Indices trimestriels de salaires dans le secteur privé - Résultats par secteur d’activité

Data - INSEE

Info

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

Data on wages

source dataset .html .RData
eurostat earn_mw_cur 2024-11-08 2024-10-08
eurostat ei_lmlc_q 2024-11-08 2024-10-08
eurostat lc_lci_lev 2024-11-08 2024-10-08
eurostat lc_lci_r2_q 2024-11-08 2024-11-04
eurostat nama_10_lp_ulc 2024-11-08 2024-10-08
eurostat namq_10_lp_ulc 2024-11-05 2024-11-04
eurostat tps00155 2024-11-05 2024-10-08
fred wage 2024-11-09 2024-11-09
ilo EAR_4MTH_SEX_ECO_CUR_NB_A 2024-06-20 2023-06-01
ilo EAR_XEES_SEX_ECO_NB_Q 2024-06-20 2023-06-01
oecd AV_AN_WAGE 2024-04-16 2024-10-24
oecd AWCOMP 2024-09-15 2023-09-09
oecd EAR_MEI 2024-04-16 2024-04-16
oecd HH_DASH 2024-09-15 2023-09-09
oecd MIN2AVE 2024-09-15 2023-09-09
oecd RMW 2024-09-15 2024-03-12
oecd ULC_EEQ 2024-09-15 2024-04-15

LAST_UPDATE

Code
`SALAIRES-ACEMO` %>%
  group_by(LAST_UPDATE) %>%
  summarise(Nobs = n()) %>%
  arrange(-Nobs) %>%
  print_table_conditional()
LAST_UPDATE Nobs
2018-06-22 8422

LAST_COMPILE

LAST_COMPILE
2024-11-09

Last

Code
`SALAIRES-ACEMO` %>%
  group_by(TIME_PERIOD) %>%
  summarise(Nobs = n()) %>%
  arrange(desc(TIME_PERIOD)) %>%
  head(1) %>%
  print_table_conditional()
TIME_PERIOD Nobs
2018-Q1 129

First

Code
`SALAIRES-ACEMO` %>%
  group_by(TIME_PERIOD) %>%
  summarise(Nobs = n()) %>%
  arrange(desc(TIME_PERIOD)) %>%
  tail(1) %>%
  print_table_conditional()
TIME_PERIOD Nobs
1998-Q4 88

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.

  • L’enquête ACEMO (enquête sur l’activité et les conditions d’emploi de la main d’œuvre) est réalisée auprès des entreprises de l’ensemble du secteur marchand hors employeurs agricoles, administration publique, syndicats de copropriété, associations de type loi 1901 de l’action sociale, activités des ménages, activités extraterritoriales de France métropolitaine. L’enquête ACEMO est réalisée par la Dares trimestriellement auprès des entreprises de 10 salariés ou plus et annuellement et de manière simplifiée auprès des entreprises de moins de 10 salariés. L’enquête mesure les évolutions conjoncturelles de :

  1. L’emploi salarié en fin de trimestre. L’ensemble des salariés ayant un contrat de travail et qui sont payés par l’établissement sont comptés à l’exclusion des intérimaires et des stagiaires. Les salariés à temps partiel, en contrat à durée déterminée et en contrat « nouvelles-embauches » (CNE) sont aussi pris en compte.
  2. Les salaires de base : salaire mensuel de base (SMB) et salaire horaire de base des ouvriers (SHBO).
  3. La durée collective du travail : la durée collective (ou offerte) mesure l’horaire collectif de travail, commun à un groupe de salariés tel qu’il est affiché sur leur lieu de travail. Elle ne s’applique qu’aux salariés à temps complet, la durée du travail des salariés à temps partiel étant fixée par leur contrat de travail. L’enquête ACEMO permet en outre de calculer la proportion de salariés dont le temps de travail est décompté sous forme d’un forfait en jours.

SMPT vs SMB

Code
i_g("bib/insee/ndc-octobre-2021/salaires.png")

Code
i_g("bib/insee/ndc-octobre-2021/salaires-evolution.png")

TITLE_FR

Tous

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

NAF2 = ENS_H_AZ

Code
`SALAIRES-ACEMO` %>%
  filter(NAF2 == "ENS_H_AZ") %>%
  group_by(IDBANK, TITLE_FR) %>%
  summarise(Nobs = n(),
            date1 = first(TIME_PERIOD),
            date2 = last(TIME_PERIOD)) %>%
  arrange(-Nobs) %>%
  print_table_conditional()
IDBANK TITLE_FR Nobs date1 date2
001567407 Indice des taux de salaire horaire des ouvriers - Ensemble des secteurs non agricoles - NAF rév. 2 ENS) - Base 100 au T4 2008 - Série arrêtée 78 2018-Q1 1998-Q4
001567453 Indice des salaires mensuels de base - Ensemble des secteurs non agricoles - NAF rév. 2 ENS) - Base 100 au T4 2008 - Série arrêtée 78 2018-Q1 1998-Q4
001643152 Glissement annuel de l'indice des salaires mensuels de base - Ensemble des secteurs non agricoles (NAF rév. 2, ensemble) – Série arrêtée 78 2018-Q1 1998-Q4
001657369 Indice des taux de salaire horaire des ouvriers et des employés - Ensemble des secteurs non agricoles - NAF rév. 2 ENS) - Base 100 au T4 2008 - Série arrêtée 38 2018-Q1 2008-Q4

INDICATEURS_ACEMO

Code
`SALAIRES-ACEMO` %>%
  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 3666
ITSHO Indice des taux de salaire horaire des ouvrier 3198
ITSHOE Indice des taux de salaire horaire des ouvriers et des employé 1558

BASIND

Code
`SALAIRES-ACEMO` %>%
  left_join(BASIND, by = "BASIND") %>%
  group_by(BASIND, Basind) %>%
  summarise(Nobs = n()) %>%
  arrange(-Nobs) %>%
  print_table_conditional()
BASIND Basind Nobs
2008-T4 4ème trimestre de 2008 8344
SO Sans objet 78

NATURE

Code
`SALAIRES-ACEMO` %>%
  left_join(NATURE, by = "NATURE") %>%
  group_by(NATURE, Nature) %>%
  summarise(Nobs = n()) %>%
  arrange(-Nobs) %>%
  print_table_conditional()
NATURE Nature Nobs
INDICE Indice 8344
GLISSEMENT_ANNUEL Glissement annuel 78

NAF2

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

TIME_PERIOD

Code
`SALAIRES-ACEMO` %>%
  group_by(TIME_PERIOD) %>%
  summarise(Nobs = n()) %>%
  arrange(desc(TIME_PERIOD)) %>%
  print_table_conditional()

Indice

Code
`SALAIRES-ACEMO` %>%
  filter(NAF2 == "ENS_H_AZ",
         NATURE == "INDICE",
         INDICATEURS_ACEMO %in% c("ISMS", "ITSHO")) %>%
  quarter_to_date %>%
  left_join(INDICATEURS_ACEMO, by = "INDICATEURS_ACEMO") %>%
  group_by(Indicateurs_acemo) %>%
  mutate(OBS_VALUE = 100*OBS_VALUE/OBS_VALUE[date == as.Date("1998-10-01")]) %>%
  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, 2022, 2) %>% paste0("-01-01") %>% as.Date,
               labels = date_format("%Y")) +
  scale_y_log10(breaks = seq(100, 200, 5))