Formation brute de capital fixe (FBCF) par secteur institutionnel

Données - INSEE

Auteur

François Geerolf

Info

Last observation: Annuelle: 2022 (N = 15)

First observation: Annuelle: 1949 (N = 93)

Number of observations: 31 544

Last data update: 14 aoû 2026, 19:56. Last compile: 15 aoû 2026, 03:02

Structure

Données sur la macroéconomie en France

source	dataset	Title	Updated
bdf	CFT	Comptes Financiers Trimestriels	2026-08-10
insee	CNA-2014-CONSO-SI	Dépenses de consommation finale par secteur institutionnel	2026-08-13
insee	CNA-2014-CSI	Comptes des secteurs institutionnels	2026-08-13
insee	CNA-2014-FBCF-BRANCHE	Formation brute de capital fixe (FBCF) par branche	2026-08-13
insee	CNA-2014-FBCF-SI	Formation brute de capital fixe (FBCF) par secteur institutionnel	2026-08-13
insee	CNA-2014-RDB	Revenu et pouvoir d’achat des ménages	2026-08-13
insee	CNA-2020-CONSO-MEN	Consommation des ménages	2026-08-13
insee	CNA-2020-PIB	Produit intérieur brut (PIB) et ses composantes	2026-08-13
insee	CNT-2014-CB	Comptes des branches	2026-08-13
insee	CNT-2014-CSI	Comptes de secteurs institutionnels	2026-08-13
insee	CNT-2014-OPERATIONS	Opérations sur biens et services	2026-08-13
insee	CNT-2014-PIB-EQB-RF	Équilibre du produit intérieur brut	2026-08-13
insee	CONSO-MENAGES-2020	Consommation des ménages en biens	2026-08-13
insee	ICA-2015-IND-CONS	Indices de chiffre d'affaires dans l'industrie et la construction	2026-08-13
insee	conso-mensuelle	Consommation de biens, données mensuelles	2026-08-02
insee	t_1101	1.101 – Le produit intérieur brut et ses composantes à prix courants (En milliards d'euros)	2026-08-02
insee	t_1102	1.102 – Le produit intérieur brut et ses composantes en volume aux prix de l'année précédente chaînés (En milliards d'euros 2014)	2026-08-02
insee	t_1105	1.105 – Produit intérieur brut - les trois approches à prix courants (En milliards d'euros) - t_1105	2026-08-02

LAST_COMPILE

LAST_COMPILE
2026-08-15

Last

Code

`CNA-2014-FBCF-SI` |>
  group_by(TIME_PERIOD) |>
  summarise(Nobs = n()) |>
  arrange(desc(TIME_PERIOD)) |>
  head(1) |>
  print_table_conditional()

TIME_PERIOD	Nobs
2022	15

Decomposition

Table

Code

`CNA-2014-FBCF-SI` |>
  filter(TIME_PERIOD == "2021",
         UNIT_MEASURE == "EUROS_COURANTS",
         `SECT-INST` == "S11ES14AA") %>%
  select_if(~ n_distinct(.) > 1) |>
  
  transmute(CNA_PRODUIT, CNA_PRODUIT, OBS_VALUE) |>
  arrange(-OBS_VALUE) |>
  print_table_conditional()

Change 2010-2021

Code

`CNA-2014-FBCF-SI` |>
  filter(TIME_PERIOD %in% c("2021", "2010"),
         UNIT_MEASURE == "EUROS_COURANTS",
         `SECT-INST` == "S11ES14AA") |>
  
  transmute(CNA_PRODUIT, CNA_PRODUIT, TIME_PERIOD, OBS_VALUE) |>
  arrange(-OBS_VALUE) |>
  spread(TIME_PERIOD, OBS_VALUE) |>
  mutate(Change = `2021` - `2010`) |>
  arrange(-Change) |>
  print_table_conditional()

GU, BE, JZ

Code

`CNA-2014-FBCF-SI` |>
  filter(CNA_PRODUIT %in% c("A5-GU", "A10-BE", "A17-JZ"),
         UNIT_MEASURE == "EUROS_COURANTS",
         `SECT-INST` == "S11ES14AA") |>
  year_to_date() |>
  
  select(date, CNA_PRODUIT, CNA_PRODUIT, OBS_VALUE) |>
  left_join(gdp, by = "date") |>
  ggplot() + geom_line(aes(x = date, y = OBS_VALUE/gdp, color = CNA_PRODUIT)) +
  theme_minimal() + xlab("") + ylab("") +
  theme(legend.title = element_blank(),
        legend.position = c(0.3, 0.91)) +
  scale_x_date(breaks = seq(1950, 2100, 5) |> paste0("-01-01") |> as.Date(),
               labels = date_format("%Y")) +
  scale_y_continuous(breaks = 0.01*seq(0, 100, 0.5),
                     labels = scales::percent_format(accuracy = 0.1))

NNTOTAL, BE, JZ

Code

`CNA-2014-FBCF-SI` |>
  filter(CNA_PRODUIT %in% c("NNTOTAL", "A10-BE", "A17-JZ"),
         UNIT_MEASURE == "EUROS_COURANTS",
         `SECT-INST` == "S11ES14AA") |>
  year_to_date() |>
  
  select(date, CNA_PRODUIT, CNA_PRODUIT, OBS_VALUE) |>
  left_join(gdp, by = "date") |>
  ggplot() + geom_line(aes(x = date, y = OBS_VALUE/gdp, color = CNA_PRODUIT)) +
  theme_minimal() + xlab("") + ylab("") +
  theme(legend.title = element_blank(),
        legend.position = c(0.3, 0.91)) +
  scale_x_date(breaks = seq(1950, 2100, 5) |> paste0("-01-01") |> as.Date(),
               labels = date_format("%Y")) +
  scale_y_continuous(breaks = 0.01*seq(0, 100, 0.5),
                     labels = scales::percent_format(accuracy = 0.1))

NNTOTAL, BE, JZ, FZ

Code

`CNA-2014-FBCF-SI` |>
  filter(CNA_PRODUIT %in% c("NNTOTAL", "A10-BE", "A17-JZ", "A17-FZ"),
         UNIT_MEASURE == "EUROS_COURANTS",
         `SECT-INST` == "S11ES14AA") |>
  year_to_date() |>
  
  select(date, CNA_PRODUIT, CNA_PRODUIT, OBS_VALUE) |>
  left_join(gdp, by = "date") |>
  ggplot() + geom_line(aes(x = date, y = OBS_VALUE/gdp, color = CNA_PRODUIT)) +
  theme_minimal() + xlab("") + ylab("") +
  theme(legend.title = element_blank(),
        legend.position = c(0.3, 0.91)) +
  scale_x_date(breaks = seq(1950, 2100, 5) |> paste0("-01-01") |> as.Date(),
               labels = date_format("%Y")) +
  scale_y_continuous(breaks = 0.01*seq(0, 100, 1),
                     labels = scales::percent_format(accuracy = 1))

MN, C4, C3, MB

Code

`CNA-2014-FBCF-SI` |>
  filter(CNA_PRODUIT %in% c("A17-MN", "A17-C4", "A17-C3", "A38-MB"),
         UNIT_MEASURE == "EUROS_COURANTS",
         `SECT-INST` == "S11ES14AA") |>
  year_to_date() |>
  
  select(date, CNA_PRODUIT, CNA_PRODUIT, OBS_VALUE) |>
  left_join(gdp, by = "date") |>
  ggplot() + geom_line(aes(x = date, y = OBS_VALUE/gdp, color = CNA_PRODUIT)) +
  theme_minimal() + xlab("") + ylab("") +
  theme(legend.title = element_blank(),
        legend.position = c(0.5, 0.85)) +
  scale_x_date(breaks = seq(1950, 2100, 5) |> paste0("-01-01") |> as.Date(),
               labels = date_format("%Y")) +
  scale_y_continuous(breaks = 0.01*seq(0, 100, 0.2),
                     labels = scales::percent_format(accuracy = .1))