Interpréter les données et statistiques sur la criminalité dans la recherche sur le true crime

Les données et statistiques sur la criminalité décrivent des schémas agrégés — volume, fréquence relative, prévalence estimée ou évolution — pour une population, un lieu et une période définis. Elles peuvent contextualiser une affaire, mais n’établissent pas à elles seules un fait concernant un incident, une personne, un motif ou un mécanisme causal dans une affaire individuelle.

Pour contextualiser une affaire, identifiez d’abord ce que la mesure représente : un effectif décrit un volume, un taux rapporte ce volume à un dénominateur, et une donnée au niveau de l’affaire décrit un événement individuel.

Identifiez ensuite la source : la criminalité enregistrée reflète les incidents entrés dans le système concerné, tandis que les enquêtes peuvent estimer des expériences déclarées dans la population qu’elles représentent ; aucune source ne doit être assimilée automatiquement à l’ensemble de la criminalité.

Enfin, une comparaison n’est interprétable que si la définition, la population ou le dénominateur, la période et la portée géographique sont suffisamment compatibles. Ces conditions encadrent la manière dont un schéma statistique peut être utilisé comme contexte.

Table des matières⌄

Ce que les statistiques sur la criminalité peuvent établir dans la recherche sur le true crime

Les statistiques sur la criminalité peuvent décrire ou estimer un contexte tel que la fréquence relative, une tendance ou une estimation de prévalence pour une population, une période ou une unité géographique définies.

Elles peuvent comparer des schémas statistiques lorsque la mesure sous-jacente et la portée sont suffisamment comparables.

Les statistiques sur la criminalité ne peuvent pas établir de manière indépendante un fait propre à une affaire concernant un incident, une personne, un motif ou une séquence d'événements particuliers.

La signification d'une conclusion statistique dépend de la population observée, de l'unité géographique couverte, de la période mesurée et de la manière dont la mesure concernée a été produite.

Une tendance décrit un changement uniquement au sein d'une série suffisamment comparable, tandis que la fréquence relative exprime la fréquence d'un résultat mesuré par rapport à une autre base ou un autre contexte défini.

Dans une enquête, une estimation de prévalence exprime la part estimée de la population représentée ayant déclaré au moins un événement défini pendant la période de référence ; elle s’applique à cette population et à cette méthode, et non à chaque personne ou lieu.

Ces conditions déterminent dans quelle mesure le contexte statistique peut raisonnablement être étendu dans la recherche sur le true crime.

Supposons que la même mesure de criminalité enregistrée montre un taux de cambriolage plus élevé dans une ville au cours d'une période donnée par rapport à une période comparable antérieure.

Ce changement peut contextualiser le schéma plus large entourant une affaire de ce lieu et de cette époque, mais il n'établit pas si une allégation de cambriolage dans l'affaire individuelle est vraie.

Les conclusions spécifiques à une affaire exigent toujours des preuves propres à cette affaire.

Les effectifs, les taux et les données individuelles sur la criminalité mesurent des réalités différentes

Les effectifs, les taux et les données individuelles sur la criminalité répondent à des questions de recherche différentes car ils utilisent des unités d'observation, des dénominateurs et des niveaux de détail différents.

Un effectif représente le volume d'événements sous la forme d'un nombre total d'incidents, tandis qu'un taux rapporte ce volume à une population définie ou à un autre dénominateur approprié.

Les données individuelles décrivent quant à elles un événement ou un dossier d'affaire particulier, en conservant les détails propres à l'affaire plutôt que d'exprimer une fréquence au niveau de la population.

Le tableau ci-dessous distingue les trois mesures selon ce qui est observé, l'utilisation ou non d'un dénominateur, la question de recherche que chaque mesure peut soutenir et sa principale limite.

Ces dimensions précisent pourquoi les mêmes incidents sous-jacents peuvent donner lieu à des interprétations différentes selon la manière dont les données sont exprimées.

Mesure	Unité d'observation	Dénominateur	Utilisation type	Principale limite
Effectif	Nombre d'événements enregistrés ou estimés	Aucun dénominateur inhérent à l'effectif	Décrire le volume total d'événements dans un cadre défini	Ne tient pas compte des différences de population ou de taille d'exposition
Taux	Événements rapportés à une population définie ou à une base d'exposition	Population définie ou autre base pertinente	Comparer la fréquence relative à la population entre groupes ou périodes compatibles	L'interprétation dépend du dénominateur, de la définition de la population, de la période et de la construction des données
Données individuelles	Incident individuel ou dossier d'affaire	Aucun dénominateur de population inhérent	Examiner les circonstances, événements ou détails enregistrés propres à une affaire	Les dossiers individuels ne décrivent pas par eux-mêmes la fréquence au niveau de la population

Prenons un exemple hypothétique : supposons que deux zones enregistrent chacune 100 incidents au cours de la même période selon la même définition d'infraction, mais que l'une a une population de 10 000 habitants et l'autre de 100 000.

L'effectif est identique, mais ces valeurs illustratives correspondent à 10 incidents pour 1 000 personnes dans la première zone et à 1 pour 1 000 dans la seconde ; le taux modifie donc l'interprétation relative à la population alors que le volume d'événements reste le même.

Un dossier d'affaire répondrait à une question différente en décrivant un incident particulier plutôt que la fréquence globale.

Le choix de la mesure dépend donc de la question de recherche et des données disponibles, et non du fait qu'une mesure serait intrinsèquement préférable.

Les effectifs décrivent le volume tandis que les taux rapportent ce volume à un dénominateur défini

Un effectif rapporte le volume d'événements comme le nombre total d'incidents enregistrés ou estimés, tandis qu'un taux exprime cet effectif par rapport à une population définie ou à un autre dénominateur approprié.

L'effectif est le numérateur, et le dénominateur fournit la base de population nécessaire pour exprimer la fréquence relative à la population.

Un taux ne permet une comparaison pertinente que lorsque la définition de l’infraction, la période, le dénominateur et la base d’expression du taux sont suffisamment compatibles pour l’interprétation visée.

Relation de calcul : taux = (effectif ÷ dénominateur pertinent) × facteur de mise à l’échelle. Le facteur peut être 1 000, 10 000, 100 000 ou une autre base publiée ; pour comparer deux taux, la définition du dénominateur et le facteur doivent être compatibles.

Pour un exemple hypothétique, supposons que deux zones enregistrent chacune 80 incidents de la même infraction au cours de la même période, avec des populations respectives de 20 000 et 100 000 habitants.

En utilisant la population résidente comme dénominateur, ces effectifs illustratifs équivalent à 40 incidents pour 10 000 personnes dans la première zone et à 8 pour 10 000 dans la seconde, même si les deux zones ont le même volume d'événements.

Le taux exprime alors une fréquence différente au niveau de la population une fois la taille de la population prise en compte ; il ne dit pas ce qui arrivera à un individu.

Le dénominateur doit correspondre au phénomène interprété, car changer la population ou la base d'exposition modifie ce que le taux qui en résulte représente.

Les dossiers d'affaires décrivent des événements individuels plutôt que des schémas au niveau de la population

Les dossiers d'affaires décrivent un événement individuel, comme un incident enregistré, une allégation, un résultat ou un événement procédural, tandis que les statistiques de population résument des observations sur un groupe, une zone ou une période plus large.

L'unité d'analyse diffère : la preuve individuelle concerne un dossier particulier, tandis que les statistiques au niveau de la population décrivent un schéma agrégé.

Cette différence limite l'inférence qui peut être tirée de chaque forme d'information.

Par exemple, un dossier d'affaire peut documenter qu'une allégation particulière a été enregistrée et quel résultat procédural a suivi, tandis qu'une statistique au niveau de la zone peut résumer la fréquence d'apparition de la même catégorie d'événement sur de nombreuses observations.

Les données au niveau de l'affaire peuvent étayer des conclusions sur ce dossier individuel, tandis que les statistiques agrégées peuvent étayer des conclusions sur le schéma plus large dans leur cadre défini.

Les dossiers d'affaires peuvent contribuer par des observations à un agrégat, mais le schéma au niveau de la population qui en résulte n'établit pas en soi un fait concernant une affaire particulière.

Comment les statistiques sur la criminalité sont collectées et produites

La production de statistiques sur la criminalité transforme les événements observés ou signalés en valeurs statistiques publiées via une chaîne de décisions de collecte, classification, validation, agrégation et publication.

Le comportement de signalement et le système source influencent les incidents qui entrent dans le processus, tandis que les règles de codage déterminent comment ces observations sont classées dans des catégories statistiques.

Les contrôles d'exhaustivité, l'estimation ou l'ajustement le cas échéant, et le traitement ultérieur peuvent modeler davantage les valeurs qui apparaissent dans une série statistique publiée.

La séquence ci-dessous représente les principales étapes de traitement qui peuvent relier les incidents observés à une valeur statistique publiée.

Toutes les juridictions ou systèmes de données n'utilisent pas chaque étape de la même manière ou dans le même ordre.

1. Collecte : Les informations entrent dans le système source via son mécanisme de collecte pertinent, influencé par les événements observés, signalés ou autrement capturés.
2. Enregistrement ou saisie : Les informations soumises ou observées sont inscrites dans les dossiers selon les procédures de saisie du système et les champs disponibles.
3. Classification et codage : Les informations enregistrées sont affectées à des catégories à l'aide des définitions et règles de codage applicables, qui déterminent comment les événements sont représentés statistiquement.
4. Validation et contrôles d'exhaustivité : Les données peuvent être vérifiées pour la cohérence, les informations manquantes, les doublons ou d'autres problèmes d'exhaustivité avant l'agrégation.
5. Estimation ou ajustement : Lorsque la méthodologie l'exige, des procédures statistiques peuvent estimer, pondérer ou ajuster les observations pour tenir compte des caractéristiques de la conception de la source ou d'une couverture incomplète.
6. Agrégation : Les observations individuelles sont combinées en totaux, taux ou autres mesures récapitulatives pour des populations, lieux ou périodes définis.
7. Publication et révision : Les statistiques résultantes sont diffusées sous forme de série statistique, et certains systèmes peuvent réviser ultérieurement les valeurs publiées lorsque des informations mises à jour ou des changements de traitement sont intégrés.

La valeur finale publiée reflète à la fois les observations disponibles pour le système source et les règles méthodologiques utilisées pour les traiter.

Les différences de juridiction, de comportement de signalement, de définitions, de règles de codage, de procédures d'exhaustivité et de méthodes d'estimation peuvent produire des séries statistiques qui ne sont pas directement équivalentes, même lorsqu'elles utilisent des libellés similaires.

La publication ne rend pas une valeur exempte d'erreurs, et des révisions peuvent survenir lorsqu'un système intègre de nouvelles informations ou modifie son traitement.

L'interprétation doit rester liée au système source et à la méthodologie spécifiques qui ont produit la statistique.

Les données enregistrées par la police, les enquêtes de victimisation et les études par auto-déclaration couvrent des dimensions différentes de la criminalité

Les données enregistrées par la police, les enquêtes de victimisation et les études par auto-déclaration observent des dimensions différentes de la criminalité ; aucune source unique ne mesure intégralement le phénomène.

Les données enregistrées par la police dépendent des incidents qui parviennent aux services de police ou sont détectés par eux puis enregistrés ; les enquêtes de victimisation dépendent d’un échantillon et du recueil d’expériences déclarées ; les études par auto-déclaration dépendent de la disposition des répondants à déclarer leur propre comportement.

Le tableau ci-dessous distingue leur population source, leur mécanisme de collecte, leurs atouts, leurs angles morts et leurs implications pour la recherche.

Type de source	Population source	Mécanisme de collecte	Atouts	Angles morts	Implication pour la recherche
Données enregistrées par la police	Incidents qui entrent dans les systèmes d'enregistrement de la police	Signalement, détection policière ou autre saisie suivie de pratiques d'enregistrement officielles	Décrit la criminalité enregistrée selon les définitions et procédures du système de données policières	La criminalité non signalée et les incidents qui n'entrent pas ou ne restent pas dans le système d'enregistrement ne sont pas représentés	Utile pour les questions portant sur les infractions enregistrées et les schémas statistiques officiels, sous réserve du comportement de signalement et des règles d'enregistrement
Enquêtes de victimisation	Personnes ou ménages représentés par l'échantillon de l'enquête	Les répondants de l'échantillon rapportent leurs expériences de victimisation via des questions d'enquête	Peut saisir des expériences de victimisation non signalées à la police et fournir des informations sur la criminalité non signalée dans le cadre de l'enquête	La couverture dépend de l'échantillonnage, du champ des questions, de la mémoire et de la divulgation des répondants, et les infractions sans victime éligible ou identifiable peuvent sortir du cadre	Utile pour estimer la victimisation au sein de la population représentée lorsque la conception de l'enquête correspond à la question de recherche
Études par auto-déclaration	Répondants inclus dans l'échantillon de l'étude	Les participants divulguent leurs propres comportements ou infractions par questionnaires ou entretiens	Peut observer des comportements autodéclarés qui peuvent ne pas apparaître dans les données de criminalité enregistrée	Les résultats dépendent de l'échantillonnage et de la divulgation des répondants, y compris leur volonté et capacité à rapporter leur comportement avec exactitude	Utile pour étudier les comportements déclarés au sein de la population échantillonnée lorsque la méthode de divulgation et l'échantillon correspondent à la question de recherche

Les trois types de sources peuvent se compléter car les différences de signalement, d'échantillonnage et de divulgation font qu'elles peuvent observer différentes parties d'un même phénomène plus large.

Les données enregistrées par la police peuvent décrire la criminalité enregistrée, tandis que les enquêtes de victimisation et les études par auto-déclaration peuvent fournir des éléments sur des expériences ou des comportements qui peuvent ne pas apparaître dans les registres policiers.

La source appropriée dépend donc de l'infraction, de la population, de la conception de la collecte et de la question de recherche, plutôt que d'une source qui serait intrinsèquement plus précise.

Les définitions, les classifications et les règles de comptage façonnent les résultats

Définition opérationnelle

Détermine quelles observations sont admissibles à la mesure.

Classification d’infraction

Détermine la catégorie attribuée à chaque observation par le codage.

Règle de comptage

Détermine comment les observations admissibles contribuent au total statistique.

Seuil d’enregistrement

Détermine si un événement entre dans la série enregistrée selon les règles du système.

Modifier l’une de ces règles peut modifier la valeur publiée et son interprétation, même sans changement équivalent du phénomène sous-jacent.

Par exemple, si un système statistique modifie sa définition opérationnelle de sorte qu'une classe d'incidents auparavant exclue est codée au sein d'une classification d'infraction existante, davantage d'observations peuvent entrer dans cette catégorie et augmenter son total statistique, même si la criminalité sous-jacente n'a pas augmenté dans la même proportion.

Un changement de règle de comptage ou de seuil d'enregistrement peut de même modifier le nombre d'observations enregistrées apparaissant dans la série sans représenter un changement équivalent dans les événements réels.

La tendance qui en résulte doit donc être interprétée à la lumière à la fois des règles de mesure et des changements possibles de la criminalité sous-jacente.

Une augmentation ou une diminution apparente peut refléter un changement de mesure, un changement réel, ou une combinaison des deux.

Les unités géographiques, les périodes et les dénominateurs modifient la signification des mesures

Un cadre statistique définit ce qu'une mesure de criminalité représente à travers son unité géographique, sa période et son dénominateur.

La limite géographique détermine la zone incluse, la période d'observation détermine quand les événements sont comptés, et la population ou autre dénominateur détermine la base par rapport à laquelle un taux est interprété.

Ces trois attributs fixent les conditions de comparabilité entre les mesures.

• Unité géographique : une mesure définie pour une juridiction ou une zone reflète les événements survenus dans cette limite ; changer la limite peut modifier les observations et la population incluses, si bien que les valeurs issues de zones définies différemment nécessitent une qualification avant comparaison.
• Période : une fenêtre d'observation mensuelle représente une période de déclaration différente d'une fenêtre annuelle ; les comparaisons nécessitent des périodes compatibles ou un ajustement explicite car la durée représentée diffère.
• Dénominateur : un taux basé sur la population résidente peut signifier quelque chose de différent d'un taux basé sur une population d'exposition ou une autre base de population ; changer le dénominateur modifie la relation exprimée par la mesure et, par suite, son interprétation.

Par exemple, supposons qu'une limite géographique soit redessinée de sorte qu'une zone habitée supplémentaire entre dans l'unité statistique tandis que la définition de l'infraction et la période d'observation restent inchangées.

La valeur qui en résulte peut différer car les observations et la population à l'intérieur du cadre ont changé ; la comparaison avec l'ancienne limite n’est pas automatiquement comparable à périmètre constant.

La comparabilité dépend par suite de la compatibilité suffisante de l'unité géographique, de la période et du dénominateur, ou de l'explicitation claire des différences.

Comment interpréter les statistiques sur la criminalité dans la recherche sur des affaires criminelles

L'interprétation rigoureuse des statistiques sur la criminalité commence par faire correspondre la question de recherche à une mesure, une source et un cadre statistique qui peuvent réellement y répondre.

La population, la période et la portée géographique pertinentes doivent être explicites avant qu'un schéma statistique ne soit utilisé comme contexte pour la recherche sur des affaires criminelles.

L'objectif est une conclusion circonscrite qui reflète ce que les données soutiennent sans étendre l'inférence au-delà de la portée ou des limites de la mesure.

La méthode ordonnée ci-dessous va de la question de recherche à une interprétation qualifiée du contexte statistique disponible.

Chaque étape inclut un indice de vérification pour tester si les preuves restent alignées avec la question posée.

1. Définir la question de recherche : énoncer précisément ce qui doit être connu et vérifier si la question concerne un schéma au niveau de la population, une comparaison ou une proposition spécifique à une affaire.
2. Sélectionner la mesure pertinente : identifier l'effectif, le taux, l'estimation de prévalence ou autre mesure qui répond à la question, et vérifier que sa signification correspond à l'inférence visée.
3. Identifier la source et la construction : examiner comment la statistique a été collectée, classifiée, codée et agrégée, et vérifier quelles observations la source peut inclure ou manquer.
4. Vérifier le cadre statistique : contrôler la population, la période, la portée géographique et le dénominateur le cas échéant, et vérifier qu'ils correspondent au contexte interprété.
5. Vérifier la comparabilité et les limites : évaluer si les définitions, les méthodes et les cadres sont suffisamment compatibles pour la comparaison visée, et identifier toute limitation nécessitant une qualification.
6. Énoncer une conclusion circonscrite : n'exprimer que le schéma statistique soutenu par les preuves et vérifier que la conclusion n'implique pas de causalité ou un fait spécifique à une affaire que les données ne peuvent établir.

Par exemple, un ensemble de données montrant qu'une infraction enregistrée était plus fréquente dans une zone définie au cours d'une période que dans une autre période comparable peut soutenir la conclusion restreinte que le schéma statistique enregistré différait entre ces périodes.

Le même ensemble de données n'établit pas par lui-même pourquoi le changement s'est produit ni si une affaire particulière suivait ce schéma plus large.

Des preuves propres à l'affaire seraient nécessaires pour étayer une conclusion concernant un événement individuel.

Une conclusion circonscrite doit énoncer ce que la statistique montre, le cadre dans lequel elle s'applique et l'inférence qui reste non étayée.

Faire correspondre la mesure statistique à la question de recherche

La sélection d'une mesure statistique dépend de la question de recherche précise car différentes mesures représentent différents attributs des données sur la criminalité.

Un effectif représente le volume d'événements, un taux représente la fréquence relative à un dénominateur défini, une proportion représente une partie d'un total défini, et une observation au niveau de l'affaire conserve le détail d'un événement individuel.

Les critères ci-dessous associent des besoins d'information courants à une mesure appropriée et à la condition principale qui régit son interprétation.

• Volume d'événements → effectif : un effectif convient à une question portant sur le nombre d'événements enregistrés ou estimés dans un cadre défini ; la période, la portée géographique et la définition de l'événement doivent correspondre au total visé.
• Fréquence normalisée par la population → taux : un taux convient à une question portant sur la fréquence d'événements par rapport à une population ou à un autre dénominateur ; le dénominateur doit représenter une base de population appropriée pour la comparaison visée.
• Distribution ou part → proportion : une proportion convient à une question portant sur la fraction d'un total défini appartenant à une catégorie ; le sous-ensemble et le total utilisé comme dénominateur doivent être clairement spécifiés.
• Tendance → mesure statistique cohérente : une question de tendance exige que la même mesure pertinente soit évaluée sur plusieurs périodes dans des conditions de définition et de mesure suffisamment compatibles pour que le changement observé ait une signification cohérente.
• Détail propre à une affaire → observation au niveau de l'affaire : une observation au niveau de l'affaire convient à une question portant sur les attributs d'un événement ou d'un dossier individuel ; son détail soutient une interprétation au niveau de l'affaire plutôt qu'une fréquence au niveau de la population.

Par exemple, si la question de recherche demande si la fréquence d'infractions enregistrées diffère par rapport à la population entre deux zones, un effectif brut répond mal à la question car il montre le volume d'événements sans tenir compte de la taille de la population.

Un taux répond à cette question plus directement en rapportant les événements à un dénominateur de population défini, pourvu que le dénominateur, la période, la portée géographique et la définition de l'infraction soient suffisamment compatibles.

Le choix de la mesure est donc pertinent pour la décision lorsque la mesure sélectionnée représente l'attribut sur lequel porte réellement la question de recherche et que sa condition d'interprétation est satisfaite.

Comparer les données uniquement lorsque les définitions, les lieux et les périodes sont compatibles

La comparabilité des données exige des définitions, des méthodes de collecte, des unités géographiques, des périodes et des dénominateurs suffisamment compatibles avant que les différences numériques puissent soutenir une interprétation cohérente.

Des valeurs similaires à elles seules n'établissent pas une compatibilité méthodologique, car une divergence dans l'une quelconque de ces conditions peut modifier ce que les chiffres représentent.

Les vérifications suivantes permettent de déterminer si une comparaison est défendable ou nécessite une qualification.

• Définition : vérifier si la même définition d'infraction, la même classification et la même base de codage s'appliquent aux deux séries ; si elles diffèrent, les valeurs peuvent représenter des ensembles d'événements différents et la comparaison nécessite une qualification ou peut être inappropriée.
• Méthode de collecte : vérifier que les observations ont été collectées selon des méthodes suffisamment compatibles ; une divergence méthodologique peut modifier les événements qui entrent dans chaque ensemble de données et affaiblir l'interprétation d'une différence numérique.
• Unité géographique : confirmer que les zones comparées utilisent des limites et une portée juridictionnelle compatibles ; des unités géographiques différentes peuvent inclure des populations ou des événements différents, empêchant une comparaison directe entre lieux sans qualification.
• Période : vérifier que les fenêtres de déclaration couvrent des périodes et des durées compatibles ; comparer des périodes différentes peut confondre la différence numérique avec des différences de calendrier ou de durée d'exposition.
• Dénominateur : vérifier que les taux utilisent des bases de population compatibles ou d'autres dénominateurs ; une divergence de dénominateur modifie la relation de fréquence exprimée par chaque taux et peut rendre les valeurs principales non équivalentes.

Par exemple, supposons que deux séries de criminalité par ailleurs similaires utilisent des limites géographiques qui placent une zone supplémentaire à l'intérieur d'une unité statistique mais en dehors de l'autre.

Même si leurs valeurs déclarées semblent proches, la comparaison n’est pas strictement comparable car l'unité géographique et la population représentées par chaque série diffèrent.

Le résultat doit donc être explicitement qualifié ou la comparaison abandonnée lorsque la divergence empêche une interprétation défendable.

Traiter les schémas statistiques comme un contexte plutôt qu'une preuve de l'affaire

Les schémas statistiques décrivent un schéma agrégé au sein d’une population, d’une zone ou d’une période et fournissent un contexte quantitatif plutôt qu’une preuve propre à l’affaire concernant un événement individuel.

Un schéma montrant une association ou une fréquence peut étayer un énoncé circonscrit sur le groupe ou le cadre, mais il n'établit pas de manière indépendante un motif, une identité ou un mécanisme causal dans une affaire particulière.

Une inférence propre à l’affaire exige donc des preuves et une documentation propres à cette affaire, portant directement sur la proposition évaluée.

Supposons que des données montrent qu'une infraction enregistrée est plus fréquente dans une zone au cours d'une période définie que dans une zone ou une période comparable.

Un énoncé défendable est que l'affaire s'est produite dans un contexte où le schéma agrégé enregistré était plus fréquent.

Utiliser ce seul contexte statistique pour attribuer un motif, une identité ou une cause particulière à l'affaire individuelle constituerait une inférence excessive.

La conclusion autorisée doit donc rester dans le champ des éléments de preuve : utiliser le schéma agrégé pour le contexte et se fonder sur la documentation propre à l'affaire pour les affirmations concernant l'affaire individuelle.

Limites affectant la précision et la comparabilité

Les limites des statistiques sur la criminalité telles que l'incomplétude, l'erreur de mesure, le comportement de signalement et les contraintes méthodologiques peuvent réduire la confiance dans une conclusion sans pour autant invalider automatiquement les données sous-jacentes.

Leur effet dépend de la source, de l'infraction, de la période et du système statistique, y compris la manière dont les événements sont signalés, enregistrés, estimés et révisés.

L'interprétation doit refléter à la fois la limite présente et son effet sur la précision, la comparabilité ou la portée de la conclusion.

Le tableau associe les limites courantes au mécanisme par lequel elles affectent les statistiques enregistrées et à la réponse interprétative qui en découle.

Il se concentre sur la sous-déclaration, les différences d'enregistrement, les données manquantes, l'estimation, la révision et les définitions incompatibles, sans supposer que chaque limite a le même effet dans chaque ensemble de données.

Limite	Mécanisme	Effet probable	Réponse interprétative
Sous-déclaration	Le comportement de signalement détermine si certains événements vécus ou observés entrent dans un système de criminalité enregistrée.	Les totaux enregistrés peuvent être incomplets par rapport aux événements relevant du phénomène visé, le degré d'incomplétude dépendant des schémas de signalement.	Traiter la statistique comme une mesure de la criminalité enregistrée dans le cadre de ce processus de signalement et qualifier les conclusions qui exigent une couverture plus complète des événements.
Différences d'enregistrement	Les différences de codage, de classification ou de pratique d'enregistrement peuvent introduire une erreur de mesure en modifiant la manière dont des observations similaires sont représentées.	Les différences apparentes entre ensembles de données peuvent refléter en partie la méthodologie plutôt que des différences dans les événements sous-jacents.	Vérifier si les pratiques d'enregistrement sont suffisamment compatibles avant d'interpréter une différence numérique comme substantielle.
Périodes ou observations manquantes	Les données manquantes créent des lacunes dans les observations disponibles pour une période ou une série définie.	Les totaux, taux ou tendances peuvent représenter une couverture incomplète et fournir des preuves plus faibles pour les comparaisons couvrant la période manquante.	Identifier explicitement la lacune et restreindre ou qualifier la conclusion aux observations réellement disponibles.
Estimation	Des procédures statistiques peuvent estimer des valeurs non observées ou incomplètement observées à l'aide d'hypothèses définies par la méthodologie source.	La valeur publiée peut contenir une incertitude supplémentaire car une partie est inférée plutôt que directement observée.	Distinguer les valeurs estimées des valeurs directement observées et maintenir un niveau de confiance proportionnel à la méthode d'estimation documentée et à la couverture.
Révision	Des informations ultérieures ou des changements de traitement peuvent modifier des valeurs publiées antérieurement.	Différentes versions de la même série peuvent contenir des valeurs différentes, affectant la continuité et les comparaisons effectuées à partir des versions antérieures.	Utiliser une version cohérente lorsque c'est possible et identifier le statut de révision lorsque les différences entre versions affectent l'interprétation.
Définitions incompatibles	Des définitions d'infraction différentes, des limites de catégorie ou des règles d'inclusion différentes peuvent faire en sorte que des statistiques portant des libellés similaires représentent des phénomènes différents.	La similarité numérique n'établit pas la comparabilité lorsque les catégories sous-jacentes ne sont pas suffisamment comparables.	Restreindre la comparaison à des définitions suffisamment compatibles ou énoncer une qualification expliquant pourquoi les chiffres ne doivent pas être interprétés comme équivalents.

La sévérité d'une limite détermine le degré de restriction avec lequel l'inférence qui en résulte doit être formulée, plutôt que la question de savoir si les données doivent être acceptées ou rejetées dans leur ensemble.

Une contrainte mineure peut exiger une qualification spécifique, tandis qu'une couverture manquante ou des définitions incompatibles peuvent affaiblir sensiblement la confiance dans une comparaison plus large.

Les conclusions doivent être formulées avec une force ne dépassant pas la précision, la couverture et la comparabilité soutenues par l'ensemble de données et les conditions particulières examinées.

La sous-déclaration et les pratiques d'enregistrement affectent la criminalité enregistrée

1. Événements vécus ou observésLe phénomène sous-jacent comprend des événements qui peuvent ou non entrer en contact avec une autorité ou un système de collecte.
2. Événements signalés ou détectésLe comportement de signalement et la détection institutionnelle déterminent quels événements parviennent au système d’enregistrement.
3. Événements enregistrésLes pratiques d’enregistrement, définitions et règles de codage déterminent comment les événements reçus apparaissent dans la statistique officielle.

Les trois ensembles ne sont donc pas interchangeables : une variation de signalement, de détection ou d’enregistrement peut modifier la statistique enregistrée sans correspondre exactement à une variation du phénomène sous-jacent.

Une règle administrative peut déterminer si et comment cet incident entre dans un décompte officiel, si bien que la criminalité enregistrée ne doit pas être traitée comme un recensement complet de toutes les victimisations.

L'ampleur et la direction de ces écarts peuvent différer selon les types d'infractions, les populations et les juridictions, car le comportement de signalement, la pratique d'enregistrement et les règles administratives n'opèrent pas uniformément dans chaque contexte.

Une propension au signalement plus faible pour un type d'infraction peut laisser une plus grande part de criminalité vécue en dehors de l'ensemble de données enregistré, tandis que des différences dans l'enregistrement ou le traitement administratif peuvent modifier la relation entre les incidents signalés et le décompte officiel final.

L’interprétation doit donc traiter la criminalité enregistrée comme une mesure des incidents capturés par le système de signalement et d’enregistrement concerné, en tenant compte de la sous-déclaration et des pratiques d’enregistrement lorsqu’on relie cette mesure à l’incidence sous-jacente.

Les données manquantes, les estimations et les révisions affectent la force des conclusions

Données manquantes

Réduisent l’exhaustivité et peuvent interrompre la continuité d’une série ; une conclusion doit tenir compte de l’ampleur et de la structure des lacunes.

Valeurs estimées ou imputées

Dépendent d’une méthode d’estimation plutôt que d’une observation directe ; leur interprétation doit rester proportionnée à cette méthode et à la couverture disponible.

Valeurs révisées

Peuvent remplacer des valeurs publiées antérieurement et améliorer la précision ou la couverture ; elles peuvent aussi modifier la comparabilité avec une analyse fondée sur une version antérieure. Pour reproduire une analyse, identifiez la version ou la date d’extraction.

La force de la conclusion doit rester proportionnée à l’exhaustivité des observations, à la méthode d’ajustement et à l’état de révision : des lacunes substantielles ou des estimations incertaines peuvent exiger une conclusion provisoire ou rendre une inférence particulière inappropriée.

Par exemple, si une période dans une série est identifiée comme estimée plutôt qu'observée, un énoncé de tendance couvrant cette période doit reconnaître l'estimation au lieu de présenter chaque point comme ayant le même statut probant.

Si cette période est révisée ultérieurement à l'aide d'informations supplémentaires, la série révisée peut soutenir une interprétation différente sans impliquer que la révision elle-même a affaibli les données.

Lorsque des révisions affectent une conclusion, l'historique des versions doit être vérifié afin que les valeurs publiées comparées proviennent de la version visée.

Comment utiliser les statistiques historiques sur la criminalité dans le temps

Les statistiques historiques sur la criminalité ne doivent être interprétées comme une série chronologique que lorsque la continuité méthodologique est suffisamment stable ou que les changements sont explicitement réconciliés.

Une tendance à long terme peut refléter un changement numérique, mais sa signification dépend du fait que la définition, le système de collecte, la couverture géographique et la base de population restent comparables sur la période.

Les valeurs historiques sont interprétables par rapport aux règles de mesure et à la population qui les ont produites, plutôt que comme des chiffres uniformément comparables sur l'ensemble de la série.

Les vérifications de continuité suivantes établissent si une série historique possède un cadre de mesure stable ou explicitement réconcilié.

Chaque condition détermine si le changement observé peut soutenir une comparaison à long terme ou nécessite une qualification.

• Continuité de la définition : vérifier si la définition de l'infraction, la classification et les règles d'inclusion restent suffisamment cohérentes ; un changement de définition peut modifier les événements qui entrent dans la série chronologique et créer un changement apparent qui est en partie méthodologique.
• Continuité du système de collecte : vérifier si le système de collecte et la méthodologie d'enregistrement de base restent stables ; un changement de système peut modifier la manière dont les observations sont capturées et affaiblir la comparaison au-delà de la transition.
• Couverture géographique : confirmer si les mêmes juridictions, limites ou zones de déclaration restent dans le champ ; un changement de couverture géographique peut ajouter ou retirer des populations et des événements de la série historique.
• Base de population : vérifier si les taux utilisent une base de population ou un dénominateur compatible sur la période ; un changement de base de population peut modifier la fréquence représentée, même si le nombre d'événements enregistrés suit un schéma différent.
• État de révision : déterminer si les valeurs proviennent de versions compatibles de la série ; des révisions ultérieures peuvent modifier des observations publiées antérieurement et affecter les comparaisons qui mélangent différents états de révision.
• Ruptures de série documentées : identifier toute rupture de série causée par un changement méthodologique ou juridictionnel connu ; les valeurs de part et d'autre de la rupture doivent être qualifiées ou traitées comme des segments distincts, sauf si la source fournit une base de réconciliation.

Supposons par exemple qu'une série historique montre une augmentation sur une période au cours de laquelle le système de collecte change et que la source identifie une rupture de série.

Les chiffres peuvent décrire les valeurs publiées avant et après ce changement, mais la différence numérique seule n'établit pas une tendance unique à long terme car une partie du changement peut refléter le cadre de mesure modifié.

La comparaison doit identifier la rupture et limiter l'affirmation aux périodes présentant une continuité méthodologique suffisante, ou qualifier explicitement l'interprétation au-delà de la rupture.

Cela maintient la conclusion historique liée à la définition, à la population et au système qui ont produit chaque partie de la série.

Tenir compte des changements de loi, de définitions et de méthodes de collecte

Un changement de régime méthodologique peut créer une rupture de série lorsqu'un changement de loi, une définition d'infraction, une règle de classification ou une méthode de collecte modifie ce que la mesure statistique inclut ou la manière dont les événements sont enregistrés.

Un changement numérique entre les périodes antérieure et postérieure au changement peut donc refléter un changement de mesure, un changement de la criminalité sous-jacente, ou les deux.

L'interprétation doit traiter le régime méthodologique applicable comme une condition attachée à chaque période plutôt que de supposer une définition continue dans le temps.

Pour un exemple illustratif, supposons qu'une règle de classification soit élargie de sorte que des incidents auparavant exclus d'une catégorie d'infraction soient inclus après le changement.

La mesure postérieure au changement peut alors contenir un ensemble plus large d'événements enregistrés que la mesure antérieure, même si la criminalité sous-jacente ne change pas dans la même proportion.

Comparer les deux périodes sans qualification pourrait donc surestimer la part de la différence numérique qui représente un changement réel.

La règle de classification modifiée, la mesure affectée et la rupture de série qui en résulte doivent être divulguées chaque fois qu'elles limitent la comparabilité entre les périodes antérieure et postérieure au changement.

Tenir compte des changements de population et de limites géographiques

La croissance démographique, les migrations et les modifications des limites peuvent altérer le cadre géographique des statistiques historiques sur la criminalité en changeant la population représentée, le numérateur, le dénominateur, ou plusieurs de ces composants.

Une juridiction qui conserve le même nom peut néanmoins couvrir une zone différente après une annexion, un redécoupage ou un autre changement de juridiction, tandis que sa base de population peut changer indépendamment sous l'effet des mouvements démographiques.

La comparabilité repose sur l'identification de la partie du cadre statistique qui a changé, plutôt que sur l'hypothèse que le même nom de lieu représente la même population et la même couverture dans le temps.

Pour une comparaison hypothétique, supposons que le même effectif brut de criminalité soit enregistré sur deux périodes, mais que la croissance démographique due aux migrations augmente la base de population alors que la limite géographique reste inchangée.

Le numérateur est inchangé, mais le dénominateur plus important produit un taux normalisé par la population plus faible ; l'effectif et le taux soutiennent des interprétations différentes du changement entre les deux périodes.

Si un changement de limite modifie en outre les résidents et les incidents qui relèvent de la juridiction, la population représentée et potentiellement le numérateur peuvent changer, rendant la comparaison dépendante du cadre géographique révisé.

Une comparaison historique défendable nécessite une normalisation lorsque la base de population change, une harmonisation des limites lorsque les définitions des zones peuvent être réconciliées, ou une affirmation plus restreinte et qualifiée lorsque ces ajustements ne sont pas soutenus par les données disponibles.

Privilégier les séries statistiques comparables pour analyser l'évolution à long terme

Les séries statistiques comparables soutiennent une interprétation plus défendable de l'évolution à long terme qu'un ensemble plus long de chiffres dont la définition, la méthode, la couverture ou le dénominateur change sans réconciliation.

La longueur historique seule n'établit pas la continuité, car des différences de mesure peuvent être confondues avec des changements de la criminalité.

La liste de vérification suivante teste si une série conserve suffisamment de continuité dans son cadre de mesure pour soutenir une affirmation de tendance à long terme.

• Continuité de la source : vérifier si la série provient du même système source ou de sources dont les méthodes sont explicitement réconciliées ; un changement de source sans réconciliation peut rendre les différences observées partiellement attribuables à un changement de mesure.
• Continuité de la définition d'infraction : vérifier qu'une définition cohérente et une base de classification pertinente s'appliquent sur les périodes comparées ; un changement de définition d'infraction peut modifier les événements qui entrent dans la série et affaiblir l'interprétation du changement numérique.
• Couverture géographique : confirmer que les zones ou juridictions représentées restent suffisamment cohérentes ; un changement de couverture peut ajouter ou retirer des populations et des événements enregistrés, limitant la comparabilité.
• Dénominateur : vérifier que les taux utilisent une base de population compatible ou un autre dénominateur tout au long de la comparaison ; un changement de dénominateur modifie la relation de fréquence exprimée par la série.
• Période de déclaration : vérifier que chaque observation représente une période et une durée de déclaration compatibles ; des périodes incohérentes peuvent faire en sorte que des changements apparents reflètent des fenêtres de mesure différentes plutôt qu'une évolution comparable à long terme.
• Ruptures et révisions documentées : identifier chaque rupture documentée ou révision substantielle affectant la série ; les valeurs de part et d'autre de ces points nécessitent une qualification ou une réconciliation explicite avant de pouvoir soutenir une interprétation de tendance continue.

Par exemple, une série historique plus longue peut contenir des changements de définitions ou de méthodes de collecte, tandis qu'une série plus courte peut préserver une définition, une méthode, une couverture, un dénominateur et une période de déclaration cohérents sur l'ensemble.

Pour une affirmation de tendance à long terme limitée à cette période plus courte, la série méthodologiquement comparable permet une interprétation plus directe même si elle contient moins d'années.

La série plus longue peut encore être utilisée lorsque les discontinuités pertinentes sont identifiées et que l'affirmation est qualifiée pour les refléter.

Si des ensembles de données incompatibles doivent être combinés, leurs différences nécessitent une réconciliation explicite plutôt que d'être fusionnés en une tendance continue.