Au moment où le monde qui nous entoure continue d'évoluer et de changer rapidement dans l'ère numérique, l'importance des données et de leur utilisation est cruciale.

La science des données est un domaine en pleine évolution qui permet d'exploiter le pouvoir des données; elle donne aux gouvernements les moyens d'accroître leur efficacité et leur efficience au service des citoyens. Le rôle des organismes statistiques nationaux ne cessant d'évoluer et de s'étendre, ceux-ci doivent s'adapter et adopter les nouvelles technologies tout en développant leur sens de l'innovation pour subvenir aux besoins d'information de la société.

Statistique Canada est l'un des chefs de file du gouvernement du Canada dans la mise en place de la science des données et de l'intelligence artificielle. En adoptant une approche collaborative de la science des données, l'organisme repousse les limites de la modernisation et exploite la puissance des nouvelles approches et des nouvelles technologies pour mieux servir les Canadiens.

Science des données à l'appui de la réponse à la COVID-19

La science des données permet aux organismes statistiques de réagir rapidement aux changements économiques et sociaux. Au Canada, la puissance de la science des données est utilisée par Statistique Canada à l'appui de la réponse à la COVID-19.

L'organisme a collaboré avec Santé Canada pour représenter l'information sur l'offre et la demande des équipements de protection individuelle (EPI). Avant de pouvoir visualiser les données, il a été nécessaire de les extraire et de les intégrer. Des données provenant de nombreuses sources étaient obtenues chaque jour (différents gouvernements provinciaux ou territoriaux, d'autres ministères fédéraux et des entreprises du secteur privé qui avaient accepté de nous aider à trouver les EPI), dans de nombreux formats différents (p. ex. des documents Word, des fichiers Excel ou des documents en format PDF), et nécessitaient une quantité importante de travail manuel pour créer des rapports normalisés.

Pour améliorer ce processus, un algorithme d'analyse des données a été créé par les scientifiques des données de Statistique Canada pour diviser celles-ci en différents types de données. L'apprentissage automatique a été utilisé pour repérer les nombres et les dates dans le texte. Les données ainsi structurées ont ensuite été présentées dans un tableau de bord Power BI qui a été partagé avec d'autres ministères afin de répondre à leurs besoins en matière d'information et de mieux comprendre l'offre et la demande d'EPI au Canada.

Pour obtenir plus de renseignements au sujet de la réponse de Statistique Canada à la COVID-19, consultez ce portail : La COVID-19 sous l'angle des données.

Engagement en faveur du respect de la vie privée et de la sécurité

Alors que Statistique Canada continue à mettre en œuvre de nouvelles technologies et des innovations, l'engagement de l'organisme à protéger la vie privée et la sécurité reste la priorité absolue. L'organisme a mis en place des mesures rigoureuses pour préserver la confidentialité et la vie privée à l'ère numérique moderne.

La quantité de données que nous recueillons et utilisons et la puissance des informations qu'elles génèrent augmentent rapidement. Nous savons que les données sont vulnérables tout au long de leur cycle de vie : au repos, en transit et pendant le calcul ou le traitement. Alors que les mécanismes de sécurité pour la protection des données au repos (p. ex. la cryptographie symétrique à clé secrète) et pour celles qui sont en transit (p. ex. la sécurité TLS [Transport Layer Security]) sont bien étudiés, des technologies liées à la protection de la vie privée ont émergé ces dernières années pour assurer la protection des données tout en permettant leur traitement, notamment dans les analyses statistiques.

Le terme générique « technologies liées à la protection de la vie privée » (ou techniques de calcul pour préserver la vie privée) englobe un large éventail de méthodes qui promettent de protéger les données en les recueillant, en les traitant et en diffusant leurs résultats. Ces méthodes sont le chiffrement homomorphe, le calcul sécurisé multi-parties, la confidentialité différentielle, les environnements d'exécution fiables et les preuves à divulgation nulle de connaissance. L'utilisation de ces technologies existantes et émergentes de protection de la vie privée est étudiée en permanence par les scientifiques des données de Statistique Canada afin de répondre aux besoins de protection des données de nature hautement délicate. Cela permettra également de trouver d'autres options de stockage pour permettre le traitement sécurisé à distance de données cryptées, de tirer profit des possibilités de calcul multi-parties tout en permettant de tirer des conclusions à partir de données distribuées et inaccessibles.

Pour obtenir plus de renseignements au sujet des moyens mis en œuvre par Statistique Canada pour protéger les données, consultez le Centre de confiance de Statistique Canada.

Consultez les projets en science des données de Statistique Canada pour voir la science des données en action!

À la recherche d'un espace dynamique pour collaborer et en apprendre davantage sur la science des données? Joignez-vous au nouveau Réseau de la science des données pour la fonction publique fédérale (propulsé par l'intendance de StatCan) en vous abonnant à notre nouveau bulletin! Notre vision est de créer une communauté dynamique de passionnés de la science des données et d'offrir un espace de communication permettant aux membres de collaborer et d'en apprendre davantage sur la science des données.

• Pourquoi devriez-vous vous joindre au Réseau?
• Quels sont les avantages du Réseau pour les Canadiens?
• Quels sont les avantages du Réseau pour les autres ministères et organismes?
• Qui peut adhérer?
• Rôle de StatCan au sein du Réseau
• Créer une communauté de la science des données ensemble
• Ressources
• Nous contacter

Le Réseau de la science des données pour la fonction publique fédérale est une nouvelle communauté de la science des données qui facilitera le renforcement des capacités en science des données et le partage des méthodes connexes à l'échelle du gouvernement du Canada, permettant à l'ensemble de la fonction publique de tirer parti de l'utilisation de l'automatisation et de nouvelles sources de données.

Les utilisateurs du Réseau partagent des renseignements sur la formation, les pratiques exemplaires, les projets d'avant-garde et bien plus.

Statistique Canada, en sa qualité d'organisme national de statistique et source de renseignements digne de confiance, est heureux de jouer un rôle d'intendance. Depuis plus de 100 ans, l'organisme évolue sans cesse pour répondre aux besoins en information des Canadiens et il continuera de mettre son expertise à profit dans l'exploration des plus récents développements en science des données et en algorithmes.

Pourquoi devriez-vous vous joindre au Réseau?

L'adhésion au Réseau présente de nombreux avantages, notamment la possibilité de :

• collaborer avec des scientifiques des données de partout au Canada pour découvrir les plus récents conseils et astuces;
• participer à des discussions dynamiques à propos des percées et des défis en science des données;
• vous renseigner à propos des projets collaboratifs en science des données et y participer;
• partager des renseignements à propos des formations, des pratiques exemplaires et bien plus!

Quels sont les avantages du Réseau pour les Canadiens?

Le Réseau ne profite pas seulement aux scientifiques des données — il profite à tous les Canadiens.

Un fondement solide en science des données au gouvernement du Canada signifie que les services et les ressources sont optimisés, grâce à l'utilisation d'outils et de méthodes à la fine pointe de la technologie. Ainsi, les ministères et organismes sont en mesure de mieux répondre aux besoins en renseignements des Canadiens, les responsables des politiques peuvent prendre des décisions éclairées fondées sur des données fiables et de grande qualité, et les données sont mieux utilisées, en tant qu'actif stratégique, dans l'intérêt du public.

La mission générale du Réseau est de renforcer les capacités en science des données dans l'ensemble du gouvernement du Canada et au-delà.

Quels sont les avantages du Réseau pour les autres ministères et organismes?

Statistique Canada tire parti de la science des données en combinant le meilleur des statistiques traditionnelles, de l'intelligence artificielle et de l'apprentissage automatique dans le but de :

• fournir aux Canadiens des produits d'une plus grande actualité, plus rapidement;
• réduire le fardeau de réponse des ménages et des entreprises;
• produire des statistiques plus exactes et détaillées;
• améliorer la protection des renseignements personnels et de la confidentialité;
• fournir des services d'intégration des données;
• contribuer à une approche à l'égard du travail à la fois agile et axée sur l'utilisateur;
• mieux répondre à l'évolution des besoins en données des utilisateurs, d'une manière entrepreneuriale.

Le Réseau renforcera les capacités en science des données dans les ministères et organismes du gouvernement, en offrant ces avantages à plus grande échelle.

En plus de mettre des ressources en commun, le Réseau donne aux ministères et organismes participants un moyen de partager les connaissances et de renforcer les capacités en science des données. Du partage des données aux pratiques exemplaires, une approche communautaire permet d'accroître l'efficacité des programmes, et de réduire le temps passé à surmonter des obstacles.

Le Réseau offre aussi des possibilités de partage des coûts, mutuellement avantageux, pour aider les ministères et organismes à répondre aux besoins des Canadiens comme le précisent leurs stratégies de données respectives.

Qui peut adhérer?

Le Réseau de la science des données pour la fonction publique fédérale est ouvert à quiconque s'intéresse à la science des données, y compris les employés du gouvernement du Canada, le milieu universitaire et les membres d'autres organisations. Tous les niveaux d'expertise sont les bienvenus.

Le Réseau ne s'adresse pas uniquement aux scientifiques des données! Si vous êtes gestionnaire de scientifiques des données, c'est pour vous l'occasion idéale d'obtenir de précieux renseignements concernant l'embauche et le maintien en poste de scientifiques des données, et la manière de les aider dans l'exercice de leurs fonctions.

Rôle de StatCan au sein du Réseau

Statistique Canada dirige la création du Réseau de la science des données pour la fonction publique fédérale. En tant que chef de file des méthodes d'analyse des données, Statistique Canada possède les connaissances, l'expertise et la vision pour donner vie au Réseau, et est heureux d'assurer l'intendance du Réseau. En tant que source de renseignements de confiance pour le pays et les Canadiens, l'organisme continuera de mettre son expertise à profit dans de nouveaux domaines comme l'intelligence artificielle et l'apprentissage automatique, dans l'intérêt des Canadiens.

L'organisme intègre ce qu'il y a de plus nouveau en méthodes, processus, technologies et normes de la science des données à son expertise analytique de longue date pour fournir aux Canadiens et aux responsables des politiques de meilleures perspectives sociales et économiques.

Améliorer l'utilisation des statistiques dans l'ensemble du gouvernement du Canada est au cœur du mandat de Statistique Canada. Grâce à une utilisation optimale des données, combinée à la responsabilisation algorithmique, à l'utilisation éthique et responsable des méthodes (comme l'inférence valide, les biais, l'équité, la reproductibilité) et à la promotion de normes et de pratiques rigoureuses, une meilleure prise de décisions peut être assurée.

Statistique Canada se réjouit de collaborer avec ses partenaires tout au long du développement du Réseau.

Créer une communauté de la science des données ensemble

Statistique Canada invite et encourage la participation de tous les ministères et organismes du gouvernement du Canada et autres partenaires intéressés au Réseau de la science des données pour la fonction publique fédérale.

Les participants peuvent tous profiter des possibilités de collaboration, du partage des données et des ressources et de discussions à propos de tous les aspects de la science des données.

Abonnez-vous à notre bulletin pour en savoir plus, ou communiquez avec nous pour obtenir plus de renseignements.

Ressources

Découvrez-en plus sur la science des données grâce à ces ressources utiles.

Nous contacter

Pour obtenir plus de renseignements, communiquez avec nous à l'adresse statcan.dsnfps-rsdfpf.statcan@statcan.gc.ca.

Pour Statistique Canada, la mission de la science des données est d’accroître la capacité de la science et de l’analyse des données au sein du gouvernement du Canada et au-delà.

Quelles sont les clés du renforcement des capacités en sciences des données?

Confiance — Fournir des résultats concrets tout en respectant des normes éthiques élevées en tout temps pour instaurer la confiance dans les méthodes de la science des données.

Innovation — Les spécialistes des données de Statistique Canada s’engagent à déterminer et à adopter les pratiques les plus récentes en matière de science des données afin de fournir des résultats rapides.

Qualité — Les méthodes scientifiques de Statistique Canada en matière de données sont utilisées en suivant des pratiques rigoureuses, y compris des examens internes des projets, afin de garantir des résultats de haute qualité et des inférences statistiques valides.

Collaboration — L’organisme collabore avec des partenaires du gouvernement du Canada, des universités, des partenaires internationaux et d’autres membres de la communauté de la science des données afin d’apprendre les uns des autres et de partager ses connaissances des méthodes de pointe en sciences des données.

Quels sont les avantages de la science des données?

La science des données permet à Statistique Canada de mieux servir les Canadiens en créant des produits et des services de grande qualité. En utilisant les pratiques d'apprentissage automatique et d'intelligence artificielle les plus récentes, l'organisme est en mesure de traiter rapidement de grands ensembles de données dans des délais plus courts, permettant de remplir le besoin d’obtenir des données de plus en plus nuancées pour mieux comprendre notre pays et notre économie.

L'apprentissage automatique peut également être utilisé pour rendre intelligibles des données non structurées, comme des images ou des données provenant de capteurs, classer rapidement de grandes quantités de renseignements, résumer et extraire des renseignements clés tirés de textes, établir des prédictions et faciliter la recherche.

Fournir de l’information en temps opportun et de haute qualité

Alors que les besoins en matière d'information continuent de croître, il est essentiel que les organismes statistiques nationaux mettent en œuvre ces solutions innovantes pour soutenir la prise de décisions fondée sur des données probantes. La science des données comporte de nombreux avantages pour les Canadiens, notamment :

• l’accès plus rapide et en temps opportun aux produits dérivés des données;
• l'amélioration de la précision des résultats;
• l'augmentation du niveau de détail et de la granularité des données;
• la réduction du fardeau de réponse des ménages et des entreprises.

Ces solutions profitent également à Statistique Canada en donnant aux scientifiques des données la capacité de traiter de grandes quantités de données non structurées, éliminant le travail manuel et réduisant les coûts sans compromettre la qualité des données.

Experts en intelligence artificielle et en apprentissage automatique, les scientifiques des données de Statistique Canada dirigent les activités de recherche et développement en sciences des données de l'organisme.

Les scientifiques des données sont les pionniers des nouvelles technologies et des méthodes innovantes en science des données, fournissant une expertise dans le traitement d'images, le traitement du langage naturel, l'intégration d'outils infonuagiques, les méthodes de traçabilité, les techniques de protection de la vie privée, l'acquisition d'information et beaucoup plus!

Ces experts ont de nombreux domaines de spécialisation, dont l'apprentissage supervisé et non supervisé, les réseaux neuronaux artificiels, l'apprentissage par renforcement, l'ingénierie en infonuagique, etc.

À Statistique Canada, ces méthodes novatrices sont utilisées pour tirer des conclusions plus significatives et plus profondes à partir des données.

La science des données joue un rôle important à Statistique Canada. Dans l'ensemble de l'organisme, de nouvelles méthodes de science des données sont utilisées pour rendre nos projets plus efficaces et fournir de meilleurs renseignements sur les données aux Canadiens.

Statistique Canada œuvre sur les projets dans le cadre de la lutte contre la COVID-19.

Voici les projets

• Politique de distanciation physique optimale grâce à l'apprentissage par renforcement
• Utilisation de la modélisation épidémiologique liée à la COVID-19 pour fournir des renseignements sur l'offre et la demande d'équipement de protection individuelle au Canada
• Prévisions d'occupation des hôpitaux
• Centres pandémiques à risque élevé

Projets par catégorie

• Traitement du langage naturel
• Classification d'images
• Extraction de PDF
• Analyses prédictives
• Recherche
• Cadre

Pour obtenir de plus amples renseignements sur les projets en science des données à Statistique Canada, veuillez communiquer avec le Centre de la science des données.

Traitement du langage naturel

Détection d'événements et indicateurs de sentiment

Statistique Canada est en train de développer un outil pour détecter des événements économiques précis en analysant des millions d'articles de presse. Cet outil utilise des algorithmes d'apprentissage automatique pour chercher et résumer l'information contenue dans les articles et organiser les données dans un tableau de bord informatif. Le temps autrefois consacré à la recherche peut maintenant être consacré à étudier les raisons pouvant expliquer ces changements économiques.

L'organisme explore aussi le développement d'indicateurs de sentiment pour mesurer les tendances économiques et leurs liens avec des variables économiques clés. Fondés sur des interprétations positives et négatives d'articles de presse portant sur l'économie, ces indicateurs peuvent permettre aux experts en la matière d'acquérir une meilleure connaissance des tendances économiques, selon l'industrie, et de contribuer à la publication d'indicateurs économiques en temps quasi réel.

Données de lecteurs optiques sur le commerce de détail

Statistique Canada publie la quantité totale des produits vendus, classés selon le Système de classification des produits de l'Amérique du Nord (SCPAN). De grandes bases de données de lecteur optique sont actuellement disponibles auprès des principaux détaillants et contiennent des millions d'enregistrements. Auparavant, un code du SCPAN était attribué aux produits au moyen d'un codage fondé sur un dictionnaire, combiné à du codage manuel au besoin, en fonction de leur description et d'autres indicateurs. Statistique Canada utilise un modèle de classification de données textuelles par apprentissage automatique permettant de regrouper, selon le SCPAN, l'ensemble des descriptions de produits présentes dans les données de lecteur optique et d'obtenir le montant des ventes cumulées selon la région. Ce modèle a permis d'obtenir un niveau accru d'automatisation, ainsi que des données sur le commerce de détail précises et détaillées, et de réduire le fardeau de réponse des principaux détaillants.

Classification des commentaires sur l'Enquête sur les inconduites sexuelles dans les Forces armées canadiennes

Les scientifiques des données de Statistique Canada ont créé un modèle d'apprentissage automatique visant à classer automatiquement les commentaires électroniques des répondants du Sondage sur les inconduites sexuelles dans les Forces armées canadiennes (SISFAC). Le SISFAC nécessitait une automatisation afin de classer les commentaires des répondants en cinq catégories : « récit personnel », « négatif », « positif », « conseil relatif au contenu » et « autre ». Le modèle d'apprentissage automatique a permis de coder 6 000 commentaires pour le premier cycle du sondage de 2018 et d'obtenir un taux de précision de 89 % pour les commentaires en français et en anglais. Cette méthode sera utilisée dans le cas d'autres enquêtes de Statistique Canada.

Classification des commentaires sur le Recensement de 2021

Statistique Canada a élaboré un algorithme d'apprentissage automatique pour classer 1,8 million de commentaires des répondants en français et en anglais provenant du Recensement de 2021. Cet algorithme classe rapidement et objectivement les commentaires dans différentes catégories. Le modèle s'inspire des commentaires formulés lors du Recensement de 2016 et lors du Test du recensement de 2019. Les commentaires des répondants sont utilisés pour appuyer la prise de décisions au sujet de la détermination du contenu pour le prochain recensement et pour surveiller des facteurs tels que le fardeau de réponse. Veuillez visiter la Classification des commentaires sur le Recensement de 2021 pour obtenir de plus amples renseignements sur ce projet.

Modélisation thématique dynamique de la Base canadienne de données des coroners et des médecins légistes (BCDCML)

Statistique Canada a conçu et déployé un système de modélisation thématique dynamique. Ce système utilise les données de la BCDCML pour détecter les nouveaux textes narratifs portant sur les causes de décès. L'objectif est de fournir aux analystes des tendances relatives des décès au fil du temps. Pour obtenir de plus amples renseignements, veuillez visiter la Modélisation thématique et modélisation thématique dynamique : Une revue technique.

Classification de texte du Système canadien de déclaration des exportations

L'Agence des services frontaliers du Canada (ASFC) et Statistique Canada ont récemment mis au point un nouvel outil de déclaration en ligne pour les exportateurs canadiens à destination de pays autres que les États-Unis, appelé le Système canadien de déclaration des exportations (SCDE). Le SCDE exige qu'un exportateur saisisse lui-même le code du Système harmonisé (SH) de ses marchandises, en plus d'une description textuelle supplémentaire pour fournir plus de renseignements destinés à l'ASFC. La Division de la science des données, en partenariat avec la Division du commerce et des comptes internationaux (DCCI), a élaboré un modèle d'apprentissage automatique à l'aide de FastText pour classer les descriptions supplémentaires des marchandises exportées selon les codes du SH, afin que la DCCI puisse les utiliser pour valider les codes autosaisis du SH fournis par les exportateurs. L'ajout de cette validation est motivé par le fait que l'analyse des données des systèmes précédents a révélé des incohérences entre la description du produit et le code choisi par l'exportateur. Avec la transition vers le SCDE, la production de rapports électroniques est devenue obligatoire et peut entraîner une augmentation des cas présentant de telles incohérences, ce qui explique la raison pour laquelle une solution automatisée d'examen est en cours d'élaboration.

Classification d'images

Classification des cultures en cours de saison

Surveiller la production des exploitations agricoles au Canada constitue un processus important, mais très coûteux. Les enquêtes et les inspections en personne requièrent beaucoup de ressources, et l'approche actuelle pour prédire le rendement des cultures prend beaucoup de temps. Pour ces raisons, Statistique Canada est en train de moderniser la classification des cultures en utilisant une approche de classification fondée sur les images. Un pipeline automatisé est utilisé pour télécharger et traiter l'imagerie satellitaire Landsat-8 disponible gratuitement, tout au long de la saison des récoltes.

Il est possible de prédire les types de cultures au moyen de l'imagerie satellitaire et de l'utilisation des réseaux neuronaux. Les nouvelles estimations du modèle sont ensuite utilisées pour mettre à jour une base de données, ce qui permet aux utilisateurs finaux d'obtenir les estimations les plus récentes, tout au long de la saison des récoltes. Les premiers résultats indiquent que cette méthode est beaucoup plus rapide et qu'elle permettra de réduire le fardeau de réponse des exploitants agricoles, surtout pendant les périodes très achalandées de l'année.

Détection géospatiale des mises en chantier grâce aux images satellites

La Société canadienne d'hypothèques et de logement effectue le suivi des mises en chantier et des projets de construction de bâtiments résidentiels partout au Canada, et les résultats qui en découlent sont utilisés par Statistique Canada pour étalonner les estimations de son programme d'investissement en construction de bâtiments. Statistique Canada a utilisé diverses méthodes de science des données pour détecter les travaux de construction à partir d'images satellites, comme l'augmentation des images pour diversifier et améliorer l'ensemble de données. Ces méthodes ont permis aux scientifiques des données de détecter l'aire de l'immeuble aux étapes de préfondation et de fondation. Le processus de préfondation consiste à créer des fondations et des dalles de béton pour soutenir les murs de fondation, y compris l'excavation. La fondation fait partie d'un système structurel qui soutient et ancre la superstructure d'un bâtiment. La construction et l'évaluation du modèle d'intelligence artificielle ont nécessité le traitement de plus de 1 400 km2 d'images à résolution de 50 cm, sur de nombreux mois, pour lesquels un pipeline de traitement hautement évolutif et efficace a été créé. Les algorithmes d'intelligence artificielle élaborés pourraient éventuellement mener à l'obtention de données plus précises et plus opportunes, tout en aidant à éliminer les lacunes existantes en matière de données pour le secteur non résidentiel et pour les collectivités petites ou éloignées, exclues de l'enquête actuelle.

Détection des serres agricoles grâce aux images aériennes

Le projet de serres a utilisé des données d'observation de la Terre pour détecter les serres et mesurer leur superficie totale au Canada, en plus d'offrir une validation de principe pour déterminer notre capacité de classer les serres en fonction de leurs produits cultivés à l'intérieur et du type de serres elles-mêmes (verre ou couverture en plastique). Afin de produire des estimations plus opportunes et de réduire les besoins de répondre à l'enquête, les scientifiques des données de Statistique Canada s'emploient à automatiser le processus d'identification à l'aide de l'apprentissage automatique, de sources de données administratives et d'autres technologies, comme l'imagerie par satellite et l'imagerie aérienne à haute résolution.

Extraction de PDF

Extraction des variables économiques des rapports financiers

Statistique Canada a utilisé la science des données pour extraire des renseignements à partir de documents en format PDF et d'autres documents, d'une manière plus rapide et efficace. Par exemple, Statistique Canada a mené des expériences avec l'ensemble de données historiques du Système électronique de données, d'analyse et de recherche (SEDAR), un système utilisé par les sociétés canadiennes cotées en bourse pour déposer des documents sur les valeurs mobilières auprès de diverses autorités des valeurs mobilières canadiennes.

Pour accroître l'efficacité de ce processus, les scientifiques des données de Statistique Canada ont développé un pipeline d'apprentissage automatique de pointe qui repère et extrait correctement les variables financières clés (p. ex. le total de l'actif) à partir du tableau approprié (p. ex. le bilan) dans les états financiers annuels d'une entreprise. L'algorithme utilisé pour l'extraction de tableaux appelé Spatial Layout-based Information and Content Extraction (SLICE [en anglais seulement]) a été élaboré au sein de Statistique Canada et est offert en source ouverte en vertu d'une licence MIT. SLICE est un algorithme de vision informatique unique qui utilise simultanément des informations textuelles, visuelles et de mise en page pour segmenter les pages dans une structure tabulaire. Le pipeline transforme donc une grande quantité de documents publics non structurés provenant du SEDAR en ensembles de données structurées, permettant ainsi l'automatisation de l'extraction de renseignements relatifs aux entreprises canadiennes. Cette approche réduit considérablement les heures d'efforts manuels consacrées à la détermination et à la saisie des renseignements requis et réduit la redondance des données au sein de l'organisation en fournissant une solution à entrée unique pour accéder à l'information.

Extraction de fichiers PDF numérisés à la Division de la statistique du secteur public

La Division de la statistique du secteur public (DSSP) de Statistique Canada reçoit les états financiers des gouvernements provinciaux et de leurs municipalités respectives sur une base trimestrielle et annuelle. Ces états sont sous format PDF numérisé et en format de texte. Ces documents stockent des renseignements précieux dans des tableaux. Chaque ligne du tableau contient des valeurs numériques qui doivent être extraites manuellement et stockées dans une base de données pour une analyse plus approfondie, mais ce processus manuel est long et sujet à des erreurs humaines. Les scientifiques des données de Statistique Canada ont élaboré une validation de principe qui consiste à extraire des données financières à partir des états financiers déclarés, à l'aide d'un algorithme d'apprentissage automatique interne, et à les afficher dans un format tabulaire qui peut être modifié par les analystes. De plus, les données sont codées automatiquement et les relevés des valeurs numériques de l'année précédente et de l'année en cours sont fournis. Lorsque le projet passera en production, il réduira la redondance des données au sein de l'organisation en fournissant une solution à entrée unique pour accéder à l'information, et, de plus, il permettra d'économiser des heures d'efforts manuels pour identifier et saisir les renseignements requis par les analystes de la DSSP.

Analyses prédictives

Prévisions immédiates des indicateurs économiques

De nombreuses initiatives de Statistique Canada visent à établir des estimations en temps quasi réel et à produire des indicateurs avancés pour bon nombre des principales séries de données de l'organisme. Dans le cadre du programme d'investissement en construction de bâtiments, les valeurs des permis de construction sont une série clé pour laquelle un indicateur précoce pourrait être produit au moyen de prévisions immédiates. Pour faciliter l'effort, un environnement infonuagique analytique a été créé. Il permet aux analystes de tirer parti des données externes en temps opportun et des modèles de séries chronologiques avancés. Une vaste base de données de séries chronologiques comportant des séries chronologiques économiques (tirées des programmes de Statistique Canada), des données ouvertes externes, des données de capteurs de température et des données sur le marché boursier a été créée. Cet environnement pourrait potentiellement ouvrir la voie à un système de prévision immédiate généralisé au sein de Statistique Canada. Une analyse exploratoire a été effectuée pour appliquer les modèles de prévisions immédiates, y compris ARIMA-X, PROPHET et l'algorithme d'apprentissage automatique XGBoost dans la prévision immédiate de plusieurs indicateurs économiques, y compris les valeurs mensuelles des permis de construction. Il a été constaté que ARIMA-X et PROPHET avaient un rendement similaire en termes d'erreur moyenne en pourcentage absolu et d'exactitude directionnelle moyenne, alors que le rendement de XGBoost avec des données ouvertes externes n'était pas aussi performant.

Prédictions du rendement des cultures

Statistique Canada a récemment terminé un projet de recherche pour la Série de rapports sur les grandes cultures (SRGC) portant sur l'utilisation de l'apprentissage automatique, plus particulièrement les techniques de régression supervisée, pour la prédiction du rendement des cultures en début de saison. L'objectif était d'étudier si cette approche pourrait être utilisée pour améliorer la précision de la méthode de prédiction du rendement des cultures existante, tout en réduisant le fardeau de réponse à l'enquête pour les exploitants agricoles très occupés. La principale contribution du projet de recherche consistait à adapter la validation de la fenêtre mobile progressive (VFMP) en tant que protocole de validation. La VFMP est un cas particulier de validation progressive, une famille de protocoles de validation conçus pour éviter la fuite de renseignements temporels pour l'apprentissage supervisé à partir de données de série chronologique. Notre adaptation de la VFMP a permis d'établir un protocole de validation personnalisé qui reflète de façon réaliste le contexte de production statistique de la SRGC. Veuillez visiter Utilisation de l'apprentissage automatique pour prédire le rendement des cultures pour plus de détails sur le côté technique de ce projet.

Prévisions d'occupation des hôpitaux

Les scientifiques des données de Statistique Canada contribuent à la lutte contre la COVID-19 en élaborant des prévisions à court terme sur l'occupation des hôpitaux, à partir de deux entrées quotidiennes tirées des données de l'hôpital d'Ottawa à titre de test. Les entrées représentent le nombre quotidien de nouvelles admissions à l'hôpital et le dénombrement des patients hospitalisés à minuit. Les prévisions d'admission sont déterminées à l'aide de deux modèles bayésiens hiérarchiques. La première entrée modélise le délai aléatoire entre l'événement non observé d'infection par la COVID-19 et l'admission à l'hôpital, pour le sous-groupe des personnes infectées qui seront hospitalisées en raison de la COVID-19. La deuxième entrée modélise le délai aléatoire entre l'admission à l'hôpital et le congé ou le décès.

Une série de 25 semaines consécutives de prévisions simulées fondées sur des données réelles a été effectuée pour évaluer l'efficacité du modèle de prévision. Les bandes crédibles qui en ont résulté, d'une part, englobaient systématiquement le nombre réel d'hospitalisations dans la semaine qui a suivi les limites respectives des données de formation et, d'autre part, étaient suffisamment étroites pour être informatives. Les résultats de ce projet suggèrent fortement la faisabilité de prévisions précises et informatives en matière d'hospitalisation au niveau de la municipalité, à condition que des données opportunes sur les admissions à l'hôpital et les congés et les décès soient disponibles.

Centres pandémiques à risque élevé

Les scientifiques des données de Statistique Canada ont créé un projet de recherche à l'aide d'un cadre général d'apprentissage automatique pour déterminer et prédire les régions sanitaires qui pourraient être considérées comme vulnérables ou à risque élevé d'augmentation des taux d'infection à la COVID-19. En déterminant ces régions, les autorités sanitaires fédérales et provinciales seraient en mesure de détourner des ressources de santé publique telles que l'équipement de protection individuelle, ou les travailleurs de première ligne affectés aux régions à faible risque, vers les régions à risque plus élevé. Cela permettrait également de contenir plus rapidement les cas dans les zones à risque plus élevé grâce à des mesures de suivi et de quarantaines des contacts. Cet effort a également contribué à la création d'un tableau de bord interactif qui pourrait permettre aux utilisateurs de surveiller les cas et les décès liés à la COVID-19 au niveau de la région sociosanitaire et de faire un choix parmi plusieurs modèles et approches de prédiction des risques.

Utilisation de la modélisation épidémiologique liée à la COVID-19 pour fournir des renseignements sur l'offre et la demande d'équipement de protection individuelle au Canada

Au début de la pandémie, on s'inquiétait de l'état de préparation en lien avec l'équipement de protection individuelle (EPI) au Canada et l'on se demandait s'il y avait suffisamment d'approvisionnement pour soutenir le secteur des soins de santé et d'autres secteurs de l'économie tout au long de la pandémie. En réponse à ce besoin émergent, Statistique Canada a adapté un modèle épidémiologique existant afin de permettre aux décideurs de mettre à l'épreuve l'offre d'EPI en fonction de divers scénarios épidémiologiques. Les projections produites à partir de ce modèle épidémiologique ont été utilisées par le modèle de l'offre et de la demande de l'EPI pour comparer les approvisionnements en stock et les approvisionnements entrants aux projections de la demande sur douze mois. Pour obtenir de plus amples renseignements, veuillez visiter la Modélisation de la dynamique du SRAS-CoV-2 pour prévoir la demande D'EPI.

Politique de distanciation physique optimale grâce à l'apprentissage par renforcement

Les scientifiques des données de Statistique Canada ont collaboré avec l'Agence de la santé publique du Canada pour élaborer un nouveau cadre de modélisation épidémiologique optimisant les interventions non pharmaceutiques à l'aide de l'apprentissage par renforcement. Ce modèle détermine la combinaison optimale de comportements à mettre en œuvre dans la population pour réduire la propagation d'une infection dans le cadre de simulations. Veuillez visiter le blog sur les Interventions non pharmaceutiques et apprentissage par renforcement pour plus de détails sur le côté technique de ce projet.

Recherche

Le premier projet d'apprentissage automatique quantique de Statistique Canada : une collaboration avec l'Université de Sherbrooke

L'informatique quantique — une nouvelle méthode de calcul qui repose sur les principes de la mécanique quantique pour stocker et traiter l'information — est très prometteuse en tant que solution pour les processus et algorithmes lourds en termes de calcul. De plus en plus, les gouvernements et les grandes entreprises s'efforcent d'évaluer la façon dont l'informatique quantique changera leurs activités dans un avenir proche.

Depuis juin 2021, Statistique Canada collabore avec l'Université de Sherbrooke pour explorer le potentiel de l'informatique quantique et cerner les occasions qu'offre cette nouvelle technologie dès les premières étapes de son développement. Ce projet d'une durée de six mois constitue la première collaboration entre Statistique Canada et l'Espace quantique, à l'Institut quantique (IQ) de l'Université de Sherbrooke. L'Espace quantique offre à ses membres un accès infonuagique à des systèmes informatiques quantiques sophistiqués, ainsi qu'à une communauté d'experts pour les assister dans leurs projets de recherche en informatique quantique.

Le projet de Statistique Canada permettra d'explorer différentes possibilités d'optimisation de ses processus d'apprentissage automatique et de classification de textes. Il permettra également d'étudier la façon dont l'informatique quantique pourrait être utilisée pour favoriser l'atteinte de son objectif de fournir des données et des renseignements de haute qualité à la population canadienne en s'appuyant sur cette technologie.

Chiffrement homomorphe

La sécurité des données demeure l'une des priorités les plus élevées de Statistique Canada. Nos scientifiques des données forment un classificateur de texte pour l'apprentissage automatique, de sorte que celui-ci utilise le chiffrement homomorphique pour protéger les données pendant qu'elles sont traitées. Les données sont protégées en deux points. Le premier point, situé à leur point d'ingestion, permet de traiter les fichiers de données à distance ou sur le nuage. Le deuxième point se situe à leurs points de diffusion – cette approche permet aux chercheurs externes accrédités dans les laboratoires virtuels d'avoir accès à plus de données de façon sécuritaire. L'utilisation du chiffrement homomorphique non seulement assure la protection des données, mais sert aussi de solution pour la sous-traitance du calcul. Veuillez visiter Une brève enquête sur les technologies liées à la protection de la vie privée pour obtenir de plus amples renseignements sur le chiffrement homomorphique et d'autres approches de protection de la vie privée.

Une nouvelle méthode d'estimation pour les échantillons non probabilistes

Les échantillons probabilistes permettent une estimation fiable des caractéristiques de la population et sont utilisés avec succès dans les statistiques depuis de nombreuses décennies. Toutefois, en raison de l'augmentation des coûts et de la baisse des taux de réponse, les chercheurs ont commencé à élaborer une théorie pour une estimation fiable fondée sur d'autres sources de données. Les échantillons non probabilistes, comme les panels volontaires sur le Web, sont souvent relativement faciles et peu coûteux à obtenir, mais peuvent subir un biais d'autosélection grave lorsque les techniques d'estimation traditionnelles ne peuvent pas être appliquées. Pour y remédier, les chercheurs de Statistique Canada ont élaboré nppCART, une nouvelle méthode d'estimation pour les échantillons non probabilistes. nppCART tente de corriger le biais d'autosélection en intégrant des renseignements additionnels provenant d'un échantillon probabiliste auxiliaire. nppCART est une variante de l'algorithme bien connu de l'arbre de classification et de régression et peut être considérée comme une méthode non paramétrique. Elle a été conçue dans l'espoir que sa nature non paramétrique pourrait être plus utile en présence de non-linéarité ou d'interactions complexes entre les variables prédictives que les techniques existantes d'estimation d'échantillons non probabilistes. Veuillez visiter le Congrès annuel de 2019 à Calgary pour les ressources sur ce projet.

Cadre

Cadre pour l'utilisation des processus d'apprentissage automatique de façon responsable

L'apprentissage automatique fait de plus en plus partie intégrante de nombreux projets à Statistique Canada. Les scientifiques des données cherchent à mettre en œuvre un cadre pour que les processus d'apprentissage automatique et les applications d'intelligence artificielle qui passent à la production utilisent ces techniques de manière responsable. Le cadre comprend une évaluation du projet au moyen d'une liste de vérification, suivie d'un examen par les pairs du projet. En guise de dernière étape, la méthodologie est présentée au Comité d'examen scientifique. L'objectif de ce projet est d'établir un processus de revue qui permet de s'assurer que des processus responsables d'apprentissage automatique sont mis en production tout en faisant la promotion de bonnes pratiques et de pratiques éthiques de la science des données. Ce cadre guidera également les scientifiques des données dans l'élaboration de nouveaux projets. Pour plus de renseignements, veuillez visiter la page Utilisation responsable de l'apprentissage automatique à Statistique Canada.

Participez au Réseau de la science des données pour la fonction publique fédérale

Appel à tous les passionnés de la science des données! Inscrivez-vous au bulletin d'information du Réseau de la science des données pour la fonction publique fédérale pour découvrir le monde de la science des données et trouver des occasions de collaborer avec vos pairs.

Apprenez-en davantage sur la science des données

• Centre de la science des données de Statistique Canada
• Série de séminaires du Data Science Campus du Royuame-Uni (en anglais seulement)
• Data Science Campus du Royaume-Uni (en anglais seulement)
• L'Office fédéral de la statistique Suisse - Innovation en science des données
• Groupe GCcollab de la science des données
• Terminologie pour la science des données
• Pourquoi utiliser l'apprentissage automatique et quel est son rôle dans la production de statistiques officielles?

Apprenez-en davantage sur le gouvernement numérique

• Stratégie des données de Statistique Canada
• Stratégie de données du gouvernement du Canada : Rapport au greffier du Conseil privé : Feuille de route de la Stratégie de données pour la fonction publique fédérale
• Gouvernement du Canada — Gouvernement numérique

Formation et outils

Formation

• Formation sur la littératie des données
• Découvrez le numérique pour les cadres (I500)
• Exploration de la visualisation des données (I519)
• Académie du numérique de L'École de la fonction publique du Canada (EFPC)
  • Académie du numérique - Excellence en données
  • Académie du numérique – Analyse des données & intelligence
• R101 Dîner-causerie (en anglais seulement)
• Cours national sur l'IA
• Éléments de l'IA
• La puissance de la science des données au service de la croissance des entreprises (I522)

Outils

• Présentation d'outil : jq – processeur JSON en ligne de commande (en anglais seulement)
• FastAPI (en anglais seulement)

Communautés de pratique

• Communauté de pratique sur l'apprentissage automatique appliqué : Analyse de texte (accessible uniquement sur le réseau du gouvernement du Canada)
• Communauté de pratique sur la vision par ordinateur (accessible uniquement sur le réseau du gouvernement du Canada)

Entreprises

Indicateurs du crédit des entreprises

Statistique Canada utilise les données des agences de crédit aux fins suivantes :

• pour compléter les données de programmes existants de Statistique Canada;
• pour obtenir des mesures périodiques et à jour de la santé financière des entreprises canadiennes dans le contexte de la COVID-19 et de la relance à venir;
• pour appuyer les mesures et politiques ciblées de relance.

Le programme statistique suivant utilise ces données à des fins statistiques et de recherche seulement :

Comptes économiques

Ces données ne renferment pas de renseignements personnels.

Répondre aux besoins de données pendant la COVID-19

La COVID-19 a eu des répercussions sans précédent sur les Canadiens, en particulier sur les populations les plus vulnérables. Pour comprendre ces répercussions, des données désagrégées sont nécessaires pour les populations des minorités visibles, les immigrants, les personnes âgées, les Autochtones et d'autres populations vulnérables.

Statistique Canada a amélioré les instruments d'enquête par approche participative et s'en est servi afin de recueillir de l'information clé sur des populations vulnérables, y compris les immigrants, les Autochtones et les groupes de minorités visibles, lorsqu'il y a suffisamment de réponses de la part des Canadiens à cette fin. Nous remercions les Canadiens d'avoir participé à ces importantes initiatives. Pour aller de l'avant, à compter de juillet 2020, l'Enquête sur la population active comprendra une question sur le statut de minorité visible.

Statistique Canada diffuse quotidiennement de nouvelles conclusions par l'intermédiaire de son portail sur la COVID-19 en mettant davantage l'accent sur les expériences uniques de différents groupes de population.

Investissements dans les données désagrégées avant la COVID-19

Avant la COVID-19, le gouvernement a reconnu l'importance de combler des lacunes en matière de données désagrégées et il a pris des mesures pour remédier à cette situation. La pandémie a rendu ces lacunes plus visibles et a accru l'urgence de les combler.

En 2018-2019, le gouvernement a alloué la somme de 6,7 millions de dollars en financement sur cinq ans, et 600 000 $ par la suite, pour établir un Centre des statistiques sur le genre, la diversité et l'inclusion (CSGDI). Le CSGDI a pour objectif d'appuyer l'élaboration de politiques et de programmes fondée sur des données probantes en effectuant une veille et en préparant des rapports sur le genre, la diversité et l'inclusion. En plus de ce financement, Statistique Canada a reçu 4,2 millions de dollars en 2019-2020 pour quatre activités distinctes dans le cadre de la Stratégie canadienne de lutte contre le racisme.

Statistique Canada continue de travailler avec ses homologues fédéraux, provinciaux et territoriaux à trouver des façons de brosser un tableau plus complet de la situation.

2018-2019 : Centre des statistiques sur le genre, la diversité et l'inclusion

Réalisations à ce jour

• Le CSGDI a lancé le Carrefour de statistiques sur le genre, la diversité et l'inclusion , qui met l'accent sur les données désagrégées par genre et autres identités pour appuyer l'élaboration de politiques et la prise de décisions fondées sur des données probantes. Le carrefour est une plateforme centralisée qui offre un soutien aux ministères lorsqu'ils préparent des conseils à l'intention des ministres et élaborent des politiques fondées sur des données probantes.
• Afin de suivre les progrès réalisés par le gouvernement du Canada en ce qui concerne le Cadre des résultats relatifs aux genres, le CSGDI a publié 29 tableaux d'indicateurs, désagrégés par genre et autres identités. Ces indicateurs servent à informer les Canadiens des progrès réalisés par le Canada pour atteindre l'égalité des genres.
• Le CSGDI a entrepris des travaux afin d'appuyer la collecte de données désagrégées pour la population LGBTQ2. Par exemple, une nouvelle norme sur le genre a été élaborée. Cette norme a été incluse dans le Test du recensement de 2019 et est actuellement utilisée dans de nombreuses enquêtes sociales. Elle permet à Statistique Canada de mieux rendre compte de la population de diverses identités de genre au Canada et de s'assurer que les données de Statistique Canada reflètent les réalités de la population canadienne. Le CSGDI élabore également une nouvelle norme pour la désagrégation des données fondées sur l'orientation sexuelle.
• Un certain nombre d'articles et d'infographies, dont quatre produits mettant en lumière de nouvelles données désagrégées sur les communautés noires au Canada, ont été publiés afin de répondre aux besoins stratégiques clés et de mieux faire connaître les questions liées au genre, à la diversité et à l'inclusion. Il est possible de trouver un exemple de ce type de produit, « Portrait socioéconomique de la population noire du Canada », dans l'édition du 25 février 2020 du Quotidien.
• Les sources de données existantes ont été utilisées de manière nouvelle et novatrice pour étudier la question de l'égalité des genres. Cela comprend, par exemple, une analyse de la diversité au sein des conseils d'administration et une analyse de la propriété d'entreprise par genre au Canada.
• Il est impossible de disposer de renseignements fiables sur le genre, la diversité et l'inclusion au Canada en l'absence de normes statistiques solides définissant clairement les concepts que l'on mesure. Statistique Canada joue un rôle de premier plan en veillant à ce que des normes solides soient établies et adoptées dans le cadre du système statistique national. Cela comprend l'accessibilité aux normes statistiques pour la collecte de données désagrégées. L'édition du 24 juillet 2020 du Quotidien, « Des normes statistiques éprouvées et fiables », examine comment les normes statistiques fournissent des renseignements sur les données recueillies sur un sujet particulier pour aider les personnes à comprendre et à interpréter ces données.

2019-2020 : Stratégie canadienne de lutte contre le racisme

Quatre activités distinctes

• Expansion de l'Enquête sociale générale (ESG) de 2020 sur l'identité sociale : Ce projet consiste à augmenter la taille de l'échantillon de l'ESG sur l'identité sociale. Cela permettra d'effectuer des analyses stratégiques plus ciblées sur l'expérience de certains groupes ethnoculturels dans la plupart des provinces et des régions provinciales du Canada. La collecte du nouveau cycle de l'ESG sur l'identité sociale est en cours depuis le mois d'août et sera complétée en décembre 2020.
• Expérience du Programme de déclaration uniforme de la criminalité (DUC) : Ce projet examinera les changements possibles proposés pour le Programme DUC afin de permettre la collecte de données sur plus d'une motivation pouvant contribuer aux crimes haineux.
• Appuyer le nouveau Comité consultatif des experts de la statistique ethnoculturelle et de l'immigration : Ce projet fait appel à un comité consultatif externe d'experts sur une période de trois ans afin de guider et de conseiller Statistique Canada dans l'élaboration d'un cadre conceptuel sur la diversité ethnoculturelle et l'inclusion et dans l'élaboration de groupes d'indicateurs pour faire le suivi de l'inclusion pertinents au fil du temps.
• Produits analytiques sociaux, économiques et judiciaires : Ce projet fournira des analyses statistiques des données nouvelles et existantes sur l'inclusion et l'exclusion afin de mieux comprendre les expériences vécues par des communautés particulières au Canada, y compris les groupes ethnoculturels, dans les domaines de la participation socioéconomique et du système judiciaire. Le travail est déjà en cours pour améliorer l'information sur les crimes motivés par la haine en reliant les données de la police aux données des tribunaux.

Prochaines étapes

Même si beaucoup de choses ont été faites, la pandémie a également souligné l'importance de la collaboration entre les organismes et entre les administrations afin de répondre aux demandes croissantes pour un plus grand nombre de données désagrégées sur les répercussions socioéconomiques de la pandémie.

Pour que Statistique Canada fournisse davantage de renseignements désagrégés sur les groupes de population, les données doivent d'abord être recueillies de façon normalisée afin de permettre des comparaisons significatives. Un volume suffisant de données doit également être recueilli pour permettre ces comparaisons.

Dans le cas des enquêtes, lorsque les données sont recueillies directement auprès des Canadiens, Statistique Canada étudie les secteurs où il faut des échantillons de tailles plus importantes pour produire des renseignements désagrégés. Les données conservées par d'autres partenaires et administrations pourraient également être transmises à Statistique Canada de façon transparente, avec des mesures de protection de la vie privée et de la confidentialité, afin d'offrir une image plus intégrée des groupes de population et de leur expérience.

Forte demande pour l'expertise de Statistique Canada

De juillet 2020 à janvier 2023, Statistique Canada a apporté une aide constante dans le cadre des efforts de recherche de contacts liés à la COVID-19 déployés à l’échelle fédérale et provinciale. L’expertise de Statistique Canada, ses compétences en matière d’interview et son personnel dévoué ont permis d’appuyer ces efforts essentiels.

La recherche de contacts est le processus consistant à entrer en communication avec les personnes qui peuvent avoir été exposées au virus et à s’assurer que ces personnes prennent les mesures nécessaires pour contrôler la propagation de la maladie. En étant tenues informées de leur éventuelle infection, les personnes peuvent se placer en quarantaine et surveiller l’apparition éventuelle de symptômes. Cela permet de s’assurer que ces personnes ont reçu les soins et les traitements nécessaires, et d’empêcher par ailleurs la transmission du virus à d’autres.

Les activités de recherche de contacts sont dirigées par les provinces et les territoires. Toutefois, étant donné que le gouvernement fédéral a également accès à des employés entièrement équipés capables d’effectuer ce travail, il a offert son appui aux provinces et aux territoires, au besoin.

Le tableau ci-dessous illustre le volume total d’appels effectués chaque mois de juillet 2020 à décembre 2022 par Statistique Canada à des fins de recherche de contacts pour le compte des autorités provinciales et fédérales de la santé.

Statistique Canada a activement aidé les organismes de santé, les chercheurs et les praticiens de première ligne en leur fournissant une variété d’outils, des données et de l’expertise pour les aider à gérer la pandémie. Parmi les mesures mises en place, notons des normes de données, une infrastructure technique et un soutien lié aux systèmes pour qu’il soit possible de faire un meilleur suivi et de se faire une meilleure idée du nombre de cas. Statistique Canada a également aidé à mesurer les besoins en matière d’équipement de protection individuelle, ainsi que les répercussions sociales et économiques de la pandémie sur les segments vulnérables de la population canadienne.

Dans le cadre de ce processus, Statistique Canada a continuellement appliqué des mesures rigoureuses pour protéger la confidentialité des renseignements personnels. L’organisme a également tenu le Commissariat à la protection de la vie privée pleinement informé de son approche et de certaines activités.

Statistique Canada s’est engagé à aider les Canadiens à demeurer en santé et en sécurité en utilisant ses données et son expertise de façon responsable et entièrement transparente.

Si vous avez des questions ou des préoccupations, veuillez les transmettre à infostats@statcan.gc.ca.