• http://dx.doi.org/10.18235/0013861

Naranjo, Sandra, et al. (2025). Exemple de Code pour : Création d'Indicateurs de Paie du Secteur Public : Un Guide Méthodologique. Données Ouvertes de la BID. https://doi.org/10.60966/6x55ayx4

1. Espagnol

Qu'est-ce que c'est ? Est-ce un fichier de données (par exemple, un CSV) ?

Ce n'est pas un jeu de données figé, mais une boîte à outils méthodologique : un projet R complet composé de plusieurs scripts. Leur rôle est de prendre des données brutes de paie publique, de les nettoyer, de les harmoniser, puis de produire en bout de chaîne un ensemble d'indicateurs clés de performance (KPI) prêts à être analysés.

Quel est le public cible de cette boîte à outils ?

** Ce projet est conçu pour deux publics principaux : * Analystes de données : Analystes maîtrisant R au sein du gouvernement, du milieu universitaire ou de la société civile, capables d'exécuter les scripts pour traiter les données brutes de paie et explorer la méthodologie. * Décideurs : Responsables qui ont besoin de comprendre les types d'indicateurs pouvant être générés (comme les tendances de la masse salariale, la rotation et les écarts de rémunération) pour éclairer la gestion et la réforme du secteur public.

De quoi ai-je besoin pour exécuter ce projet ?

** Vous aurez besoin de : 1. R et RStudio. 2. Les bibliothèques R répertoriées dans le script 00_global.R (par exemple, tidyverse, data.table, fixest). 3. Fichiers de données brutes de paie. Les scripts sont configurés pour rechercher des fichiers .csv bruts (par exemple, country_planta.csv, country_contrata.csv, country_honorarios.csv) comme entrée de départ.

Quels indicateurs clés de performance (KPI) de paie puis-je calculer avec cette boîte à outils ?

** Les scripts sont structurés pour générer un large éventail d'indicateurs. Les principales catégories comprennent : * Masse salariale et rémunération : Croissance de la masse salariale, rémunération moyenne, compression salariale (par exemple, les 10 % supérieurs par rapport aux 10 % inférieurs) et composition de la rémunération (par exemple, salaire de base par rapport aux primes). * Emploi : Croissance des effectifs et chiffres totaux de l'emploi, calculés selon la logique de l'équivalent temps plein (ETP). * Rotation et mobilité : Rotation des employés (embauches et départs) pour le secteur public dans son ensemble et au sein d'organisations spécifiques. * Promotions : Progression de carrière, y compris les taux de promotion et les promotions à des postes de niveau exécutif/directeur. * Équité salariale : Analyse détaillée de l'écart de rémunération entre les genres.

Comment cette boîte à outils m'aide-t-elle à calculer l'écart de rémunération entre les genres ?

** La boîte à outils propose une approche robuste en plusieurs étapes : 1. Attribution du genre : Elle nettoie d'abord et attribue un genre à chaque enregistrement d'employé en fonction des prénoms à l'aide d'un dictionnaire dédié (genero_comprimido). 2. Écart brut (non ajusté) : Le script principal d'indicateurs (11_crear_indicadores.R) calcule l'écart de rémunération brut. Il le fait en divisant le salaire masculin moyen par le salaire féminin moyen pour un groupe donné (par exemple, par organisation ou par rang). 3. Écart ajusté (modélisé) : Pour une analyse plus avancée, un script distinct (12_limpiar_indicadores.R) utilise la modélisation par régression (feols). Il calcule l'écart « ajusté » en mesurant l'effet du genre sur la rémunération après avoir contrôlé d'autres facteurs clés, tels que le rang (grado), la région et le type de contrat (contract_type_dummy).

Comment le projet est-il structuré ?

** Le projet suit un pipeline séquentiel clair : * Scripts 00-02 : Configurent l'environnement global, convertissent les données .csv brutes et combinent les fichiers. * Scripts 03-07 : Effectuent un nettoyage et une standardisation approfondis de toutes les colonnes, y compris les organisations, le genre, les postes et les identifiants uniques d'employé. * Scripts 08-09 : Construisent les variables clés d'indicateurs, spécifiquement pour les promotions et la rotation. * Scripts 10-12 : Finalisent le jeu de données, calculent tous les indicateurs à l'aide d'une fonction de synthèse et modélisent des indicateurs spécifiques comme l'écart de rémunération ajusté entre les genres.

Comment les scripts définissent-ils la « rotation » ?

** La rotation est calculée dans 09_limpiar_rotacion.R. Une « embauche » (id_appear) est identifiée comme la première fois qu'un identifiant unique d'employé apparaît dans les données, ou s'il existe un écart de plus d'un an dans son dossier. Un « départ » (id_disappear) est identifié comme le dernier mois où un identifiant d'employé apparaît, à condition que ce ne soit pas la fin du jeu de données ou qu'un écart de plus d'un an suive. Les scripts calculent cela à la fois pour l'ensemble du secteur public et pour les organisations individuelles.

Quelle est la définition généralement admise de l'écart de rémunération entre les genres, et comment est-il mesuré ?

Ce jeu de données ne fournit pas de définition textuelle de l'écart de rémunération entre les genres. Il propose toutefois deux scripts R distincts pour sa mesure : 1. Écart non ajusté : Le script 11_crear_indicadores.R calcule un écart brut, non ajusté, en comparant la rémunération moyenne des hommes et des femmes (par exemple, value[genero == 'hombre']/value[genero == 'mujer'] - 1). 2. Écart ajusté : Le script 12_limpiar_indicadores.R calcule un écart ajusté en exécutant un modèle de régression (feols) pour mesurer l'effet du genre sur la rémunération après avoir contrôlé d'autres facteurs comme le rang de l'employé (grado), la région et le type de contrat.

Pouvez-vous clarifier la distinction entre les chiffres « non ajusté » et « ajusté » de l'écart de rémunération entre les genres ?

** Oui. Cette boîte à outils fournit la méthodologie pour calculer les deux : * Un écart « non ajusté » (ou brut) est calculé dans le script 11_crear_indicadores.R. Il s'agit d'une comparaison directe de la rémunération moyenne des hommes et des femmes (par exemple, fmean(pago_bruto[genero == 'hombre'])/fmean(pago_bruto[genero == 'mujer'])) sans tenir compte d'aucun autre facteur. * Un écart « ajusté » est calculé dans le script 12_limpiar_indicadores.R. Cette méthode utilise un modèle de régression (feols) pour isoler l'effet du genre sur la rémunération tout en contrôlant statistiquement d'autres variables qui influencent le salaire, telles que le rang de l'employé (grado), la région et le type de contrat (contract_type_dummy).

Quelles sont les principales mesures de performance pour les services de paie ?

** Cette boîte à outils est conçue pour générer une base de données finale et nettoyée (country_full_final) à partir de laquelle plusieurs mesures de performance fondamentales peuvent être dérivées. Le script 11_crear_indicadores.R présente la méthodologie de calcul des KPI dans des catégories telles que : * Masse salariale et coût : Dépenses totales de paie, paie en proportion du PIB et paie en proportion des dépenses publiques. * Emploi : Nombre total d'employés (effectifs) et équivalents temps plein (ETP). * Équité et compression salariales : Écarts de rémunération entre les genres (ajustés et non ajustés) et ratios de compression salariale (par exemple, rémunération moyenne des 10 % supérieurs par rapport aux 10 % inférieurs). * Rotation et mobilité : Taux annuels d'embauche et de départ, calculés pour l'ensemble du secteur public et au niveau de chaque organisation. * Progression de carrière : Taux de promotion des employés, y compris les promotions à des postes de niveau directeur. * Opérations de paie : Nombre de paiements multiples par employé et par mois (calculé dans 10_limpiar_final.R).