2.101 – Revenu disponible brut des ménages et évolution du pouvoir d’achat par personne, par ménage et par unité de consommation (En milliards euros et %)

Data - INSEE

Auteur

François Geerolf

Info

2021

Code 
i_g("bib/insee/FPORSOC22/F29/table2.png")

2020

Code 
i_g("bib/insee/FPS2021/revenu-primaire-RDB.png")

2020

  • Comptes de la Nation 2020. html

2019

  • Comptes de la Nation 2019. html

Bibliographie en lien

Français

« Mesurer “le” pouvoir d’achat », F. Geerolf, Document de travail, 9 juillet 2024. [ html] [ pdf] [ handouts] [ pdf] [ html] [ github]

« La taxe inflationniste, le pouvoir d’achat, le taux d’épargne et le déficit public », F. Geerolf, Document de travail, 9 juillet 2024. [ html] [ pdf] [ handouts] [ pdf] [ html] [ github]

« Inflation en France : IPC ou IPCH ? », F. Geerolf, Document de travail, 9 juillet 2024. [ html] [ pdf] [ handouts] [ pdf] [ html] [ github]

Line

Code 
T_2101 %>%
  group_by(line, variable, Variable) %>%
  summarise(Nobs = n()) %>%
  print_table_conditional
line variable Variable Nobs
1 D11 Salaires et traitements bruts 66
2 D613CE Cotisations sociales effectives obligatoires à la charge des salariés 66
3 D11X613CE Salaires et traitements nets 66
4 D62 Prestations sociales autres que transferts sociaux en nature 66
5 RSS Revenus salariaux et sociaux 66
6 B2A3G Excédent brut d’exploitation et revenu mixte brut 66
7 D613NSI Cotisations des non salariés 66
8 B6G Revenu disponible brut 66
9 B6G Revenu disponible brut 66
10 P31 Dépense de consommation individuelle - indice du prix de la consommation des ménages 66
11 _PAM Pouvoir d’achat du rdb des ménages (**) 65
12 _PAM_PERSONNE Pouvoir d’achat du rdb par personne 65
13 _PAM_MENAGE Pouvoir d’achat du rdb par ménage 65
14 _PAM_UC Pouvoir d’achat du rdb par unité de consommation 65
15 POP Population 66
16 MENF Moyenne annuelle du nombre de ménages en France entière 66
17 UC Unités de consommation 66

Croissance, 2017-2024

Code 
T_2101 %>%
  filter(year %in% c("2017", "2024")) %>%
  spread(year, value) %>%
  mutate(croissance = round(100*(`2024`/`2017`-1), 2)) %>%
  arrange(desc(croissance)) %>%
  print_table_conditional()
variable Variable line 2017 2024 croissance
P31 Dépense de consommation individuelle - indice du prix de la consommation des ménages 10 0.767 2.187 185.14
_PAM_MENAGE Pouvoir d’achat du rdb par ménage 13 0.829 1.671 101.57
B6G Revenu disponible brut 9 2.501 4.801 91.96
_PAM_UC Pouvoir d’achat du rdb par unité de consommation 14 1.163 2.068 77.82
_PAM_PERSONNE Pouvoir d’achat du rdb par personne 12 1.314 2.289 74.20
_PAM Pouvoir d’achat du rdb des ménages (**) 11 1.720 2.557 48.66
B6G Revenu disponible brut 8 1387.380 1861.088 34.14
D11X613CE Salaires et traitements nets 3 760.073 997.125 31.19
B2A3G Excédent brut d’exploitation et revenu mixte brut 6 311.645 406.978 30.59
RSS Revenus salariaux et sociaux 5 1256.715 1628.351 29.57
D11 Salaires et traitements bruts 1 880.657 1134.133 28.78
D62 Prestations sociales autres que transferts sociaux en nature 4 496.642 631.226 27.10
D613NSI Cotisations des non salariés 7 29.549 36.307 22.87
D613CE Cotisations sociales effectives obligatoires à la charge des salariés 2 120.584 137.008 13.62
MENF Moyenne annuelle du nombre de ménages en France entière 16 0.884 0.871 -1.47
UC Unités de consommation 17 0.550 0.479 -12.91
POP Population 15 0.401 0.262 -34.66

Salaires bruts, salaires nets

% du PIB

Code 
T_2101 %>%
  filter(line %in% c(1, 3)) %>%
  left_join(gdp, by = "year") %>%
  year_to_date2 %>%
  ggplot + geom_line(aes(x = date, y = value / gdp, color = Variable)) +
  theme_minimal() + xlab("") + ylab("% du PIB") +
  scale_x_date(breaks ="5 years",
               labels = date_format("%Y")) +
  scale_y_continuous(breaks = 0.01*seq(-10, 100, 1),
                     labels = percent_format(accuracy = 1)) +
  theme(legend.position = c(0.2, 0.15),
        legend.title = element_blank())

% du RDB

Code 
T_2101 %>%
  filter(line %in% c(1, 3)) %>%
  left_join(rdb, by = "year") %>%
  year_to_date2 %>%
  ggplot + geom_line(aes(x = date, y = value / rdb, color = Variable)) +
  theme_minimal() + xlab("") + ylab("% du RDB") +
  scale_x_date(breaks ="5 years",
               labels = date_format("%Y")) +
  scale_y_continuous(breaks = 0.01*seq(-10, 100, 1),
                     labels = percent_format(accuracy = 1)) +
  theme(legend.position = c(0.15, 0.93),
        legend.title = element_blank())

Base 100

2008-

Code 
T_2101 %>%
  filter(line %in% c(1, 3)) %>%
  year_to_date2 %>%
  filter(date >= as.Date("2008-01-01")) %>%
  group_by(Variable) %>%
  mutate(value = 100*value/value[1]) %>%
  ggplot + geom_line(aes(x = date, y = value, color = Variable)) +
  theme_minimal() + xlab("") + ylab("Base 100 = 2008") +
  scale_x_date(breaks = as.Date(paste0(seq(1940, 2100, 2), "-01-01")),
               labels = date_format("%Y")) +
  scale_y_log10(breaks = seq(-10, 200, 5)) +
  theme(legend.position = c(0.3, 0.93),
        legend.title = element_blank())

2017-

Code 
T_2101 %>%
  filter(line %in% c(1, 3)) %>%
  year_to_date2 %>%
  filter(date >= as.Date("2017-01-01")) %>%
  group_by(Variable) %>%
  mutate(value = 100*value/value[1]) %>%
  ggplot + geom_line(aes(x = date, y = value, color = Variable)) +
  theme_minimal() + xlab("") + ylab("Base 100 = 2017") +
  scale_x_date(breaks = as.Date(paste0(seq(1940, 2100, 1), "-01-01")),
               labels = date_format("%Y")) +
  scale_y_log10(breaks = seq(-10, 200, 5)) +
  theme(legend.position = c(0.3, 0.93),
        legend.title = element_blank()) +
  geom_label(data = . %>% filter(date == max(date)),
             aes(x = date, y = value, label = round(value, 1), color = Variable), show.legend = F)

Prestations / Salaires Nets

Part (%)

Code 
T_2101 %>%
  filter(variable %in% c("D11", "D62")) %>%
  year_to_date2 %>%
  select(date, variable, value) %>%
  spread(variable, value) %>%
  mutate(value = D62/D11) %>%
  ggplot + geom_line(aes(x = date, y = value)) +
  theme_minimal() + xlab("") + ylab("Prestations sociales hors transferts en nature\n% des salaires nets") +
  scale_x_date(breaks ="5 years",
               labels = date_format("%Y")) +
  scale_y_continuous(breaks = 0.01*seq(-10, 100, 2),
                     labels = percent_format(accuracy = 1)) +
  theme(legend.position = c(0.5, 0.9),
        legend.title = element_blank())

EBE, Prestations sociales

% du PIB

Code 
T_2101 %>%
  filter(line %in% c(4, 6)) %>%
  left_join(gdp, by = "year") %>%
  year_to_date2 %>%
  ggplot + geom_line(aes(x = date, y = value / gdp, color = Variable)) +
  theme_minimal() + xlab("") + ylab("% du PIB") +
  scale_x_date(breaks ="5 years",
               labels = date_format("%Y")) +
  scale_y_continuous(breaks = 0.01*seq(-10, 100, 1),
                     labels = percent_format(accuracy = 1)) +
  theme(legend.position = c(0.5, 0.9),
        legend.title = element_blank())

% du RDB

Code 
T_2101 %>%
  filter(line %in% c(4, 6)) %>%
  left_join(rdb, by = "year") %>%
  year_to_date2 %>%
  ggplot + geom_line(aes(x = date, y = value / rdb, color = Variable)) +
  theme_minimal() + xlab("") + ylab("% du RDB") +
  scale_x_date(breaks ="5 years",
               labels = date_format("%Y")) +
  scale_y_continuous(breaks = 0.01*seq(-10, 100, 1),
                     labels = percent_format(accuracy = 1)) +
  theme(legend.position = c(0.5, 0.9),
        legend.title = element_blank())

Base 100

2008-

Code 
T_2101 %>%
  filter(line %in% c(4, 6)) %>%
  year_to_date2 %>%
  filter(date >= as.Date("2008-01-01")) %>%
  group_by(Variable) %>%
  mutate(value = 100*value/value[1]) %>%
  ggplot + geom_line(aes(x = date, y = value, color = Variable)) +
  theme_minimal() + xlab("") + ylab("Base 100 = 2008") +
  scale_x_date(breaks = as.Date(paste0(seq(1940, 2100, 2), "-01-01")),
               labels = date_format("%Y")) +
  scale_y_log10(breaks = seq(-10, 200, 5)) +
  theme(legend.position = c(0.3, 0.93),
        legend.title = element_blank())

2017-

Code 
T_2101 %>%
  filter(line %in% c(4, 6)) %>%
  year_to_date2 %>%
  filter(date >= as.Date("2017-01-01")) %>%
  group_by(Variable) %>%
  mutate(value = 100*value/value[1]) %>%
  ggplot + geom_line(aes(x = date, y = value, color = Variable)) +
  theme_minimal() + xlab("") + ylab("Base 100 = 2017") +
  scale_x_date(breaks = as.Date(paste0(seq(1940, 2100, 1), "-01-01")),
               labels = date_format("%Y")) +
  scale_y_log10(breaks = seq(-10, 200, 5)) +
  theme(legend.position = c(0.3, 0.93),
        legend.title = element_blank()) +
  geom_label(data = . %>% filter(date == max(date)),
             aes(x = date, y = value, label = round(value, 1), color = Variable), show.legend = F)