Indice des prix dans la grande distribution

Données - INSEE

Auteur

François Geerolf 

[1] "fr_CA.UTF-8"

Info

Last observation: 2025-11

First observation: 2005-01

Number of observations: 2 737

Last data update: 23 juil. 2026, 22:52. Last compile: 24 juil. 2026, 06:15

Structure

Données sur l’inflation en France

Title source dataset .html .RData
Budget de famille 2017 insee bdf2017 2026-07-24 2023-11-21
Échantillon d’agglomérations enquêtées de l’IPC en 2024 insee echantillon-agglomerations-IPC-2024 2026-07-24 2026-01-27
Échantillon d’agglomérations enquêtées de l’IPC en 2025 insee echantillon-agglomerations-IPC-2025 2026-07-24 2026-01-27
Indices pour la révision d’un bail commercial ou professionnel insee ILC-ILAT-ICC 2026-07-24 NA
Indices des loyers d'habitation (ILH) insee INDICES_LOYERS 2026-07-24 2026-07-24
Indice des prix à la consommation - Base 1970, 1980 insee IPC-1970-1980 2026-07-24 NA
Indices des prix à la consommation - Base 1990 insee IPC-1990 2026-07-24 NA
Indice des prix à la consommation - Base 2015 insee IPC-2015 2026-07-24 2026-07-23
Prix moyens de vente de détail insee IPC-PM-2015 2026-07-24 NA
Indices des prix à la consommation harmonisés insee IPCH-2015 2026-07-24 2026-07-24
Indices des prix à la consommation harmonisés insee IPCH-IPC-2015-ensemble 2026-07-24 2026-07-24
Indice des prix dans la grande distribution insee IPGD-2015 2026-07-24 NA
Indices des prix des logements neufs et Indices Notaires-Insee des prix des logements anciens insee IPLA-IPLNA-2015 2026-07-24 NA
Indices de prix de production et d'importation dans l'industrie insee IPPI-2015 2026-07-24 NA
Indice pour la révision d’un loyer d’habitation insee IRL 2026-07-24 2026-07-23
Liste des variétés pour la mesure de l'IPC en 2024 insee liste-varietes-IPC-2024 2026-07-23 2025-04-02
Liste des variétés pour la mesure de l'IPC en 2025 insee liste-varietes-IPC-2025 2026-07-23 2026-01-27
Pondérations élémentaires 2024 intervenant dans le calcul de l’IPC insee ponderations-elementaires-IPC-2024 2026-07-23 2025-04-02
Pondérations élémentaires 2025 intervenant dans le calcul de l’IPC insee ponderations-elementaires-IPC-2025 2026-07-23 2026-01-27
Variation des loyers insee SERIES_LOYERS 2026-07-23 2026-07-23
Consommation effective des ménages par fonction insee T_CONSO_EFF_FONCTION 2026-07-23 2025-12-22
Montants de consommation selon différentes catégories de ménages insee table_conso_moyenne_par_categorie_menages 2026-07-23 2026-01-27
Ventilation de chaque sous-classe (niveau 4 de la COICOP v2) en postes et leurs pondérations insee table_poste_au_sein_sous_classe_ecoicopv2_france_entiere_ 2026-07-23 2026-01-27
Poids de chaque tranche d’unités urbaines dans la consommation insee tranches_unitesurbaines 2026-07-23 2026-01-27

Last

Code 
last_date <- `IPGD-2015` %>%
  group_by(TIME_PERIOD) %>%
  summarise(Nobs = n()) %>%
  arrange(desc(TIME_PERIOD)) %>%
  head(1) %>%
  pull(TIME_PERIOD)

last_date %>%
  as_tibble %>%
  print_table_conditional()
value
2025-11

Tous produits

2017-

Code 
`IPGD-2015` %>%
  filter(`FORME-VENTE` == "GD",
         PRIX_CONSO %in% c("PROD_GC", "PA-TOTAL"),
         NATURE == "INDICE") %>%
  month_to_date %>%
  filter(date >= as.Date("2017-01-01")) %>%
  
  group_by(`Prix_conso`) %>%
  arrange(date) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[1]) %>%
  ggplot + geom_line(aes(x = date, y = OBS_VALUE, color = Prix_conso)) +
  theme_minimal() + xlab("") + ylab("Augmentation vs. Janvier 2017") +
  theme(legend.position = c(0.2, 0.8),
        legend.title = element_blank(),
        axis.text.x = element_text(angle = 45, vjust = 0.5, hjust=1)) +
  scale_y_continuous(breaks = seq(-100, 500, 2),
                     labels = percent(seq(-100, 500, 2)/100-1)) +
  scale_x_date(breaks = seq.Date(as.Date("2017-01-01"), Sys.Date(), by = "6 months"),
               labels = date_format("%B %Y"))

2021-

Code 
`IPGD-2015` %>%
  filter(`FORME-VENTE` == "GD",
         PRIX_CONSO %in% c("PROD_GC", "PA-TOTAL"),
         NATURE == "INDICE") %>%
  month_to_date %>%
  filter(date >= as.Date("2021-10-01")) %>%
  
  group_by(`Prix_conso`) %>%
  arrange(date) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[1]) %>%
  ggplot + geom_line(aes(x = date, y = OBS_VALUE, color = Prix_conso)) +
  theme_minimal() + xlab("") + ylab("Augmentation vs. Octobre 2021") +
  theme(legend.position = c(0.6, 0.2),
        legend.title = element_blank(),
        axis.text.x = element_text(angle = 45, vjust = 0.5, hjust=1)) +
  scale_y_continuous(breaks = seq(-100, 500, 2),
                     labels = percent(seq(-100, 500, 2)/100-1)) +
  scale_x_date(breaks = "2 months",
               labels = date_format("%b %Y"))

Viandes, Boissons, Produits alimentaires de grande conso, Produits d’entretien, hygiène-beauté

All

Code 
`IPGD-2015` %>%
  filter(PRIX_CONSO %in% c("PA-TOTAL", "PA-BOISSON", "PA-VIANDES", "PEH-TOTAL")) %>%
  month_to_date %>%
  
  ggplot + geom_line(aes(x = date, y = OBS_VALUE, color = Prix_conso)) +
  theme_minimal() + xlab("") + ylab("") +
  theme(legend.position = c(0.3, 0.8),
        legend.title = element_blank()) +
  scale_y_continuous(breaks = seq(-100, 500, 5)) +
  scale_x_date(breaks = seq(1920, 2100, 2) %>% paste0("-01-01") %>% as.Date,
               labels = date_format("%Y"))

2017-

Code 
`IPGD-2015` %>%
  filter(`FORME-VENTE` == "GD",
         PRIX_CONSO %in% c("PA-TOTAL", "PA-VIANDES", "PEH-TOTAL", "PROD_GC"),
         NATURE == "INDICE") %>%
  month_to_date %>%
  filter(date >= as.Date("2017-01-01")) %>%
  
  group_by(Prix_conso) %>%
  arrange(date) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[1]) %>%
  ggplot + geom_line(aes(x = date, y = OBS_VALUE, color = Prix_conso, linetype = Prix_conso)) +
  scale_linetype_manual(values = c("solid", "dashed","solid","dashed")) +
  scale_color_manual(values = c("forestgreen", "orange","black","maroon")) +
  theme_minimal() + xlab("") + ylab("Augmentation vs. Janvier 2017") +
  theme(legend.position = c(0.35, 0.8),
        legend.title = element_blank(),
        axis.text.x = element_text(angle = 45, vjust = 0.5, hjust=1)) +
  scale_y_continuous(breaks = seq(-100, 500, 2),
                     labels = percent(seq(-100, 500, 2)/100-1)) +
  scale_x_date(breaks = seq.Date(as.Date("2017-01-01"), Sys.Date(), by = "6 months"),
               labels = date_format("%B %Y"))

2021-

Code 
`IPGD-2015` %>%
  filter(`FORME-VENTE` == "GD",
         PRIX_CONSO %in% c("PA-TOTAL", "PA-VIANDES", "PEH-TOTAL", "PROD_GC"),
         NATURE == "INDICE") %>%
  month_to_date %>%
  filter(date >= as.Date("2021-04-01")) %>%
  
  group_by(Prix_conso) %>%
  arrange(date) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[1]) %>%
  ggplot + geom_line(aes(x = date, y = OBS_VALUE, color = Prix_conso, linetype = Prix_conso)) +
  scale_linetype_manual(values = c("solid", "dashed","solid","dashed")) +
  scale_color_manual(values = c("forestgreen", "orange","black","maroon")) +
  theme_minimal() + xlab("") + ylab("Augmentation vs. Avril 2021") +
  theme(legend.position = c(0.25, 0.8),
        legend.title = element_blank(),
        axis.text.x = element_text(angle = 45, vjust = 0.5, hjust=1)) +
  scale_y_continuous(breaks = seq(-100, 500, 2),
                     labels = percent(seq(-100, 500, 2)/100-1)) +
  scale_x_date(breaks = "2 months",
               labels = date_format("%b %Y"))

2022-

Code 
`IPGD-2015` %>%
  filter(PRIX_CONSO %in% c("PA-TOTAL", "PA-BOISSON", "PA-VIANDES", "PEH-TOTAL")) %>%
  month_to_date %>%
  filter(date >= as.Date("2022-01-01")) %>%
  
  group_by(Prix_conso) %>%
  arrange(date) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[1]) %>%
  ggplot + geom_line(aes(x = date, y = OBS_VALUE, color = Prix_conso)) +
  theme_minimal() + xlab("") + ylab("") +
  theme(legend.position = c(0.25, 0.8),
        legend.title = element_blank(),
        axis.text.x = element_text(angle = 45, vjust = 0.5, hjust=1)) +
  scale_y_continuous(breaks = seq(-100, 500, 2)) +
  scale_x_date(breaks = "2 months",
               labels = date_format("%b %Y"))

Grande distribution, GD étendue, Hors GD, Toutes formes de vente

2017-

Code 
`IPGD-2015` %>%
  filter(PRIX_CONSO %in% c("PROD_GC"),
         NATURE == "INDICE") %>%
  month_to_date %>%
  filter(date >= as.Date("2017-01-01")) %>%
  
  group_by(`Forme-Vente`) %>%
  arrange(date) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[1]) %>%
  ggplot + geom_line(aes(x = date, y = OBS_VALUE, color = `Forme-Vente`)) +
  theme_minimal() + xlab("") + ylab("Augmentation vs. Janvier 2017") +
  theme(legend.position = c(0.2, 0.8),
        legend.title = element_blank(),
        axis.text.x = element_text(angle = 45, vjust = 0.5, hjust=1)) +
  scale_y_continuous(breaks = seq(-100, 500, 2),
                     labels = percent(seq(-100, 500, 2)/100-1)) +
  scale_x_date(breaks = seq.Date(as.Date("2017-01-01"), Sys.Date(), by = "6 months"),
               labels = date_format("%B %Y"))

2021-

Code 
`IPGD-2015` %>%
  filter(PRIX_CONSO %in% c("PROD_GC"),
         NATURE == "INDICE") %>%
  month_to_date %>%
  filter(date >= as.Date("2021-11-01")) %>%
  
  group_by(`Forme-Vente`) %>%
  arrange(date) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[1]) %>%
  ggplot + geom_line(aes(x = date, y = OBS_VALUE, color = `Forme-Vente`)) +
  theme_minimal() + xlab("") + ylab("Augmentation vs. Novembre 2021") +
  theme(legend.position = c(0.2, 0.8),
        legend.title = element_blank(),
        axis.text.x = element_text(angle = 45, vjust = 0.5, hjust=1)) +
  scale_y_continuous(breaks = seq(-100, 500, 2),
                     labels = percent(seq(-100, 500, 2)/100-1)) +
  scale_x_date(breaks = seq.Date(as.Date(paste0(last_date, "-01")), as.Date("2021-11-01"), by = "-3 months"),
               labels = date_format("%B %Y"))