Core ConceptIndicateurs6 min read

Désagrégation

La désagrégation des données agrégées selon les caractéristiques des sous-groupes, telles que le sexe, l'âge, la localisation ou le statut de vulnérabilité, afin de révéler les iniquités et les différences dans la portée et les résultats du programme.

Quand Utiliser

La désagrégation doit être intégrée à tout système de suivi où l'équité compte — ce qui concerne pratiquement tous les programmes de développement et humanitaires. Elle devient obligatoire lorsque :

  • Les bailleurs exigent des données désagrégées par sexe (USAID impose la désagrégation par sexe pour tous les indicateurs de performance ; l'EU l'exige dans le cadre du Plan d'action pour le genre)
  • Le programme cible des sous-groupes spécifiques (femmes, enfants, personnes handicapées, minorités ethniques)
  • La Théorie du Changement vise explicitement à réduire les inégalités
  • Le suivi précédent a montré que les améliorations globales masquaient les disparités

La désagrégation n'est pas seulement une pratique technique — c'est un engagement en matière d'équité opérationnalisé dans les systèmes de données.

Comment Cela Fonctionne

Étape 1 : Identifier les variables de désagrégation requises et pertinentes

Tous les indicateurs ne nécessitent pas toutes les variables de désagrégation. Décidez quelles variables sont obligatoires (exigences des bailleurs), lesquelles sont pertinentes pour le programme (âge pour un programme de jeunesse), et lesquelles sont analytiquement significatives (lieu pour des interventions ciblées géographiquement). Les variables de désagrégation standard incluent :

  • Sexe (obligatoire pour la plupart des bailleurs) : homme, femme, autre/préfère ne pas dire
  • Groupe d'âge : enfant (0-17), jeunesse (15-24), adulte (25-59), personne âgée (60+)
  • Localisation géographique : district, urbain/rural, zone de programme
  • Statut de richesse/vulnérabilité : quintile de richesse, statut de sécurité alimentaire, statut de déplacement
  • Statut de handicap : catégories de l'enquête modèle sur le handicap de WHO

Étape 2 : Concevoir la collecte de données pour capturer les données de sous-groupes

La désagrégation exige que les instruments de collecte de données capturent les variables de sous-groupe pour chaque répondant ou unité d'analyse. Cela signifie ajouter des questions démographiques aux enquêtes, s'assurer que les listes capturent le sexe et l'âge, et former les enquêteurs sur une catégorisation cohérente.

Étape 3 : Intégrer la désagrégation dans le plan d'analyse

Spécifiez quels indicateurs seront analysés par quelles variables. Documentez cela dans le plan de S&E et assurez-vous que le système de gestion des données peut produire des tableaux désagrégés.

Étape 4 : Rendre compte et agir sur les résultats désagrégés

Les données désagrégées n'ont aucune valeur si elles restent dans des tableurs. Incluez des tableaux désagrégés dans les rapports de programme et signalez les disparités significatives. Lorsque la désagrégation révèle que les femmes, les enfants ou un groupe géographique particulier sous-performent par rapport au global, traitez cela comme un signal de gestion de programme nécessitant une réponse.

Éléments Clés

  • Plan de désagrégation — spécifiant quelles variables seront collectées et quels indicateurs seront désagrégés
  • Conception d'instrument de collecte de données — assurant que les variables démographiques sont collectées pour tous les répondants
  • Modèles de rapportage — tableaux standards montrant les résultats globaux et désagrégés côte à côte
  • Orientation sur le seuil minimum — la taille d'échantillon de sous-groupe minimale en dessous de laquelle les résultats désagrégés ne sont pas rapportés (généralement n ≥ 30)
  • Analyse d'équité — comparaison des résultats entre sous-groupes pour identifier et traiter les disparités

Meilleures Pratiques

Désagrégez par sexe comme minimum. La désagrégation par sexe est l'exigence la plus universelle et la plus couramment absente. Si vous ne pouvez faire qu'une désagrégation, commencez par là.

Collectez les données au bon niveau pour la désagrégation. Les données agrégées au niveau du ménage ne peuvent pas être désagrégées vers les résultats individuels des femmes. Concevez la collecte de données au niveau individuel si une désagrégation individuelle est requise.

Soyez cohérent à travers les points temporels. Les catégories de désagrégation doivent être identiques à la situation de référence, à mi-parcours et à la situation finale pour permettre la comparaison.

Échantillonnez en ayant les sous-groupes à l'esprit. Si un sous-groupe ne constitue que 5% de la population mais que vous avez besoin de résultats statistiquement significatifs pour eux, vous devez suréchantillonner ce groupe. L'échantillonnage aléatoire de la population entière ne produira pas de tailles d'échantillon de sous-groupe adéquates.

Rapportez la disparité, pas seulement les nombres désagrégés. Dire "60% des femmes et 75% des hommes ont atteint le résultat" est plus utile que de lister les deux nombres dans des colonnes séparées sans commentaire.

Erreurs Courantes

Collecter les variables de désagrégation mais ne pas les analyser. De nombreux programmes enregistrent scrupuleusement le sexe et l'âge dans la collecte de données mais ne produisent que des nombres globaux dans l'analyse. Intégrez l'analyse désagrégée dans le modèle de rapportage pour qu'elle ne puisse pas être sautée.

Tailles d'échantillon de sous-groupe insuffisantes. Lorsqu'un sous-groupe a moins de 30 répondants, les conclusions statistiques ne sont pas fiables. Planifiez les tailles d'échantillon pour permettre une analyse significative de sous-groupe.

Trop de variables de désagrégation. Désagréger chaque indicateur par sexe, âge, lieu et richesse simultanément est analytiquement précieux mais pratiquement accablant. Priorisez quels indicateurs nécessitent quelle désagrégation en fonction des objectifs d'équité du programme.

Exemples

Programme de santé, Afrique subsaharienne. Un programme de prévention du VIH financé par PEPFAR a rapporté des taux de test VIH globaux en Année 1 qui semblaient forts (68% de la population cible testée). La désagrégation par groupe d'âge a révélé que les taux de test parmi les 15-24 ans n'étaient que de 41% — bien en dessous de la cible du programme — tandis que les taux parmi les adultes 25-49 étaient de 82%. Cette découverte a suscité des activités d'engagement ciblé pour les jeunes qui ont porté les taux de test des jeunes à 67% d'ici l'Année 2.

Programme d'éducation, Asie du Sud. Un programme d'éducation des filles financé par UNICEF au Pakistan a désagrégé les données de fréquentation scolaire par quintile de richesse en plus du sexe. Les données ont révélé que les filles du quintile le plus pauvre avaient des taux de fréquentation 30 points de pourcentage inférieurs à ceux des filles du quintile moyen, malgré le programme fournissant des bourses à toutes les filles. L'enquête a révélé que les retards de paiement des bourses affectaient de manière disproportionnée les villages les plus reculés — un problème logistique qui a été corrigé lors du terme suivant.

Sujets Connexes