Indices trimestriels de salaires dans le secteur privé

Data - INSEE

Info

source dataset .html .RData
insee SALAIRES-ACEMO 2024-11-05 2024-11-09
insee SALAIRES-ACEMO-2017 2024-11-05 2024-11-09

Données sur les salaires

source dataset .html .RData
dares les-indices-de-salaire-de-base 2024-11-04 2024-09-21
insee CNA-2014-RDB 2024-11-09 2024-11-09
insee CNT-2014-CSI 2024-11-09 2024-11-09
insee ECRT2023 2024-11-09 2023-06-30
insee if230 2024-11-09 2021-12-04
insee INDICE-TRAITEMENT-FP 2024-11-09 2024-11-09
insee ir_salaires_SL_23_csv 2024-11-09 NA
insee ir_salaires_SL_csv 2024-11-09 NA
insee SALAIRES-ACEMO 2024-11-05 2024-11-09
insee SALAIRES-ACEMO-2017 2024-11-05 2024-11-09
insee SALAIRES-ANNUELS 2024-11-05 2024-11-09
insee t_7401 2024-10-18 2024-10-18
insee t_salaire_val 2024-11-05 2024-09-02

LAST_UPDATE

Code
`SALAIRES-ACEMO-2017` %>%
  group_by(LAST_UPDATE) %>%
  summarise(Nobs = n()) %>%
  arrange(-Nobs) %>%
  print_table_conditional()
LAST_UPDATE Nobs
2024-09-13 3737

LAST_COMPILE

LAST_COMPILE
2024-11-09

Last

Code
`SALAIRES-ACEMO-2017` %>%
  group_by(TIME_PERIOD) %>%
  summarise(Nobs = n()) %>%
  arrange(desc(TIME_PERIOD)) %>%
  head(1) %>%
  print_table_conditional()
TIME_PERIOD Nobs
2024-Q2 129

First

Code
`SALAIRES-ACEMO-2017` %>%
  group_by(TIME_PERIOD) %>%
  summarise(Nobs = n()) %>%
  arrange(desc(TIME_PERIOD)) %>%
  tail(1) %>%
  print_table_conditional()
TIME_PERIOD Nobs
2017-Q2 128

Définitions

  • ACEMO: Activité et Conditions d’Emploi de la Main-d’Oeuvre. pdf

  • Le salaire mensuel de base (SMB) correspond au salaire brut avant déduction des cotisations sociales et avant versement des prestations sociales. Il ne comprend ni les primes ni les heures supplémentaires. Son montant correspond généralement à celui de la première ligne du bulletin de paye d’un salarié.

SMPT vs SMB

Code
ig_b("insee", "ndc-octobre-2021", "salaires")

Code
ig_b("insee", "ndc-octobre-2021", "salaires-evolution")

TITLE_FR

Code
`SALAIRES-ACEMO-2017` %>%
  group_by(IDBANK, TITLE_FR) %>%
  summarise(Nobs = n(),
            date1 = first(TIME_PERIOD),
            date2 = last(TIME_PERIOD)) %>%
  arrange(-Nobs) %>%
  print_table_conditional()

INDICATEURS_ACEMO

Code
`SALAIRES-ACEMO-2017` %>%
  left_join(INDICATEURS_ACEMO, by = "INDICATEURS_ACEMO") %>%
  group_by(INDICATEURS_ACEMO, Indicateurs_acemo) %>%
  summarise(Nobs = n()) %>%
  arrange(-Nobs) %>%
  print_table_conditional()
INDICATEURS_ACEMO Indicateurs_acemo Nobs
ISMS Indice des salaires mensuels de base 1359
ITSHO Indice des taux de salaire horaire des ouvrier 1189
ITSHOE Indice des taux de salaire horaire des ouvriers et des employé 1189

NATURE

Code
`SALAIRES-ACEMO-2017` %>%
  left_join(NATURE, by = "NATURE") %>%
  group_by(NATURE, Nature) %>%
  summarise(Nobs = n()) %>%
  arrange(-Nobs) %>%
  print_table_conditional()
NATURE Nature Nobs
INDICE Indice 3712
GLISSEMENT_ANNUEL Glissement annuel 25

NAF2

Code
`SALAIRES-ACEMO-2017` %>%
  left_join(NAF2, by = "NAF2") %>%
  group_by(NAF2, Naf2) %>%
  summarise(Nobs = n()) %>%
  arrange(-Nobs) %>%
  print_table_conditional()

TIME_PERIOD

Code
`SALAIRES-ACEMO-2017` %>%
  group_by(TIME_PERIOD) %>%
  summarise(Nobs = n()) %>%
  arrange(desc(TIME_PERIOD)) %>%
  print_table_conditional()
TIME_PERIOD Nobs
2024-Q2 129
2024-Q1 129
2023-Q4 129
2023-Q3 129
2023-Q2 129
2023-Q1 129
2022-Q4 129
2022-Q3 129
2022-Q2 129
2022-Q1 129
2021-Q4 129
2021-Q3 129
2021-Q2 129
2021-Q1 129
2020-Q4 129
2020-Q3 129
2020-Q2 129
2020-Q1 129
2019-Q4 129
2019-Q3 129
2019-Q2 129
2019-Q1 129
2018-Q4 129
2018-Q3 129
2018-Q2 129
2018-Q1 128
2017-Q4 128
2017-Q3 128
2017-Q2 128

Ensemble des secteurs non agricoles

ACEMO, ACEMO-2017

Join

Code
`SALAIRES-ACEMO-2017` %>%
  bind_rows(`SALAIRES-ACEMO`) %>%
  filter(NAF2 == "ENS_H_AZ",
         NATURE == "INDICE",
         INDICATEURS_ACEMO == "ISMS") %>%
  quarter_to_date %>%
  arrange(date) %>%
  left_join(INDICATEURS_ACEMO, by = "INDICATEURS_ACEMO") %>%
  group_by(REF_AREA) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[date == as.Date("2017-04-01")]) %>%
  ggplot(.) + theme_minimal() + ylab("") + xlab("") +
  geom_line(aes(x = date, y = OBS_VALUE, color = REF_AREA)) +
  theme(legend.title = element_blank(),
        legend.position = c(0.3, 0.8)) +
  scale_x_date(breaks = seq(1950, 2100, 2) %>% paste0("-01-01") %>% as.Date,
               labels = date_format("%Y")) +
  scale_y_log10(breaks = seq(10, 200, 5))

Base 1999 = 100

Code
`SALAIRES-ACEMO-2017` %>%
  bind_rows(`SALAIRES-ACEMO`) %>%
  filter(NAF2 == "ENS_H_AZ",
         NATURE == "INDICE",
         INDICATEURS_ACEMO == "ISMS") %>%
  quarter_to_date %>%
  arrange(date) %>%
  left_join(INDICATEURS_ACEMO, by = "INDICATEURS_ACEMO") %>%
  group_by(REF_AREA) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[date == as.Date("2017-04-01")]) %>%
  ungroup %>%
  filter(date >= as.Date("1999-01-01")) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[date == as.Date("1999-01-01")]) %>%
  ggplot(.) + theme_minimal() + ylab("") + xlab("") +
  geom_line(aes(x = date, y = OBS_VALUE, color = REF_AREA)) +
  theme(legend.title = element_blank(),
        legend.position = c(0.3, 0.8)) +
  scale_x_date(breaks = seq(1999, 2100, 5) %>% paste0("-01-01") %>% as.Date,
               labels = date_format("%Y")) +
  scale_y_log10(breaks = seq(10, 200, 5))

All

Code
`SALAIRES-ACEMO-2017` %>%
  filter(NAF2 == "ENS_H_AZ",
         NATURE == "INDICE") %>%
  quarter_to_date %>%
  arrange(date) %>%
  left_join(INDICATEURS_ACEMO, by = "INDICATEURS_ACEMO") %>%
  group_by(Indicateurs_acemo) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[date == as.Date("2017-04-01")]) %>%
  ggplot(.) + theme_minimal() + ylab("") + xlab("") +
  geom_line(aes(x = date, y = OBS_VALUE, color = Indicateurs_acemo)) +
  theme(legend.title = element_blank(),
        legend.position = c(0.3, 0.8)) +
  scale_x_date(breaks = seq(1950, 2100, 1) %>% paste0("-01-01") %>% as.Date,
               labels = date_format("%Y")) +
  scale_y_log10(breaks = seq(100, 200, 1))

Matériel de transport

All

Code
`SALAIRES-ACEMO-2017` %>%
  filter(NAF2 == "A17-C4",
         NATURE == "INDICE") %>%
  quarter_to_date %>%
  arrange(date) %>%
  left_join(INDICATEURS_ACEMO, by = "INDICATEURS_ACEMO") %>%
  group_by(Indicateurs_acemo) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[date == as.Date("2017-04-01")]) %>%
  ggplot(.) + theme_minimal() + ylab("") + xlab("") +
  geom_line(aes(x = date, y = OBS_VALUE, color = Indicateurs_acemo)) +
  theme(legend.title = element_blank(),
        legend.position = c(0.3, 0.8)) +
  scale_x_date(breaks = seq(1950, 2100, 1) %>% paste0("-01-01") %>% as.Date,
               labels = date_format("%Y")) +
  scale_y_log10(breaks = seq(100, 200, 1))