparavant, elle a travaillé dans le milieu universitaire, faisant des recherches sur les changements agraires, les migrations et les divisions sexuées du travail et de l'emploi du temps.

  • Jessica Gardner

    Jessica travaille à l'amélioration des statistiques sur le genre en Asie et dans le Pacifique, en Europe et en Asie centrale depuis 2005. Elle a rejoint l'OIT début 2021 pour gérer le projet "Engendering Informality Statistics", qui est mené par l'OIT en partenariat avec la Fondation Bill et Melinda Gates.

Inscrivez-vous à notre newsletter

Tout le contenu le plus récent du Département des statistiques de l'OIT livré dans votre boîte de réception une fois par trimestre.

Langue :

Nouveau sur ce site ?