Les salaires dans le secteur privé en 2025 - Le pouvoir d’achat des salaires progresse pour la deuxième année consécutive - IP2132

Name: Les salaires dans le secteur privé en 2025 - Le pouvoir d'achat des salaires progresse pour la deuxième année consécutive
Creator: François Geerolf
License: https://www.etalab.gouv.fr/licence-ouverte-open-licence/

Données - INSEE

Auteur

François Geerolf

Champ : France, salariés du privé, y compris alternants, stagiaires et bénéficiaires de contrats aidés, hors salariés de l’agriculture et des particuliers employeurs.
Source : Insee, base Tous salariés 2025 ; séries longues sur les salaires.

Figure 1 : salaires mensuels moyens et répartition des effectifs en EQTP, en 2025

Salaire mensuel net moyen

Code

fig1 |>
  mutate(categorie = fct_inorder(categorie),
         dimension = fct_inorder(dimension)) |>
  ggplot(aes(x = fct_rev(categorie), y = net_2025, fill = categorie == "Ensemble")) +
  geom_col(width = 0.7) +
  geom_text(aes(label = format(net_2025, big.mark = " ")), hjust = -0.15, size = 3.5) +
  coord_flip(clip = "off") +
  facet_grid(dimension ~ ., scales = "free_y", space = "free_y") +
  scale_fill_manual(values = c("FALSE" = bleu, "TRUE" = rouge), guide = "none") +
  scale_y_continuous(expand = expansion(mult = c(0, 0.12))) +
  theme_minimal(base_size = 12) +
  labs(x = NULL, y = "Euros par mois",
       title = "Salaire mensuel net moyen en EQTP, en 2025") +
  theme(panel.grid.minor = element_blank(),
        panel.grid.major.y = element_blank(),
        strip.text.y = element_text(angle = 0, hjust = 0))

Évolution 2025/2024, en euros constants

Code

fig1 |>
  mutate(categorie = fct_inorder(categorie),
         dimension = fct_inorder(dimension)) |>
  select(dimension, categorie,
         `Salaire net moyen en EQTP` = net_evol_constants,
         `RMPP nette` = rmpp_net_evol_constants) |>
  pivot_longer(-c(dimension, categorie), names_to = "indicateur", values_to = "evolution") |>
  mutate(indicateur = factor(indicateur, levels = c("RMPP nette", "Salaire net moyen en EQTP"))) |>
  ggplot(aes(x = fct_rev(categorie), y = evolution, fill = indicateur)) +
  geom_col(position = position_dodge(width = 0.75), width = 0.7) +
  coord_flip() +
  facet_grid(dimension ~ ., scales = "free_y", space = "free_y") +
  scale_fill_manual(values = c("Salaire net moyen en EQTP" = bleu, "RMPP nette" = bleu_clair), name = NULL,
                    breaks = c("Salaire net moyen en EQTP", "RMPP nette")) +
  theme_minimal(base_size = 12) +
  labs(x = NULL, y = NULL,
       title = "Évolution 2025/2024 des salaires nets, en euros constants",
       subtitle = "en % ; RMPP = rémunération moyenne des personnes en place") +
  theme(legend.position = "bottom",
        panel.grid.minor = element_blank(),
        panel.grid.major.y = element_blank(),
        strip.text.y = element_text(angle = 0, hjust = 0))

Table

Code

fig1 |>
  select(-dimension) |>
  print_table_conditional()

categorie	brut_2025	brut_evol_courants	brut_evol_constants	net_2025	net_evol_courants	net_evol_constants	part_effectifs	rmpp_net_evol_constants
Cadres	6342	2.2	1.2	4711	2.1	1.1	23.5	3.3
Professions intermédiaires	3545	2.1	1.1	2681	1.9	1.0	20.5	2.7
Employés	2553	2.2	1.2	1979	2.1	1.1	27.8	2.6
Ouvriers	2717	2.3	1.3	2092	2.0	1.1	28.2	2.2
Femmes	3410	2.8	1.9	2578	2.7	1.7	42.0	2.9
Hommes	3898	2.5	1.6	2956	2.4	1.4	58.0	2.8
Industrie	4173	2.7	1.8	3094	2.4	1.5	16.3	2.6
Construction	3245	3.4	2.4	2487	3.2	2.3	8.0	3.0
Tertiaire	3637	2.6	1.6	2766	2.4	1.5	75.7	2.9
Ensemble	3693	2.6	1.7	2797	2.5	1.5	100.0	2.8

Figure 2 : évolution du salaire net moyen en EQTP depuis 1996, en euros constants

Linéaire

Code

plot_fig2 <- fig2 |>
  ggplot(aes(x = annee, y = moyenne)) +
  geom_line(color = bleu, linewidth = 1.2) +
  geom_point(color = bleu, size = 1.5) +
  geom_hline(yintercept = 100, color = "grey60", linetype = "dashed") +
  scale_x_continuous(breaks = seq(1996, 2026, 2)) +
  scale_y_continuous(breaks = seq(90, 130, 2)) +
  theme_minimal(base_size = 12) +
  labs(x = NULL, y = NULL,
       title = "Salaire net moyen en EQTP, en euros constants",
       subtitle = "Indice base 100 en 1996 - Échelle linéaire") +
  theme(panel.grid.minor = element_blank())

plot_fig2

Log

Code

plot_fig2 +
  scale_y_log10(breaks = seq(90, 130, 2)) +
  labs(subtitle = "Indice base 100 en 1996 - Échelle logarithmique")

Évolution annuelle (tableau complémentaire 4)

Code

tc4 |>
  ggplot(aes(x = annee, y = evol_salaire_net, fill = evol_salaire_net > 0)) +
  geom_col() +
  geom_hline(yintercept = 0, color = "grey40", linewidth = 0.4) +
  geom_text(aes(label = evol_salaire_net,
                vjust = if_else(evol_salaire_net >= 0, -0.4, 1.3)), size = 3) +
  scale_fill_manual(values = c("TRUE" = bleu, "FALSE" = rouge), guide = "none") +
  scale_x_continuous(breaks = seq(1997, 2025, 2)) +
  theme_minimal(base_size = 12) +
  labs(x = NULL, y = NULL,
       title = "Évolution annuelle du salaire net moyen en EQTP, en euros constants",
       subtitle = "en %") +
  theme(panel.grid.minor = element_blank(),
        panel.grid.major.x = element_blank())

Figure 3 : distribution des salaires mensuels nets en EQTP, en 2025

Code

fig3 |>
  mutate(centre = coalesce((borne_inf + borne_sup) / 2, borne_inf + 50, borne_sup - 50)) |>
  ggplot(aes(x = centre, y = effectifs_milliers)) +
  geom_col(fill = bleu, width = 90) +
  scale_x_continuous(breaks = seq(1000, 9000, 1000),
                     labels = scales::label_number(big.mark = " ")) +
  theme_minimal(base_size = 12) +
  labs(x = "Salaire mensuel net (en euros)", y = "Milliers d'EQTP",
       title = "Distribution des salaires mensuels nets en EQTP, en 2025",
       subtitle = "Tranches de 100 euros\npremière barre : moins de 1 300 euros ; dernière : 9 000 euros ou plus") +
  theme(panel.grid.minor = element_blank(),
        panel.grid.major.x = element_blank())

Centiles (tableau complémentaire 3)

Code

tc3 |>
  ggplot(aes(x = centile, y = salaire_net)) +
  geom_line(color = bleu, linewidth = 1.2) +
  scale_x_continuous(breaks = seq(0, 100, 10)) +
  scale_y_log10(breaks = c(1500, 2000, 3000, 4000, 5000, 7500, 10000),
                labels = scales::label_number(big.mark = " ")) +
  theme_minimal(base_size = 12) +
  labs(x = "Centile", y = "Euros par mois",
       title = "Salaire mensuel net par centile, en 2025",
       subtitle = "Échelle logarithmique") +
  theme(panel.grid.minor = element_blank())

Log-log (Pareto)

Part des salariés dont le salaire mensuel net est supérieur ou égal à \(s\), en fonction de \(s\), les deux axes en échelle logarithmique. Si la queue de distribution est de Pareto, \(P(S \geq s) \propto s^{-\alpha}\) et les points sont alignés sur une droite de pente \(-\alpha\). Points : bornes inférieures des tranches de la figure 3 ; droite : régression sur les tranches à partir de 3 000 euros.

Code

N_total <- sum(fig3$effectifs_milliers)
pareto <- fig3 |>
  filter(!is.na(borne_inf)) |>
  arrange(borne_inf) |>
  mutate(part_au_dessus = rev(cumsum(rev(effectifs_milliers))) / N_total)

seuil_pareto <- 3000
fit_pareto <- lm(log(part_au_dessus) ~ log(borne_inf), data = filter(pareto, borne_inf >= seuil_pareto))
alpha <- -coef(fit_pareto)[2]

pareto |>
  mutate(ajuste = exp(predict(fit_pareto, newdata = pick(everything()))),
         ajuste = if_else(ajuste <= 1, ajuste, NA_real_)) |>
  ggplot(aes(x = borne_inf, y = part_au_dessus)) +
  geom_point(color = bleu, size = 1.5) +
  geom_line(aes(y = ajuste), color = rouge, linewidth = 0.8, linetype = "dashed", na.rm = TRUE) +
  annotate("text", x = 5000, y = 0.3, color = rouge, hjust = 0, size = 4,
           label = paste0("Pente : -", format(round(alpha, 2), decimal.mark = ","),
                          "\nR² = ", format(sprintf("%.4f", summary(fit_pareto)$r.squared)) |> str_replace("\\.", ","))) +
  scale_x_log10(breaks = c(1300, 1500, 2000, 3000, 4000, 5000, 7000, 9000),
                labels = scales::label_number(big.mark = " ")) +
  scale_y_log10(breaks = c(0.01, 0.02, 0.05, 0.1, 0.2, 0.5, 1),
                labels = scales::label_percent(accuracy = 1)) +
  theme_minimal(base_size = 12) +
  labs(x = "Salaire mensuel net s (en euros)", y = "Part des EQTP avec un salaire ≥ s",
       title = "Distribution des salaires mensuels nets en EQTP, en 2025",
       subtitle = "Échelle log-log (Pareto) ; droite ajustée à partir de 3 000 euros") +
  theme(panel.grid.minor = element_blank())

Log-log (Pareto) : comparaison 2024 - 2025

On ne compare la distribution de 2025 qu’à celle de 2024 (IP2079), qui a le même champ : privé, y compris apprentis et stagiaires. Les histogrammes publiés jusqu’en 2023 excluent les apprentis et stagiaires. Ils ne sont donc pas comparables à ceux de 2025 (voir plus bas, et la page sur toutes les éditions).

Code

part_au_dessus <- function(f) {
  N <- sum(f$effectifs_milliers)
  f |>
    filter(!is.na(borne_inf)) |>
    arrange(borne_inf) |>
    mutate(part_au_dessus = rev(cumsum(rev(effectifs_milliers))) / N)
}

medianes <- c("2024" = champ_2024 |> filter(quantile == "Médiane") |> pull(avec_niveau),
              "2025" = fig4 |> filter(sexe == "Ensemble", quantile == "Médiane") |> pull(niveau))

pareto_2024_2025 <- bind_rows(
  part_au_dessus(histogrammes |> filter(annee == 2024)) |> mutate(annee = "2024"),
  part_au_dessus(fig3) |> mutate(annee = "2025")
) |>
  mutate(relatif = borne_inf / medianes[annee])

En euros courants

Code

pareto_2024_2025 |>
  ggplot(aes(x = borne_inf, y = part_au_dessus, color = annee)) +
  geom_point(size = 1.3) +
  scale_color_manual(values = c("2024" = bleu_clair, "2025" = bleu), name = NULL) +
  scale_x_log10(breaks = c(1300, 1500, 2000, 3000, 4000, 5000, 7000, 9000),
                labels = scales::label_number(big.mark = " ")) +
  scale_y_log10(breaks = c(0.01, 0.02, 0.05, 0.1, 0.2, 0.5, 1),
                labels = scales::label_percent(accuracy = 1)) +
  theme_minimal(base_size = 12) +
  labs(x = "Salaire mensuel net s (en euros courants)", y = "Part des EQTP avec un salaire ≥ s",
       title = "Distribution des salaires mensuels nets en EQTP, 2024 et 2025",
       subtitle = "Échelle log-log (Pareto), euros courants, même champ") +
  theme(legend.position = "bottom",
        panel.grid.minor = element_blank())

En multiples du salaire médian

Diviser par la médiane de chaque année (2 190 euros en 2024, 2 238 euros en 2025) neutralise la hausse générale des salaires. Si les courbes se superposent, la dispersion relative des salaires n’a pas changé.

Code

pareto_2024_2025 |>
  ggplot(aes(x = relatif, y = part_au_dessus, color = annee)) +
  geom_point(size = 1.3) +
  scale_color_manual(values = c("2024" = bleu_clair, "2025" = bleu), name = NULL) +
  scale_x_log10(breaks = c(0.6, 0.8, 1, 1.5, 2, 3, 4)) +
  scale_y_log10(breaks = c(0.01, 0.02, 0.05, 0.1, 0.2, 0.5, 1),
                labels = scales::label_percent(accuracy = 1)) +
  theme_minimal(base_size = 12) +
  labs(x = "Salaire mensuel net s / salaire médian", y = "Part des EQTP avec un salaire ≥ s",
       title = "Distribution des salaires mensuels nets en EQTP, 2024 et 2025",
       subtitle = "Échelle log-log (Pareto), en multiples du salaire médian de l'année") +
  theme(legend.position = "bottom",
        panel.grid.minor = element_blank())

Coefficients de Pareto, 2017-2025

La pente α de la queue peut, elle, être comparée malgré les changements de champ. Ajouter des salariés payés sous le seuil (apprentis, stagiaires) multiplie toutes les parts au-dessus du seuil par un même facteur : la droite log-log se déplace, mais sa pente ne change pas.

Code

alpha_pareto <- function(d, seuil) {
  m <- lm(log(part_au_dessus) ~ log(borne_inf), data = filter(d, borne_inf >= seuil))
  tibble(alpha = -unname(coef(m)[2]))
}

histogrammes |>
  group_by(annee, champ) |>
  group_modify(~ part_au_dessus(.x)) |>
  ungroup() |>
  nest(data = -c(annee, champ)) |>
  crossing(seuil = c(3000, 4000, 5000)) |>
  mutate(res = map2(data, seuil, alpha_pareto)) |>
  unnest(res) |>
  select(-data) |>
  mutate(alpha = round(alpha, 3), seuil = paste0("α (à partir de ", seuil, " euros)")) |>
  pivot_wider(names_from = seuil, values_from = alpha) |>
  print_table_conditional()

annee	champ	α (à partir de 3000 euros)	α (à partir de 4000 euros)	α (à partir de 5000 euros)
2017	2011-2020 : privé et entreprises publiques, hors apprentis et stagiaires	2.671	2.671	2.652
2018	2011-2020 : privé et entreprises publiques, hors apprentis et stagiaires	2.601	2.615	2.607
2019	2011-2020 : privé et entreprises publiques, hors apprentis et stagiaires	2.672	2.685	2.680
2020	2011-2020 : privé et entreprises publiques, hors apprentis et stagiaires	2.635	2.659	2.659
2021	2021-2023 : privé, hors apprentis et stagiaires	2.635	2.652	2.644
2022	2021-2023 : privé, hors apprentis et stagiaires	2.641	2.664	2.659
2023	2021-2023 : privé, hors apprentis et stagiaires	2.662	2.684	2.673
2024	2024-2025 : privé, y compris apprentis et stagiaires	2.668	2.694	2.684
2025	2024-2025 : privé, y compris apprentis et stagiaires	2.657	2.683	2.667

Comparaison 2017 - 2025 à champ constant, en euros constants

Les centiles publiés en 2017 (IP1798) et en 2025 ne sont pas comparables. En 2017, le champ exclut les apprentis et stagiaires, mais inclut les entreprises publiques. En 2025, il inclut les apprentis et stagiaires, mais pas les entreprises publiques. L’IP2079 mesure l’effet de l’entrée des apprentis et stagiaires (et de Mayotte) en 2024. Peu payés, ils se concentrent sous le D1 et font baisser tous les quantiles, car chaque rang se décale :

Code

champ_2024 |>
  filter(type == "Quantile") |>
  transmute(Quantile = quantile,
            `2024, sans apprentis ni stagiaires` = sans_niveau,
            `2024, avec apprentis et stagiaires` = avec_niveau,
            `Effet du champ (%)` = round(100 * (avec_niveau / sans_niveau - 1), 1)) |>
  print_table_conditional()

Quantile	2024, sans apprentis ni stagiaires	2024, avec apprentis et stagiaires	Effet du champ (%)
1er décile (D1)	1556	1492	-4.1
2e décile	1721	1669	-3.0
3e décile	1875	1823	-2.8
4e décile	2045	1992	-2.6
Médiane	2247	2190	-2.5
6e décile	2503	2442	-2.4
7e décile	2850	2785	-2.3
8e décile	3378	3305	-2.2
9e décile (D9)	4422	4334	-2.0
95e centile	5704	5593	-1.9
99e centile	10478	10261	-2.1
Moyenne	2814	2733	-2.9

On utilise donc les séries longues de l’Insee. Elles portent sur un champ homogène, y compris apprentis et stagiaires, rétropolé depuis 1996, et sont prolongées en 2024 et 2025 par les évolutions à champ constant de l’IP2079 et de l’IP2132. Les prix ont augmenté de 22,6 % entre 2017 et 2025 selon l’IPCH, et de 19,5 % selon l’IPC (ensemble des ménages), le déflateur des « euros constants » de l’Insee.

Code

evol_quantiles_2017 <- series |>
  filter(annee %in% c(2017, 2025), indicateur %in% c("D1", "D5", "D9", "C95", "C99", "MOYENNE")) |>
  select(annee, indicateur, nominal) |>
  pivot_wider(names_from = annee, values_from = nominal, names_prefix = "salaire_net_") |>
  crossing(prix |> select(indice, deflateur)) |>
  mutate(evolution = 100 * (salaire_net_2025 / (salaire_net_2017 * deflateur) - 1),
         quantile = factor(recode(indicateur, D5 = "Médiane", C95 = "P95", C99 = "P99", MOYENNE = "Moyenne"),
                           levels = c("D1", "Médiane", "D9", "P95", "P99", "Moyenne")),
         indice = paste0("Déflateur : ", indice))

evol_quantiles_2017 |>
  filter(quantile != "Moyenne") |>
  ggplot(aes(x = quantile, y = evolution, color = indice, group = indice)) +
  geom_hline(yintercept = 0, color = "grey40", linewidth = 0.4) +
  geom_line(linewidth = 1.1) +
  geom_point(size = 2) +
  geom_text(aes(label = format(round(evolution, 1), decimal.mark = ",")), vjust = -0.9, size = 3, show.legend = FALSE) +
  scale_color_manual(values = c("Déflateur : IPCH" = bleu, "Déflateur : IPC" = bleu_clair), name = NULL) +
  scale_y_continuous(breaks = seq(-10, 10, 1), expand = expansion(mult = c(0.1, 0.2))) +
  theme_minimal(base_size = 12) +
  labs(x = NULL, y = NULL,
       title = "Évolution du salaire mensuel net en EQTP entre 2017 et 2025",
       subtitle = "en %, en euros constants, à champ constant (séries longues de l'Insee)") +
  theme(legend.position = "bottom",
        panel.grid.minor = element_blank())

Code

evol_quantiles_2017 |>
  select(quantile, salaire_net_2017, salaire_net_2025, indice, evolution) |>
  mutate(across(starts_with("salaire"), round), evolution = round(evolution, 1)) |>
  pivot_wider(names_from = indice, values_from = evolution) |>
  arrange(quantile) |>
  print_table_conditional()

quantile	salaire_net_2017	salaire_net_2025	Déflateur : IPC	Déflateur : IPCH
D1	1232	1521	3.3	0.7
Médiane	1814	2240	3.3	0.7
D9	3655	4445	1.8	-0.8
P95	4774	5744	0.7	-1.9
P99	8816	10590	0.5	-2.0
Moyenne	2286	2801	2.5	-0.1

Par centile : centiles publiés et séries longues

La figure reprend la présentation centile par centile (en abscisse, le centile ; en ordonnée, l’évolution réelle entre 2017 et 2025) et superpose trois mesures :

Centiles publiés, sans correction (gris) : centiles 2025 de l’IP2132 rapportés aux centiles 2017 de l’IP1798. Les champs diffèrent (apprentis et stagiaires inclus en 2025 seulement) et les sources aussi (DADS en 2017, DSN ensuite).
Centiles publiés, corrigés des apprentis (pointillés) : la courbe grise corrigée de l’effet de l’entrée des apprentis, des stagiaires et de Mayotte, mesuré par l’Insee en 2024 (IP2079, encadré), interpolé entre les déciles. Cette correction ne traite pas le changement de source entre 2017 et 2025.
Séries longues de l’Insee (points) : champ homogène et rétropolé. Elles ne donnent que quelques quantiles (D1, médiane, D9, P95, P99), mais elles reproduisent l’indice officiel de la figure 5.

Code

correction_champ <- champ_2024 |>
  filter(type == "Quantile", quantile != "Moyenne") |>
  mutate(centile = c(10, 20, 30, 40, 50, 60, 70, 80, 90, 95, 99),
         effet = avec_niveau / sans_niveau)

prix_2017_2025 <- prix |> select(indice, deflateur)

publies <- centiles_editions |>
  filter(annee %in% c(2017, 2025)) |>
  select(annee, centile, salaire_net) |>
  pivot_wider(names_from = annee, values_from = salaire_net, names_prefix = "s") |>
  mutate(effet = approx(correction_champ$centile, correction_champ$effet, xout = centile)$y) |>
  crossing(prix_2017_2025) |>
  transmute(centile, indice,
            `Centiles publiés, sans correction` = 100 * (s2025 / (s2017 * deflateur) - 1),
            `Centiles publiés, corrigés des apprentis` = 100 * (s2025 / effet / (s2017 * deflateur) - 1)) |>
  pivot_longer(starts_with("Centiles"), names_to = "mesure", values_to = "evolution") |>
  filter(!is.na(evolution))

longues <- evol_quantiles_2017 |>
  filter(quantile != "Moyenne") |>
  mutate(centile = c(D1 = 10, Médiane = 50, D9 = 90, P95 = 95, P99 = 99)[as.character(quantile)],
         indice = str_remove(indice, "Déflateur : "),
         mesure = "Séries longues de l'Insee (champ constant)")

bind_rows(publies, longues |> select(centile, indice, mesure, evolution)) |>
  mutate(indice = paste0("Déflateur : ", indice),
         mesure = factor(mesure, levels = c("Centiles publiés, sans correction",
                                            "Centiles publiés, corrigés des apprentis",
                                            "Séries longues de l'Insee (champ constant)"))) |>
  ggplot(aes(x = centile, y = evolution, color = mesure, linetype = mesure)) +
  geom_hline(yintercept = 0, color = "grey40", linewidth = 0.4) +
  geom_line(linewidth = 1) +
  geom_point(data = ~ filter(.x, mesure == "Séries longues de l'Insee (champ constant)"), size = 2.5) +
  facet_wrap(~ indice) +
  scale_color_manual(values = c("Centiles publiés, sans correction" = "grey65",
                                "Centiles publiés, corrigés des apprentis" = bleu_clair,
                                "Séries longues de l'Insee (champ constant)" = rouge), name = NULL) +
  scale_linetype_manual(values = c("Centiles publiés, sans correction" = "solid",
                                   "Centiles publiés, corrigés des apprentis" = "dashed",
                                   "Séries longues de l'Insee (champ constant)" = "solid"), name = NULL) +
  scale_x_continuous(breaks = c(5, seq(10, 90, 10), 99)) +
  scale_y_continuous(breaks = seq(-6, 6, 1)) +
  guides(color = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1)) +
  theme_minimal(base_size = 12) +
  labs(x = "Centile de salaire net en EQTP", y = NULL,
       title = "Salaire net en EQTP par centile, évolution entre 2017 et 2025",
       subtitle = "en %, en euros constants") +
  theme(legend.position = "bottom", panel.grid.minor = element_blank())

Par centile, 2017-2023 : séries longues seules, sans prolongement

Jusqu’en 2023, les séries longues donnent aussi P25 et P75 et ne demandent aucun prolongement.

Code

SLS2025_EQTP08 |>
  filter(sexe == "Ensemble", annee %in% c(2017, 2023),
         indicateur %in% c("D1", "Q1", "D5", "Q3", "D9", "C95", "C99")) |>
  pivot_wider(names_from = annee, values_from = value, names_prefix = "s") |>
  crossing(prix_2017_2023 = c("IPC", "IPCH")) |>
  left_join(
    bind_rows(
      read_parquet("IPCH-2025.parquet") |>
        filter(COICOP2018 == "00", NATURE == "INDICE", REF_AREA == "FE", FREQ == "A") |> mutate(indice = "IPCH"),
      read_parquet("IPC-2025.parquet") |>
        filter(COICOP2018 == "00", NATURE == "INDICE", REF_AREA == "FE", FREQ == "A",
               MENAGES_IPC == "ENSEMBLE", PRIX_CONSO == "SO") |> mutate(indice = "IPC")
    ) |>
      filter(TIME_PERIOD %in% c("2017", "2023")) |>
      select(indice, TIME_PERIOD, OBS_VALUE) |>
      pivot_wider(names_from = TIME_PERIOD, values_from = OBS_VALUE) |>
      transmute(prix_2017_2023 = indice, deflateur = `2023` / `2017`),
    by = "prix_2017_2023") |>
  mutate(centile = c(D1 = 10, Q1 = 25, D5 = 50, Q3 = 75, D9 = 90, C95 = 95, C99 = 99)[indicateur],
         evolution = 100 * (s2023 / (s2017 * deflateur) - 1),
         prix_2017_2023 = paste0("Déflateur : ", prix_2017_2023)) |>
  ggplot(aes(x = centile, y = evolution, color = prix_2017_2023)) +
  geom_hline(yintercept = 0, color = "grey40", linewidth = 0.4) +
  geom_line(linewidth = 1.1) +
  geom_point(size = 2.5) +
  geom_text(aes(label = format(round(evolution, 1), decimal.mark = ",")), vjust = -1, size = 3, show.legend = FALSE) +
  scale_color_manual(values = c("Déflateur : IPC" = bleu_clair, "Déflateur : IPCH" = bleu), name = NULL) +
  scale_x_continuous(breaks = c(10, 25, 50, 75, 90, 95, 99)) +
  scale_y_continuous(breaks = seq(-6, 6, 1), expand = expansion(mult = c(0.1, 0.15))) +
  theme_minimal(base_size = 12) +
  labs(x = "Centile de salaire net en EQTP", y = NULL,
       title = "Salaire net en EQTP par centile, évolution entre 2017 et 2023",
       subtitle = "en %, en euros constants, séries longues de l'Insee (champ constant)") +
  theme(legend.position = "bottom", panel.grid.minor = element_blank())

Par centile, 2017-2025 : séries longues prolongées

Il s’agit des mêmes séries longues, prolongées en 2024 et 2025 par les évolutions en euros constants à champ constant publiées dans l’IP2079 (2024/2023) et l’IP2132 (2025/2024). Ces publications ne donnent pas P25 et P75 : leur évolution est approchée par la moyenne de celles des déciles voisins (D2 et D3 pour P25, D7 et D8 pour P75). Ces deux points sont dessinés en creux.

Code

indices_prix <- bind_rows(
  read_parquet("IPCH-2025.parquet") |>
    filter(COICOP2018 == "00", NATURE == "INDICE", REF_AREA == "FE", FREQ == "A") |> mutate(indice = "IPCH"),
  read_parquet("IPC-2025.parquet") |>
    filter(COICOP2018 == "00", NATURE == "INDICE", REF_AREA == "FE", FREQ == "A",
           MENAGES_IPC == "ENSEMBLE", PRIX_CONSO == "SO") |> mutate(indice = "IPC")
) |>
  transmute(indice, annee = as.integer(TIME_PERIOD), p = as.numeric(OBS_VALUE)) |>
  pivot_wider(names_from = indice, values_from = p)
ratio <- function(x, a, b) x[indices_prix$annee == b] / x[indices_prix$annee == a]

# Évolution réelle (IPC) 2023 -> 2025 à champ constant, par quantile
evol_2023_2025 <- evol_quantiles_ip |>
  select(annee, indicateur, evol_constants) |>
  pivot_wider(names_from = annee, values_from = evol_constants, names_prefix = "e") |>
  mutate(facteur = (1 + e2024 / 100) * (1 + e2025 / 100)) |>
  select(indicateur, facteur)
evol_2023_2025 <- bind_rows(
  evol_2023_2025 |> filter(indicateur %in% c("D1", "D5", "D9", "C95", "C99")) |> mutate(approche = FALSE),
  tibble(indicateur = c("Q1", "Q3"),
         facteur = c(mean(evol_2023_2025$facteur[evol_2023_2025$indicateur %in% c("D2", "D3")]),
                     mean(evol_2023_2025$facteur[evol_2023_2025$indicateur %in% c("D7", "D8")])),
         approche = TRUE)
)

SLS2025_EQTP08 |>
  filter(sexe == "Ensemble", annee %in% c(2017, 2023),
         indicateur %in% c("D1", "Q1", "D5", "Q3", "D9", "C95", "C99")) |>
  pivot_wider(names_from = annee, values_from = value, names_prefix = "s") |>
  inner_join(evol_2023_2025, by = "indicateur") |>
  mutate(reel_ipc = (s2023 / s2017) / ratio(indices_prix$IPC, 2017, 2023) * facteur,
         IPC = 100 * (reel_ipc - 1),
         IPCH = 100 * (reel_ipc * ratio(indices_prix$IPC, 2017, 2025) / ratio(indices_prix$IPCH, 2017, 2025) - 1),
         centile = c(D1 = 10, Q1 = 25, D5 = 50, Q3 = 75, D9 = 90, C95 = 95, C99 = 99)[indicateur]) |>
  pivot_longer(c(IPC, IPCH), names_to = "deflateur", values_to = "evolution") |>
  mutate(deflateur = paste0("Déflateur : ", deflateur)) |>
  ggplot(aes(x = centile, y = evolution, color = deflateur)) +
  geom_hline(yintercept = 0, color = "grey40", linewidth = 0.4) +
  geom_line(linewidth = 1.1) +
  geom_point(aes(shape = approche), size = 2.5, stroke = 1.1, fill = "white") +
  geom_text(aes(label = format(round(evolution, 1), decimal.mark = ",")), vjust = -1, size = 3, show.legend = FALSE) +
  scale_color_manual(values = c("Déflateur : IPC" = bleu_clair, "Déflateur : IPCH" = bleu), name = NULL) +
  scale_shape_manual(values = c("FALSE" = 16, "TRUE" = 21), guide = "none") +
  scale_x_continuous(breaks = c(10, 25, 50, 75, 90, 95, 99)) +
  scale_y_continuous(breaks = seq(-6, 6, 1), expand = expansion(mult = c(0.1, 0.15))) +
  theme_minimal(base_size = 12) +
  labs(x = "Centile de salaire net en EQTP", y = NULL,
       title = "Salaire net en EQTP par centile, évolution entre 2017 et 2025",
       subtitle = "en %, en euros constants, séries longues de l'Insee prolongées (champ constant)") +
  theme(legend.position = "bottom", panel.grid.minor = element_blank())

Figure 4 : distribution par sexe des salaires mensuels nets en EQTP, en 2025

Niveaux

Code

fig4 |>
  filter(quantile != "Moyenne") |>
  mutate(quantile = fct_reorder(quantile, ordre),
         sexe = factor(sexe, levels = c("Femmes", "Hommes", "Ensemble"))) |>
  ggplot(aes(x = quantile, y = niveau, color = sexe, group = sexe)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2) +
  scale_color_manual(values = c("Femmes" = rouge, "Hommes" = bleu, "Ensemble" = "grey50"), name = NULL) +
  scale_y_log10(breaks = c(1500, 2000, 3000, 4000, 6000, 8000, 12000),
                labels = scales::label_number(big.mark = " ")) +
  theme_minimal(base_size = 12) +
  labs(x = NULL, y = "Euros par mois",
       title = "Salaire mensuel net en EQTP par quantile et par sexe, en 2025",
       subtitle = "Échelle logarithmique") +
  theme(legend.position = "bottom",
        axis.text.x = element_text(angle = 45, hjust = 1),
        panel.grid.minor = element_blank())

Évolution 2025/2024, en euros constants

Code

fig4 |>
  mutate(quantile = fct_reorder(quantile, ordre),
         sexe = factor(sexe, levels = c("Femmes", "Hommes", "Ensemble"))) |>
  ggplot(aes(x = quantile, y = evol, fill = sexe)) +
  geom_col(position = position_dodge(width = 0.8), width = 0.75) +
  scale_fill_manual(values = c("Femmes" = rouge, "Hommes" = bleu, "Ensemble" = "grey60"), name = NULL) +
  theme_minimal(base_size = 12) +
  labs(x = NULL, y = NULL,
       title = "Évolution 2025/2024 des salaires nets en EQTP, en euros constants",
       subtitle = "en %") +
  theme(legend.position = "bottom",
        axis.text.x = element_text(angle = 45, hjust = 1),
        panel.grid.minor = element_blank(),
        panel.grid.major.x = element_blank())

Figure 5 : évolution de la distribution des salaires nets en EQTP depuis 1996, en euros constants

Déciles, linéaire

Code

plot_fig5 <- fig5 |>
  filter(indicateur != "D9_D1") |>
  mutate(indicateur = recode(indicateur, D1 = "1er décile (D1)", Mediane = "Médiane", D9 = "9e décile (D9)")) |>
  ggplot(aes(x = annee, y = value, color = indicateur)) +
  geom_line(linewidth = 1.2) +
  geom_hline(yintercept = 100, color = "grey60", linetype = "dashed") +
  scale_color_manual(values = c("1er décile (D1)" = rouge, "Médiane" = "grey40", "9e décile (D9)" = bleu), name = NULL) +
  scale_x_continuous(breaks = seq(1996, 2026, 2)) +
  scale_y_continuous(breaks = seq(90, 130, 2)) +
  theme_minimal(base_size = 12) +
  labs(x = NULL, y = NULL,
       title = "Déciles des salaires nets en EQTP, en euros constants",
       subtitle = "Indice base 100 en 1996 - Échelle linéaire") +
  theme(legend.position = "bottom",
        panel.grid.minor = element_blank())

plot_fig5

Déciles, log

Code

plot_fig5 +
  scale_y_log10(breaks = seq(90, 130, 2)) +
  labs(subtitle = "Indice base 100 en 1996 - Échelle logarithmique")

Rapport interdécile D9/D1

Code

fig5 |>
  filter(indicateur == "D9_D1") |>
  ggplot(aes(x = annee, y = value)) +
  geom_line(color = bleu, linewidth = 1.2) +
  geom_point(color = bleu, size = 1.5) +
  scale_x_continuous(breaks = seq(1996, 2026, 2)) +
  scale_y_continuous(breaks = seq(2.6, 3.2, 0.05)) +
  theme_minimal(base_size = 12) +
  labs(x = NULL, y = NULL,
       title = "Rapport interdécile D9/D1 des salaires nets en EQTP") +
  theme(panel.grid.minor = element_blank())

Tableau complémentaire 1 : salaires horaires moyens selon le sexe et la CS

Code

tc1 |>
  filter(sexe != "Ensemble", categorie != "Ensemble") |>
  mutate(categorie = recode(categorie, Employées = "Employés", Ouvrières = "Ouvriers"),
         categorie = fct_inorder(categorie)) |>
  ggplot(aes(x = categorie, y = net_2025, fill = sexe)) +
  geom_col(position = position_dodge(width = 0.8), width = 0.75) +
  geom_text(aes(label = net_2025), position = position_dodge(width = 0.8), vjust = -0.4, size = 3.5) +
  scale_fill_manual(values = c("Femmes" = rouge, "Hommes" = bleu), name = NULL) +
  theme_minimal(base_size = 12) +
  labs(x = NULL, y = "Euros par heure",
       title = "Salaire horaire net moyen, en 2025",
       subtitle = "selon le sexe et la catégorie socioprofessionnelle") +
  theme(legend.position = "bottom",
        panel.grid.minor = element_blank(),
        panel.grid.major.x = element_blank())

Code

tc1 |>
  print_table_conditional()

sexe	categorie	brut_2024	brut_2025	brut_evol_constants	net_2024	net_2025	net_evol_constants
Femmes	Ensemble	21.5	22.2	1.9	16.3	16.7	1.7
Femmes	Cadres	36.7	37.6	1.5	27.1	27.8	1.4
Femmes	Professions intermédiaires	21.2	21.6	1.2	16.0	16.3	1.1
Femmes	Employées	16.2	16.5	1.3	12.5	12.8	1.2
Femmes	Ouvrières	15.6	16.0	1.4	12.0	12.3	1.3
Hommes	Ensemble	24.5	25.1	1.6	18.6	19.0	1.4
Hommes	Cadres	42.8	43.7	1.1	31.9	32.5	1.0
Hommes	Professions intermédiaires	23.5	24.0	1.2	17.9	18.2	1.0
Hommes	Employés	16.1	16.5	1.1	12.6	12.9	1.0
Hommes	Ouvriers	17.4	17.8	1.3	13.4	13.7	1.1
Ensemble	Ensemble	23.2	23.9	1.7	17.6	18.1	1.6
Ensemble	Cadres	40.5	41.3	1.2	30.1	30.7	1.1
Ensemble	Professions intermédiaires	22.4	22.9	1.2	17.0	17.3	1.0
Ensemble	Employés	16.2	16.5	1.2	12.5	12.8	1.1
Ensemble	Ouvriers	17.1	17.4	1.3	13.2	13.4	1.1

Tableau complémentaire 2 : salaires mensuels moyens selon le sexe et la CS

Code

tc2 |>
  filter(sexe != "Ensemble", categorie != "Ensemble") |>
  mutate(categorie = recode(categorie, Employées = "Employés", Ouvrières = "Ouvriers"),
         categorie = fct_inorder(categorie)) |>
  ggplot(aes(x = categorie, y = net_2025, fill = sexe)) +
  geom_col(position = position_dodge(width = 0.8), width = 0.75) +
  geom_text(aes(label = format(net_2025, big.mark = " ")),
            position = position_dodge(width = 0.8), vjust = -0.4, size = 3.5) +
  scale_fill_manual(values = c("Femmes" = rouge, "Hommes" = bleu), name = NULL) +
  theme_minimal(base_size = 12) +
  labs(x = NULL, y = "Euros par mois",
       title = "Salaire mensuel net moyen en EQTP, en 2025",
       subtitle = "selon le sexe et la catégorie socioprofessionnelle") +
  theme(legend.position = "bottom",
        panel.grid.minor = element_blank(),
        panel.grid.major.x = element_blank())

Code

tc2 |>
  print_table_conditional()

sexe	categorie	brut_2024	brut_2025	brut_evol_constants	net_2024	net_2025	net_evol_constants	part_effectifs_2024	part_effectifs_2025
Femmes	Ensemble	3316	3410	1.9	2511	2578	1.7	42.0	42.0
Femmes	Cadres	5621	5757	1.5	4162	4258	1.3	21.0	21.5
Femmes	Professions intermédiaires	3262	3331	1.2	2465	2515	1.1	23.1	23.0
Femmes	Employées	2493	2549	1.3	1927	1968	1.2	43.6	43.3
Femmes	Ouvrières	2406	2463	1.4	1850	1890	1.3	12.3	12.1
Hommes	Ensemble	3802	3898	1.6	2888	2956	1.4	58.0	58.0
Hommes	Cadres	6569	6708	1.2	4896	4994	1.0	24.5	24.9
Hommes	Professions intermédiaires	3660	3737	1.1	2778	2830	0.9	18.7	18.6
Hommes	Employés	2509	2560	1.1	1963	2000	1.0	16.5	16.6
Hommes	Ouvriers	2713	2773	1.3	2095	2137	1.1	40.3	39.8
Ensemble	Ensemble	3598	3693	1.7	2729	2797	1.5	100.0	100.0
Ensemble	Cadres	6206	6342	1.2	4615	4711	1.1	23.0	23.5
Ensemble	Professions intermédiaires	3472	3545	1.1	2630	2681	1.0	20.5	20.5
Ensemble	Employés	2499	2553	1.2	1939	1979	1.1	27.9	27.8
Ensemble	Ouvriers	2657	2717	1.3	2050	2092	1.1	28.6	28.2

Tableau complémentaire 5 : prime de partage de la valeur (PPV)

Code

tc5 |>
  mutate(categorie = fct_inorder(categorie),
         annee = factor(annee)) |>
  ggplot(aes(x = categorie, y = part, fill = annee)) +
  geom_col(position = position_dodge(width = 0.8), width = 0.75) +
  geom_text(aes(label = part), position = position_dodge(width = 0.8), vjust = -0.4, size = 3.2) +
  scale_fill_manual(values = c("2024" = bleu_clair, "2025" = bleu), name = NULL) +
  theme_minimal(base_size = 12) +
  labs(x = NULL, y = NULL,
       title = "Part de salariés ayant perçu la PPV",
       subtitle = "en %") +
  theme(legend.position = "bottom",
        panel.grid.minor = element_blank(),
        panel.grid.major.x = element_blank())

Code

tc5 |>
  print_table_conditional()

categorie	annee	part	montant
Femmes	2024	14.9	875
Femmes	2025	15.2	851
Hommes	2024	14.3	954
Hommes	2025	15.0	906
Cadres	2024	11.5	1223
Cadres	2025	13.1	1173
Professions intermédiaires	2024	17.3	895
Professions intermédiaires	2025	17.4	886
Employés	2024	14.1	831
Employés	2025	14.4	761
Ouvriers	2024	15.4	868
Ouvriers	2025	15.8	832
Ensemble	2024	14.6	918
Ensemble	2025	15.1	881