Dépenses de consommation des ménages aux prix courants (données CVS-CJO)

Data - INSEE

Info

source dataset Title .html .rData
insee t_conso_val Dépenses de consommation des ménages aux prix courants (données CVS-CJO) 2025-10-10 2025-08-29

Données sur la macroéconomie en France

source dataset Title .html .rData
bdf CFT Comptes Financiers Trimestriels 2025-08-28 2025-03-09
insee CNA-2014-CONSO-SI Dépenses de consommation finale par secteur institutionnel 2025-10-10 2025-10-09
insee CNA-2014-CSI Comptes des secteurs institutionnels 2025-10-10 2025-10-09
insee CNA-2014-FBCF-BRANCHE Formation brute de capital fixe (FBCF) par branche 2025-10-10 2025-10-09
insee CNA-2014-FBCF-SI Formation brute de capital fixe (FBCF) par secteur institutionnel 2025-10-10 2025-10-09
insee CNA-2014-RDB Revenu et pouvoir d’achat des ménages 2025-10-10 2025-10-09
insee CNA-2020-CONSO-MEN Consommation des ménages 2025-10-10 2025-09-30
insee CNA-2020-PIB Produit intérieur brut (PIB) et ses composantes 2025-10-10 2025-05-28
insee CNT-2014-CB Comptes des branches 2025-10-10 2025-10-09
insee CNT-2014-CSI Comptes de secteurs institutionnels 2025-10-10 2025-10-09
insee CNT-2014-OPERATIONS Opérations sur biens et services 2025-10-10 2025-10-09
insee CNT-2014-PIB-EQB-RF Équilibre du produit intérieur brut 2025-10-10 2025-10-09
insee CONSO-MENAGES-2020 Consommation des ménages en biens 2025-10-10 2025-10-09
insee ICA-2015-IND-CONS Indices de chiffre d'affaires dans l'industrie et la construction 2025-10-10 2025-10-09
insee conso-mensuelle Consommation de biens, données mensuelles 2025-10-10 2023-07-04
insee t_1101 1.101 – Le produit intérieur brut et ses composantes à prix courants (En milliards d'euros) 2025-10-10 2022-01-02
insee t_1102 1.102 – Le produit intérieur brut et ses composantes en volume aux prix de l'année précédente chaînés (En milliards d'euros 2014) 2025-10-10 2020-10-30
insee t_1105 1.105 – Produit intérieur brut - les trois approches à prix courants (En milliards d'euros) - t_1105 2025-10-10 2020-10-30

LAST_COMPILE

LAST_COMPILE
2025-10-11

variable

Code
t_conso_val %>%
  left_join(variable, by = "variable") %>%
  group_by(variable, Variable) %>%
  summarise(Nobs = n()) %>%
  arrange(-Nobs) %>%
  print_table_conditional
variable Variable Nobs
(CHTR) Correction territoriale 306
(DE) à (C5) Industrie 306
(FZ) à (RU) Total services 306
(GZ) à (MN), (RU) Services marchands 306
AZ Produits agricoles 306
C Produits manufacturés 306
C1 Produits agro-alimentaires 306
C2 Cokéfaction et raffinage 306
C3 Biens d'équipement 306
C4 Matériels de transport 306
C5 Autres produits industriels 306
DE Energie, eau, déchets 306
FZ Construction 306
GZ Commerce 306
HZ Transport 306
IZ Hébergement-restauration 306
JZ Information-communication 306
KZ Services financiers 306
LZ Services immobiliers 306
MN Services aux entreprises 306
OQ Services non marchands 306
RU Services aux ménages 306
TOTAL Total 306

date

Code
t_conso_val %>%
  group_by(date) %>%
  summarise(Nobs = n()) %>%
  arrange(desc(date)) %>%
  print_table_conditional

Evolution

2017T2-

Code
t_conso_val %>%
  left_join(variable, by = "variable") %>%
  filter(date %in% c(max(date), as.Date("2017-04-01"))) %>%
  spread(date, value) %>%
  mutate(change = round(100*(.[[4]]/.[[3]]-1), 2)) %>%
  arrange(-change) %>%
  print_table_conditional(.)
variable Variable 2017-04-01 2025-04-01 change
(CHTR) Correction territoriale -2.455 -5.601 128.15
KZ Services financiers 17.969 30.453 69.48
IZ Hébergement-restauration 20.956 34.324 63.79
MN Services aux entreprises 7.385 11.434 54.83
GZ Commerce 1.145 1.664 45.33
RU Services aux ménages 11.287 16.314 44.54
HZ Transport 9.588 13.571 41.54
FZ Construction 5.369 7.598 41.52
(GZ) à (MN), (RU) Services marchands 141.926 198.658 39.97
(FZ) à (RU) Total services 163.145 225.718 38.35
DE Energie, eau, déchets 13.205 18.102 37.08
TOTAL Total 297.728 383.763 28.90
C1 Produits agro-alimentaires 42.301 53.296 25.99
LZ Services immobiliers 62.418 77.218 23.71
AZ Produits agricoles 7.542 9.325 23.64
OQ Services non marchands 15.849 19.462 22.80
JZ Information-communication 11.178 13.681 22.39
(DE) à (C5) Industrie 129.496 154.320 19.17
C2 Cokéfaction et raffinage 11.651 13.761 18.11
C Produits manufacturés 116.291 136.219 17.14
C4 Matériels de transport 16.386 18.567 13.31
C5 Autres produits industriels 37.024 41.123 11.07
C3 Biens d'équipement 8.929 9.471 6.07

2019T4-

Code
t_conso_val %>%
  left_join(variable, by = "variable") %>%
  filter(date %in% c(max(date), as.Date("2019-10-01"))) %>%
  spread(date, value) %>%
  mutate(change = round(100*(.[[4]]/.[[3]]-1), 2)) %>%
  arrange(change) %>%
  print_table_conditional(.)
variable Variable 2019-10-01 2025-04-01 change
C3 Biens d'équipement 9.187 9.471 3.09
C2 Cokéfaction et raffinage 13.206 13.761 4.20
C4 Matériels de transport 17.760 18.567 4.54
C5 Autres produits industriels 37.740 41.123 8.96
C Produits manufacturés 122.215 136.219 11.46
(DE) à (C5) Industrie 136.294 154.320 13.23
JZ Information-communication 11.853 13.681 15.42
AZ Produits agricoles 8.058 9.325 15.72
LZ Services immobiliers 66.061 77.218 16.89
OQ Services non marchands 16.584 19.462 17.35
C1 Produits agro-alimentaires 44.322 53.296 20.25
TOTAL Total 317.840 383.763 20.74
GZ Commerce 1.323 1.664 25.77
(FZ) à (RU) Total services 176.490 225.718 27.89
DE Energie, eau, déchets 14.079 18.102 28.57
(GZ) à (MN), (RU) Services marchands 154.070 198.658 28.94
FZ Construction 5.836 7.598 30.19
RU Services aux ménages 12.515 16.314 30.36
HZ Transport 10.196 13.571 33.10
MN Services aux entreprises 8.435 11.434 35.55
IZ Hébergement-restauration 24.627 34.324 39.38
KZ Services financiers 19.059 30.453 59.78
(CHTR) Correction territoriale -3.003 -5.601 86.51

2 years

Code
t_conso_val %>%
  left_join(variable, by = "variable") %>%
  filter(date %in% c(max(date), max(date) - years(2))) %>%
  spread(date, value) %>%
  mutate(change = round(100*(.[[4]]/.[[3]]-1), 2)) %>%
  arrange(-change) %>%
  print_table_conditional(.)
variable Variable 2023-04-01 2025-04-01 change
(CHTR) Correction territoriale -3.993 -5.601 40.27
IZ Hébergement-restauration 31.202 34.324 10.01
RU Services aux ménages 14.848 16.314 9.87
MN Services aux entreprises 10.408 11.434 9.86
HZ Transport 12.387 13.571 9.56
OQ Services non marchands 17.820 19.462 9.21
(FZ) à (RU) Total services 210.086 225.718 7.44
(GZ) à (MN), (RU) Services marchands 184.990 198.658 7.39
LZ Services immobiliers 72.067 77.218 7.15
DE Energie, eau, déchets 17.075 18.102 6.01
FZ Construction 7.276 7.598 4.43
TOTAL Total 368.053 383.763 4.27
KZ Services financiers 29.209 30.453 4.26
GZ Commerce 1.609 1.664 3.42
JZ Information-communication 13.259 13.681 3.18
AZ Produits agricoles 9.080 9.325 2.70
C1 Produits agro-alimentaires 52.192 53.296 2.12
(DE) à (C5) Industrie 152.879 154.320 0.94
C5 Autres produits industriels 40.933 41.123 0.46
C Produits manufacturés 135.804 136.219 0.31
C4 Matériels de transport 18.546 18.567 0.11
C3 Biens d'équipement 9.706 9.471 -2.42
C2 Cokéfaction et raffinage 14.428 13.761 -4.62

Last year

Code
t_conso_val %>%
  left_join(variable, by = "variable") %>%
  filter(date %in% c(max(date), max(date) - years(1))) %>%
  spread(date, value) %>%
  mutate(change = round(100*(.[[4]]/.[[3]]-1), 2)) %>%
  arrange(-change) %>%
  print_table_conditional(.)
variable Variable 2024-04-01 2025-04-01 change
(CHTR) Correction territoriale -4.347 -5.601 28.85
IZ Hébergement-restauration 32.601 34.324 5.29
HZ Transport 13.003 13.571 4.37
AZ Produits agricoles 8.983 9.325 3.81
MN Services aux entreprises 11.016 11.434 3.79
LZ Services immobiliers 74.727 77.218 3.33
RU Services aux ménages 15.790 16.314 3.32
(GZ) à (MN), (RU) Services marchands 193.133 198.658 2.86
(FZ) à (RU) Total services 219.479 225.718 2.84
OQ Services non marchands 18.942 19.462 2.75
FZ Construction 7.404 7.598 2.62
C1 Produits agro-alimentaires 52.090 53.296 2.32
TOTAL Total 379.762 383.763 1.05
C5 Autres produits industriels 40.741 41.123 0.94
GZ Commerce 1.652 1.664 0.73
C Produits manufacturés 136.181 136.219 0.03
KZ Services financiers 30.581 30.453 -0.42
JZ Information-communication 13.763 13.681 -0.60
(DE) à (C5) Industrie 155.647 154.320 -0.85
C3 Biens d'équipement 9.615 9.471 -1.50
C4 Matériels de transport 19.000 18.567 -2.28
C2 Cokéfaction et raffinage 14.736 13.761 -6.62
DE Energie, eau, déchets 19.466 18.102 -7.01

Consommation, Services financiers

2017-

Code
t_conso_val %>%
  filter(variable %in% c("AZ", "C1", "KZ"),
         date >= as.Date("2017-01-01")) %>%
  group_by(variable) %>%
  arrange(date) %>%
  mutate(value = 100*value/value[1]) %>%
  left_join(variable, by = "variable") %>%
  ggplot + geom_line(aes(x = date, y = value, color = Variable)) +
  theme_minimal() + ylab("Consommation trimestrielle") + xlab("") +
  theme(legend.title = element_blank(),
        legend.position = c(0.2, 0.8)) +
  scale_x_date(breaks = seq(1950, 2100, 1) %>% paste0("-01-01") %>% as.Date,
               labels = date_format("%Y")) +
  scale_y_log10(breaks = seq(70, 1000, 5))

Produits agricoles

1949-

Code
t_conso_val %>%
  filter(variable %in% c("AZ")) %>%
  group_by(variable) %>%
  arrange(date) %>%
  mutate(value = 100*value/value[1]) %>%
  left_join(variable, by = "variable") %>%
  ggplot + geom_line(aes(x = date, y = value)) +
  theme_minimal() + ylab("Consommation trimestrielle de produits agricoles") + xlab("") +
  theme(legend.title = element_blank(),
        legend.position = c(0.2, 0.9)) +
  scale_x_date(breaks = seq(1950, 2100, 5) %>% paste0("-01-01") %>% as.Date,
               labels = date_format("%Y")) +
  scale_y_log10(breaks = c(100, 200, 500, 800, 1000, 2000, 5000, 10000))

Consommation alimentaire

1949-

Code
t_conso_val %>%
  filter(variable %in% c("AZ", "C1")) %>%
  group_by(variable) %>%
  arrange(date) %>%
  mutate(value = 100*value/value[1]) %>%
  left_join(variable, by = "variable") %>%
  ggplot + geom_line(aes(x = date, y = value, color = Variable)) +
  theme_minimal() + ylab("Consommation trimestrielle") + xlab("") +
  theme(legend.title = element_blank(),
        legend.position = c(0.2, 0.8)) +
  scale_x_date(breaks = seq(1950, 2100, 5) %>% paste0("-01-01") %>% as.Date,
               labels = date_format("%Y")) +
  scale_y_log10(breaks = c(100, 200, 500, 800, 1000, 2000, 5000, 10000))

2010-

Code
t_conso_val %>%
  filter(variable %in% c("AZ", "C1"),
         date >= as.Date("2010-01-01")) %>%
  group_by(variable) %>%
  arrange(date) %>%
  mutate(value = 100*value/value[1]) %>%
  left_join(variable, by = "variable") %>%
  ggplot + geom_line(aes(x = date, y = value, color = Variable)) +
  theme_minimal() + ylab("Consommation trimestrielle") + xlab("") +
  theme(legend.title = element_blank(),
        legend.position = c(0.2, 0.8)) +
  scale_x_date(breaks = seq(1950, 2100, 1) %>% paste0("-01-01") %>% as.Date,
               labels = date_format("%Y")) +
  scale_y_log10(breaks = seq(70, 1000, 5))

2017-

Code
t_conso_val %>%
  filter(variable %in% c("AZ", "C1"),
         date >= as.Date("2017-01-01")) %>%
  group_by(variable) %>%
  arrange(date) %>%
  mutate(value = 100*value/value[1]) %>%
  left_join(variable, by = "variable") %>%
  ggplot + geom_line(aes(x = date, y = value, color = Variable)) +
  theme_minimal() + ylab("Consommation trimestrielle") + xlab("") +
  theme(legend.title = element_blank(),
        legend.position = c(0.2, 0.8)) +
  scale_x_date(breaks = seq(1950, 2100, 1) %>% paste0("-01-01") %>% as.Date,
               labels = date_format("%Y")) +
  scale_y_log10(breaks = seq(70, 1000, 2))