La désagrégation des données en S&E

Découvrez comment la désagrégation des données en suivi et évaluation (S&E) permet d'analyser les résultats des programmes par sous-groupes (sexe, âge, localisation, vulnérabilité) pour révéler les inégalités et garantir l'équité.

Aussi appelé : Désagrégation des données, Analyse stratifiée, Analyse de sous-groupes, Désagrégation en S&E

Quand l'utiliser ?

La désagrégation des données est une pratique indispensable pour tout système de suivi où l'équité est un enjeu central, ce qui est le cas de la quasi-totalité des programmes de développement et humanitaires. Elle devient impérative lorsque :

  • Les bailleurs de fonds exigent des données désagrégées par sexe (par exemple, l'USAID l'impose pour tous les indicateurs de performance ; l'UE l'exige dans le cadre de son Plan d'action pour le genre).
  • Le programme cible des sous-groupes spécifiques (femmes, enfants, personnes en situation de handicap, minorités ethniques).
  • La Théorie du Changement vise explicitement à réduire les inégalités.
  • Un suivi antérieur a révélé que les améliorations globales masquaient des disparités significatives.

La désagrégation n'est pas qu'une simple pratique technique ; elle représente un engagement concret en faveur de l'équité, opérationnalisé au sein des systèmes de données.

Mise en œuvre : les étapes clés

Étape 1 : Identifier les variables de désagrégation pertinentes et obligatoires

Tous les indicateurs ne requièrent pas toutes les variables de désagrégation. Il est crucial de déterminer quelles variables sont obligatoires (selon les exigences des bailleurs), pertinentes pour le programme (par exemple, l'âge pour un programme destiné aux jeunes) et analytiquement significatives (comme la localisation pour des interventions géographiquement ciblées). Les variables de désagrégation courantes incluent :

  • Sexe (obligatoire pour la plupart des bailleurs) : homme, femme, non-binaire/préfère ne pas répondre
  • Groupe d'âge : enfant (0-17 ans), jeune (15-24 ans), adulte (25-59 ans), personne âgée (60 ans et plus)
  • Localisation géographique : district, urbain/rural, zone de programme
  • Statut de richesse/vulnérabilité : quintile de richesse, statut de sécurité alimentaire, statut de déplacement (personnes déplacées, réfugiés, etc.)
  • Statut de handicap : catégories basées sur l'enquête modèle sur le handicap de l'OMS

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

La désagrégation implique que les outils de collecte de données soient conçus pour saisir les variables de sous-groupes pour chaque répondant ou unité d'analyse. Cela se traduit par l'ajout de questions démographiques aux questionnaires d'enquête, la vérification que les listes de participants incluent le sexe et l'âge, et la formation des enquêteurs à une catégorisation cohérente.

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

Précisez quels indicateurs seront analysés en fonction de quelles variables. Documentez cette approche dans le plan de S&E et assurez-vous que le système de gestion des données est capable de générer des tableaux désagrégés.

Étape 4 : Rendre compte et agir sur les résultats désagrégés

Les données désagrégées perdent toute leur valeur si elles restent confinées dans des tableurs. Il est essentiel d'inclure des tableaux désagrégés dans les rapports de programme et de signaler les disparités significatives. Lorsqu'une désagrégation révèle que les femmes, les enfants ou un groupe géographique spécifique affichent des performances inférieures à la moyenne globale, cette information doit être traitée comme un signal d'alerte pour la gestion du programme, exigeant une réponse appropriée.

Composantes essentielles

  • Plan de désagrégation : document détaillant les variables à collecter et les indicateurs à désagréger.
  • Conception des outils de collecte de données : s'assurer que les variables démographiques sont systématiquement recueillies pour tous les répondants.
  • Modèles de rapportage : tableaux standards présentant les résultats globaux et désagrégés côte à côte.
  • Seuil minimum de taille d'échantillon : la taille minimale d'un sous-groupe en dessous de laquelle les résultats désagrégés ne sont pas considérés comme fiables (généralement n ≥ 30).
  • Analyse d'équité : comparaison des résultats entre les sous-groupes afin d'identifier et de corriger les disparités.

Bonnes pratiques

Désagréger par sexe est un minimum. La désagrégation par sexe est l'exigence la plus universelle et, paradoxalement, la plus souvent négligée. Si vous ne pouvez désagréger que selon une seule variable, commencez par celle-ci.

Collecter les données au niveau approprié. Les données agrégées au niveau du ménage ne permettent pas une désagrégation pour les résultats individuels des femmes. Il est donc essentiel de concevoir la collecte de données au niveau individuel si une analyse désagrégée par individu est requise.

Assurer la cohérence temporelle. Les catégories de désagrégation doivent rester identiques entre la situation de référence, l'évaluation à mi-parcours et l'évaluation finale pour garantir la comparabilité des données.

Prendre en compte les sous-groupes lors de l'échantillonnage. Si un sous-groupe ne représente que 5 % de la population mais que des résultats statistiquement significatifs sont nécessaires pour ce groupe, un suréchantillonnage est indispensable. Un échantillonnage aléatoire de la population globale ne produira pas de tailles d'échantillon de sous-groupes adéquates.

Rapporter les disparités, pas seulement les chiffres désagrégés. Affirmer que "60 % des femmes et 75 % des hommes ont atteint le résultat" est bien plus pertinent que de simplement présenter ces deux chiffres dans des colonnes séparées sans aucun commentaire.

Pièges courants

Collecter sans analyser. De nombreux programmes enregistrent scrupuleusement le sexe et l'âge lors de la collecte de données, mais ne produisent ensuite que des chiffres globaux dans l'analyse. Il est impératif d'intégrer l'analyse désagrégée directement dans les modèles de rapportage pour éviter qu'elle ne soit omise.

Tailles d'échantillon de sous-groupes insuffisantes. Lorsqu'un sous-groupe compte moins de 30 répondants, les conclusions statistiques ne sont pas fiables. Il est donc essentiel de planifier les tailles d'échantillon de manière à permettre une analyse significative par sous-groupe.

Un excès de variables de désagrégation. Désagréger chaque indicateur simultanément par sexe, âge, lieu et richesse est analytiquement pertinent, mais peut s'avérer accablant en pratique. Il est préférable de prioriser les indicateurs et les variables de désagrégation en fonction des objectifs d'équité spécifiques du programme.

Exemples

Programme de santé en Afrique subsaharienne. Un programme de prévention du VIH, financé par PEPFAR, a rapporté des taux de dépistage globaux en Année 1 qui semblaient prometteurs (68 % de la population cible testée). Cependant, la désagrégation par groupe d'âge a révélé que les taux de dépistage chez les 15-24 ans n'étaient que de 41 % – bien en deçà de la cible du programme – tandis que ceux des adultes de 25-49 ans atteignaient 82 %. Cette découverte a conduit à la mise en place d'activités d'engagement ciblées pour les jeunes, faisant passer leurs taux de dépistage à 67 % d'ici l'Année 2.

Programme d'éducation en Asie du Sud. Au Pakistan, un programme d'éducation des filles financé par l'UNICEF a désagrégé les données de fréquentation scolaire par quintile de richesse, en plus du sexe. Les données ont montré que les filles du quintile le plus pauvre affichaient des taux de fréquentation inférieurs de 30 points de pourcentage à ceux des filles du quintile moyen, et ce, malgré l'octroi de bourses à toutes les filles par le programme. 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 au cours du trimestre suivant.

Sujets connexes