Études analytiques : méthodes et références
Cadre pour l’utilisation, l’analyse, l’interprétation et la diffusion des données déclarées par la police sur les identités autochtones et racisées dans le cadre du Programme de déclaration uniforme de la criminalité

Passer au texte

Début du texte

Sommaire

Dans son budget de 2021, le gouvernement du Canada a reconnu le besoin crucial de désagrégation des données pour lutter contre le racisme, les écarts entre les genres et les obstacles systémiques dans l’ensemble du pays. Un engagement financier de cinq ans a été pris pour appuyer le Plan d’action sur les données désagrégées (PADD), une initiative pangouvernementale dirigée par Statistique Canada (Secrétariat du Conseil du Trésor du Canada, 2023).

La désagrégation des données désigne le processus consistant à décomposer de grands ensembles de données agrégées en catégories plus fines fondées sur des caractéristiques pertinentes (Statistique Canada, 2024a). À Statistique Canada, le PADD vise à produire des données plus précises sur les inégalités touchant l’ensemble de la société canadienne.

Les données désagrégées sont indispensables pour plusieurs raisons. Elles sont notamment utilisées pour mieux comprendre les populations marginalisées, élaborer des politiques fondées sur des données probantes, suivre les progrès accomplis et évaluer des programmes et, en fin de compte, intégrer des considérations relatives à l’équité et à l’inclusion dans les décisions ayant une incidence sur la population du Canada (Secrétariat du Conseil du Trésor du Canada, 2023; Statistique Canada, 2022b; Nations Unies, 2018).

Financée par l’entremise du PADD, l’initiative conjointe de Statistique Canada et de l’Association canadienne des chefs de police dont traite le présent rapport vise à élargir le Programme de déclaration uniforme de la criminalité (DUC) de Statistique Canada. L’initiative de collecte de données déclarées par la police sur les identités autochtones et racisées (DDPIAR) a été créée pour recueillir, au moyen du Programme DUC de Statistique Canada, des DDPIAR en ce qui concerne les victimes et les auteurs présumés impliqués dans des actes criminels. L’absence de ces données à un niveau systématique à l’échelle nationale constitue une lacune importante dans les données du système de justice pénale en contexte canadien.

Ce rapport, intitulé Cadre pour l’utilisation, l’analyse, l’interprétation et la diffusion des données déclarées par la police sur les identités autochtones et racisées dans le cadre du Programme de déclaration uniforme de la criminalité, se veut un guide pour les utilisateurs des DDPIAR recueillies au moyen du Programme DUC. Ce document d’orientation générale est évolutif : il jette une première base pour l’utilisation responsable des données et sera mis à jour au besoin^Note 1.

Le cadre poursuit deux grands objectifs :

• Appuyer l’utilisation responsable et éthique des DDPIAR au moyen de cinq principes directeurs, proposés pour éviter que les communautés concernées ne soient davantage stigmatisées et marginalisées par l’utilisation de ces données.
• Fournir les outils et l’encadrement nécessaires à l’interprétation prudente et avisée des données relatives à la diversité culturelle, ainsi qu’à l’élaboration de renseignements probants sur lesquels appuyer la prise de décisions afin de parvenir à des résultats plus équitables au sein des services policiers.

Le rapport se divise en deux grandes sections :

La section 1 décrit l’expansion du Programme DUC pour rendre possible la collecte de données sur les identités autochtones et racisées, et met en contexte la nécessité du présent cadre.

La section 2 présente cinq principes clés pour utiliser de façon responsable et éthique les renseignements recueillis grâce à cette initiative. Les utilisateurs de données y trouveront les facteurs importants à considérer en vue de l’utilisation, de l’analyse, de l’interprétation et de la diffusion de ces renseignements, ainsi que les recommandations indispensables à la mise en œuvre des principes directeurs proposés. Tout en appuyant la liberté universitaire en matière de recherche, cette section aborde l’approche systématique préconisée par Statistique Canada, laquelle met l’accent sur l’adoption de points de contrôle clés pour assurer une utilisation responsable des données désagrégées.

Remerciements

Statistique Canada exprime ses remerciements et sa gratitude aux personnes qui ont participé à l’élaboration du présent cadre, et souhaite souligner tout particulièrement le travail entrepris par le comité spécial de l’Association canadienne des chefs de police^Note 2 et les conseils avisés des organisations communautaires autochtones et racisées, des universitaires, des services de police et d’autres acteurs qui ont participé aux missions consultatives de Statistique Canada.

Introduction

Initiative de collecte de données déclarées par la police sur les identités autochtones et racisées (DDPIAR)

Le 15 juillet 2020, Statistique Canada et l’Association canadienne des chefs de police ont publié une déclaration commune annonçant leur engagement à travailler en collaboration à la collecte de données sur les identités autochtones et racisées des victimes et des auteurs présumés^Note 3 identifiés comme étant impliqués dans des affaires criminelles déclarées par la police au Programme de déclaration uniforme de la criminalité (DUC).

La multiplication des demandes pour des données mieux désagrégées rendant compte des expériences diverses des personnes en général, et les préoccupations grandissantes concernant le traitement différent des Autochtones et des personnes racisées dans le système de justice pénale canadien plus particulièrement, ont mis en relief d’importantes lacunes dans la disponibilité de données désagrégées sur la population canadienne (Patrimoine canadien, 2019; David et Mitchell, 2021; Millar et Owusu-Bempah, 2011; Samuels-Wortley, 2021).

L’initiative de collecte de données déclarées par la police sur les identités autochtones et racisées (DDPIAR) se présente comme une réponse concrète aux appels à l’action, compte tenu notamment de la surreprésentation de longue date des populations autochtones et racisées (les personnes noires tout particulièrement) dans le système de justice pénale canadien (Enquête nationale sur les femmes et les filles autochtones disparues et assassinées, 2019; David et Mitchell, 2021; Millar et Owusu-Bempah, 2011; Samuels-Wortley, 2021; Statistique Canada, 2022a; Commission de vérité et réconciliation du Canada, 2015). L’initiative de collecte de DDPIAR vise à faire la lumière sur les questions d’inégalités systémiques et de discrimination dans le système de justice pénale, par la police comme point d’entrée dans le système^Note 4.

Ces données peuvent être utilisées, entre autres, pour :

• relever, en combinaison avec des données couplées, les différences et les iniquités dans le cheminement des affaires et les résultats des services de police;
• fournir des indications quantitatives suffisantes pour appuyer des politiques et des programmes fondés sur des données probantes;
• établir des objectifs et définir des points de repère pour suivre les progrès accomplis et évaluer l’efficacité des politiques et des programmes ainsi que leur incidence sur certaines populations;
• déterminer, en combinaison avec des données couplées, le rôle des problèmes systémiques dans les expériences inéquitables vécues par les Autochtones et les personnes racisées au sein du système de justice pénale;
• fournir aux communautés des résultats analytiques pour appuyer les programmes et les initiatives.

Modifications apportées au Programme de déclaration uniforme de la criminalité dans le cadre de l’initiative de collecte de données déclarées par la police sur les identités autochtones et racisées

Le principal résultat de l’initiative de collecte de DDPIAR est l’expansion du Programme DUC, un programme bien établi de Statistique Canada, pour permettre la collecte de données sur les identités autochtones et racisées. Le Programme DUC est une enquête administrative qui permet de recueillir des renseignements provenant des systèmes de gestion des dossiers de la police sur tous les actes criminels qui lui sont signalés, pour mesurer le volume et la gravité des crimes au sein de la société canadienne, ainsi que leurs caractéristiques. En février 2024, le Programme DUC a été mis à jour afin de permettre la collecte de données sur les identités autochtones et racisées des victimes et des auteurs présumés, grâce à l’ajout de nouvelles variables (annexe A)^{Note 5 Note 6}.

La collecte de renseignements sur les identités autochtones et racisées dans le cadre du Programme DUC se fait en fonction des catégories normalisées de groupes de population de Statistique Canada^{Note 7 Note 8}. À Statistique Canada, le groupe de population indique si la personne déclare être Blanche, Sud-Asiatique, Chinoise, Noire, Philippine, Arabe, Latino-Américaine, Asiatique du Sud-Est, Asiatique occidentale, Coréenne ou Japonaise, ou faire partie d’un autre groupe de population. Ces groupes correspondent aux catégories de réponse à cocher dans le cas des questions servant à recueillir des données sur la population racisée. Bien que ce document utilise les termes « identité racialisée » et « auto-identification », la variable « groupe de population » et ses dérivés ne doivent pas être considérés comme une mesure de l'auto-identification, mais plutôt comme une mesure de déclaration. Compte tenu de la formulation de la question relative au groupe de population, ainsi que d'éléments tels que la perception individuelle et les catégories de réponses basées sur la loi sur l'équité en matière d'emploi, il convient de noter que ce que les répondants déclarent peut ne pas correspondre à la façon dont ils s'identifient dans la vie de tous les jours. Le choix des normes de Statistique Canada relativement aux groupes de population pour mesurer l’identité autochtone et racisée dans le cadre de la collecte des DDPIAR tient compte de l’enjeu fondamental de l’uniformité et de la comparabilité des données qui a souvent été soulevé. Cette méthode permet d’établir les fondements de catégories communes pour les enquêtes et les produits de Statistique Canada et la plupart des données du système de justice pénale canadien.

Il importe de souligner que le concept de « race » découle des processus sociaux par lesquels les personnes sont différenciées en fonction de caractéristiques variées, ce qui mène généralement à la marginalisation de certains groupes (Commission ontarienne des droits de la personne, 2005). La racialisation désigne donc le « processus par lequel une société construit théoriquement les races comme réelles, différentes et inégales de façons qui ont un effet sur la vie économique, politique et sociale » (Commission sur le racisme systémique dans le système de justice pénale en Ontario, 1995, p. 44). Les concepts de « race » et de « racialisation » sont des constructions sociales. À ce titre, les définitions et les catégories de ces concepts peuvent différer selon les régions géographiques et les cultures (Viano et Baker, 2020).

Les termes « personne racisée » et « identité racisée » sont donc utilisés de manière générale dans le présent rapport et désignent les personnes qui ne sont pas autochtones ni blanches. Bien que les membres des Premières Nations, les Métis et les Inuit fassent aussi l’objet de racialisation, il est important d’aborder cette perspective en tenant compte du contexte historique, politique et juridique particulier aux Autochtones ainsi que du caractère unique des expériences qu’ils vivent. Il est également essentiel de souligner que les Autochtones ne se définissent peut-être pas comme des groupes racisés, mais plutôt comme des peuples ou des nations (Commission ontarienne des droits de la personne, 2018). Nous devons dès lors les considérer séparément des autres identités racisées (Commission ontarienne des droits de la personne, 2003, 2018).

Les services de police peuvent procéder à la collecte de renseignements sur les identités autochtones et racisées en utilisant soit la méthode fondée sur la « perception du policier », soit la méthode fondée sur l’« auto-identification », ou une combinaison des deux. Le choix de méthode de collecte se fait à la discrétion de chaque service de police^Note 9.

Élaboration du cadre pour l’utilisation, l’analyse, l’interprétation et la diffusion des données déclarées par la police sur les identités autochtones et racisées dans le cadre du Programme de déclaration uniforme de la criminalité

Objet

Le but de l’initiative de collecte de DDPIAR est d’élaborer une approche nationale normalisée pour la collecte et la déclaration par la police des renseignements sur les identités autochtones et racisées des victimes et des auteurs présumés impliqués dans des affaires criminelles (Lignes directrices opérationnelles). Ces données constituent une base sur laquelle appuyer la recherche et l’analyse quantitatives afin d’éclairer la prise de décisions.

L’initiative de collecte de DDPIAR découle de l’objectif visant à produire des données dont l’utilisation entraîne un changement positif. Des commentaires importants recueillis dans le cadre de rencontres avec des organismes communautaires, des services de police et des universitaires, qui ont soulevé des préoccupations concernant l’utilisation historique abusive des données afin de marginaliser encore davantage des communautés, des groupes et des personnes, ont souligné la nécessité de mesures de protection, de paramètres, de lignes directrices ou de protocoles solides pour aider à atténuer ces préoccupations et réduire le plus possible les abus futurs^Note 10.

Élaboré en tant que guide essentiel pour appuyer l’utilisation responsable des données, le présent cadre poursuit deux grands objectifs :

• Appuyer l’utilisation responsable et éthique des DDPIAR au moyen de cinq principes directeurs, proposés pour éviter que les communautés concernées ne soient davantage stigmatisées et marginalisées par l’utilisation de ces données.
• Fournir les outils et l’encadrement nécessaires à l’interprétation prudente et avisée des données relatives à la diversité culturelle, ainsi qu’à l’élaboration de renseignements probants sur lesquels appuyer la prise de décisions afin de parvenir à des résultats plus équitables au sein des services policiers.

Bien que le présent cadre renvoie principalement à l’utilisation des DDPIAR dans le contexte d’un projet de recherche, les directives et les approches présentées devraient être prises en compte dans tout autre contexte d’utilisation des données.

Public cible

Le cadre s’adresse aux utilisateurs de données du Programme DUC qui prévoient se servir des données nouvellement recueillies sur les identités autochtones et racisées, dans n’importe quel format, à n’importe quel moment du cycle de données, ainsi qu’à tous les dérivés de ces données, y compris les données personnalisées et publiées. Ces utilisateurs comprennent les chercheurs, les analystes et toutes les personnes, dont celles relevant de Statistique Canada, qui accèdent aux données de différentes façons (p. ex. au moyen des centres de données de recherche de Statistique Canada, des demandes personnalisées ou des statistiques agrégées accessibles au public).

Principaux points et inconvénients à prendre en compte

Au moment d’utiliser les DDPIAR, il convient de tenir compte de certaines limites et d’autres éléments inhérents aux données du Programme DUC, des méthodes analytiques utilisées pour mesurer le racisme systémique ainsi que de la portée du cadre. En gardant les éléments suivants à l’esprit, les utilisateurs de données peuvent aborder l’analyse des DDPIAR dans une perspective plus nuancée tout en tenant compte du contexte de leur utilisation, ce qui mènera à des interprétations plus significatives.

1. Reconnaissance des limites du Programme de déclaration uniforme de la criminalité

Comme il a été mentionné précédemment, le Programme DUC est utilisé pour recueillir des données sur les victimes et les auteurs présumés impliqués dans des actes criminels seulement. Bien que les interactions policières avec des personnes autres que des victimes et des auteurs présumés (p. ex. plaignants, témoins) et les affaires de nature non criminelle (p. ex. vérifications du bien-être, contrôles routiers, contrôles de routine, affaires mettant en cause le recours à la force) demeurent importantes pour comprendre le traitement inéquitable dans le système de justice pénale, elles ne relèvent pas du Programme DUC.

Environ 1 appel de service à la police sur 5 mène à une infraction criminelle déclarée par la police. Les appels de service à la police comprennent tous les cas donnant lieu à une intervention policière, autant pour les événements de nature criminelle que pour les événements de nature non criminelle. Ils comprennent par exemple « les accidents de la route et les problèmes de circulation, les affaires de violence familiale, les signalements de personnes ou de circonstances suspectes, les perturbations ou les comportements désordonnés, les tentatives de suicide et les appels liés à des personnes en état d’ébriété » (Mazowita et Rotenberg, 2019, p. 9). Inconvénient notable, les DDPIAR recueillies dans le cadre du Programme DUC rendent compte de seulement 20 % des appels de service, ce qui ne permet pas de saisir les interactions avec les services policiers. Toutefois, le fait d’entreprendre la collecte des DDPIAR dans le cadre du Programme DUC constitue un bon point de départ à la compréhension du racisme systémique potentiel dans la criminalité déclarée par la police, et cette collecte de données pourra ultérieurement être étendue à d’autres types d’affaires (Statistique Canada, 2022a). De plus, la collecte des DDPIAR dans le cadre du Programme DUC se fonde sur les catégories normalisées de groupes de population de Statistique Canada, l’organisme les utilisant dans ses enquêtes et le gouvernement fédéral, plus généralement, dans ses collectes de données aux fins d’auto-identification. Bien qu’il y ait des avantages à l’utilisation universelle de normes relatives aux groupes de population, la catégorisation générale qui en découle et la création de groupes de population reposant sur la race, l’ethnicité et la nationalité (Statistique Canada, 2024b) limitent la capacité de mener une analyse à un niveau plus détaillé. Une telle catégorisation et la combinaison des groupes autochtones et racisés sous une seule variable peuvent masquer la diversité des expériences au sein de ces groupes.

2. Mesurer le racisme systémique et l’aborder

S’attaquer au racisme systémique et à la discrimination au sein du système de justice pénale est une entreprise complexe, qui exige des approches multisystémiques, multisectorielles et multidimensionnelles. Ces approches doivent cibler les enjeux suivants : le racisme systémique à l’intérieur du système de justice pénale; les enjeux socioéconomiques qui sont à l’origine des désavantages disproportionnés de certaines communautés et le racisme systémique « multisectoriel », c’est-à-dire le racisme systémique à l’intérieur d’autres systèmes sociaux essentiels (p. ex. l’éducation, le logement et les soins de santé)^Note 11 qui pourrait entraîner des contacts disproportionnés avec le système de justice pénale. La collecte et l’analyse des données ne représentent qu’une seule avenue pour appuyer la détermination et la quantification des enjeux et des pratiques de discrimination dans les services policiers ainsi que le démantèlement du système de discrimination au sein de ceux-ci.

3. Indicateurs ou mesures

Il importe de reconnaître que bien qu’elles soient d’une grande utilité, les DDPIAR ne permettent pas à elles seules d’établir avec certitude l’existence ou la cause du racisme systémique au sein des services policiers ou du système de justice pénale de manière plus générale. Elles doivent plutôt servir d’indicateurs à étudier plus attentivement. Elles se limitent à la sphère policière (selon la portée du Programme DUC) (voir l’encadré 2). Comme il a été mentionné précédemment, pour aborder les enjeux systémiques de racisme et de discrimination à l’intérieur du système de justice pénale, il faut adopter des démarches multisystémiques et multisectorielles. Tout au long du présent rapport, il est question des couplages d’enregistrements effectués entre les DDPIAR et d’autres ensembles de données dépassant la portée du Programme DUC. Il s’agit, par exemple, d’ensembles de données du système de justice pénale qui vont au-delà des services policiers, ainsi que d’ensembles de données d’autres secteurs pouvant fournir un éclairage sur les déterminants sociaux de la justice (p. ex. la santé, le logement et l’éducation). L’utilisation de ces ensembles de données pour compléter les DDPIAR peut aider à quantifier les mesures du racisme systémique dans tous les aspects du système de justice pénale.

4. Portée du cadre

Dans ce contexte, afin d’appuyer l’utilisation responsable des nouvelles variables des DDPIAR du Programme DUC (version 2.5), le cadre décrit d’importants éléments analytiques et méthodologiques à prendre en considération, dans le but de :

• comprendre les limites inhérentes des DDPIAR, lesquelles influent sur ce qui peut et ne peut être définitivement conclu à partir de l’analyse des données;
• reconnaître les répercussions d’autres facteurs internes et externes pouvant contribuer aux contacts avec le système de justice pénale ainsi qu’à la surreprésentation au sein de celui-ci.

Le cadre vise à concilier les principes de liberté et de souplesse d’utilisation des données avec l’impératif éthique de ne pas perpétuer la marginalisation et la stigmatisation des communautés représentées dans les données. Ce cadre propose des approches pour l’utilisation, l’analyse, l’interprétation et la diffusion des données sur les identités autochtones et racisées. Il est essentiel de reconnaître que ce cadre n’est pas exhaustif et que d’autres approches éthiques et méthodologiques peuvent servir ces visées. La consultation de lignes directrices et de cadres supplémentaires pour compléter les principes énoncés dans le présent document est donc encouragée dans le milieu de la recherche, ce qui contribuera à assurer l’application des normes de travail les plus élevées sur les plans éthique et méthodologique.

Les données recueillies dans le cadre du Programme DUC sont extraites des systèmes de gestion des dossiers de la police. Les règles ou les lignes directrices quant à l’accès, l’utilisation, l’analyse, l’interprétation et la diffusion des données avant leur transmission à Statistique Canada peuvent différer au sein des services de police qui recueillent les données^Note 12.

Cadre pour l’utilisation, l’analyse, l’interprétation et la diffusion des données déclarées par la police sur les identités autochtones et racisées dans le cadre du Programme de déclaration uniforme de la criminalité

Approche systématique de la recherche

Le cadre recommande l’approche systématique de la recherche de Statistique Canada dans l’élaboration de projets reposant sur l’utilisation des DDPIAR. Il est possible d’en savoir davantage sur l’approche systématique de la recherche en consultant l’annexe B. L’approche systématique de la recherche vise principalement à déterminer l’enjeu et la raison d’être d’une recherche, la façon de l’effectuer et les répercussions qu’elle entraînera. Cette approche est fondée sur une série de points de contrôle systématiques veillant à ce que la recherche avec des données désagrégées soit orientée par une question ou un problème particulier clairement cerné en vue de son étude plus approfondie. Dans le cadre, il est question de quatre points de contrôle clés :

• l’identification de l’enjeu;
• la conceptualisation;
• les données et l’analyse;
• l’interprétation et la communication des résultats.

En se fondant sur la rétroaction reçue lors des séances de mobilisation de Statistique Canada auprès des services de police, des communautés et des universitaires (Rapport et recommandations finales), le cadre s’appuie sur ces points de contrôle de l’approche systématique de la recherche pour déterminer un certain nombre d’éléments importants à prendre en considération lors de l’utilisation des DDPIAR. Ce faisant, il sera possible d’appuyer la mise en œuvre des principes directeurs (voir l’encadré 2 ci-dessous) au moment de l’utilisation des DDPIAR pour veiller à l’utilisation responsable de ces données. En guise de référence pour les utilisateurs des DDPIAR, une liste de contrôle est incluse à l’annexe C pour appuyer la mise en œuvre adéquate des principes du cadre au moment de l’utilisation, de l’analyse, de l’interprétation et de la diffusion de ces données.

Identification de l’enjeu

La première étape de l’approche systématique consiste à déterminer la question à l’aide d’un « énoncé de problème » décrivant l’objet de l’étude prévue et les questions de recherche.

Au moment d’utiliser les DDPIAR, les utilisateurs doivent établir des objectifs clairs pour l’utilisation de ces données, en portant une attention particulière aux questions qui seront étudiées et aux résultats attendus.

Les utilisateurs de données devraient chercher à déterminer les objectifs avec l’aide des communautés que les données représentent^Note 15. Cela peut être accompli en collaborant directement avec les membres des communautés concernées dès le début du projet pour acquérir une connaissance plus approfondie de la communauté, de ses expériences et des domaines nécessitant la recherche. Grâce à ce processus de mobilisation, les chercheurs peuvent :

• établir des mécanismes, comme la mobilisation et la collaboration continues ou l’utilisation de méthodologies qualitatives, pour mieux rendre compte des expériences des communautés représentées dans les données;
• déterminer les méthodes et analyses appropriées à leur travail avec ces données;
• déterminer des approches leur permettant d’inclure la mobilisation et la participation des communautés tout au long du processus analytique, y compris l’élaboration éventuelle d’une question de recherche, pour assurer la représentation juste des données et des résultats, et pour améliorer l’utilité et la pertinence du produit analytique final pour la communauté;
• songer à la manière dont leurs résultats et leur recherche se rapportent aux efforts communautaires existants ou concordent avec ceux-ci (voir Boilevin et autres, 2018).

Conceptualisation

La deuxième étape de l’approche systématique de la recherche est de déterminer la pertinence et la nécessité des résultats attendus du projet. Pour ce faire, il convient de procéder à une revue de la littérature (p. ex. articles universitaires, rapports gouvernementaux et d’organisations non gouvernementales) portant sur les lacunes que le projet vise à combler et, si possible, de consulter des personnes dont les expériences vécues permettent d’évaluer les lacunes ou les questions de recherche essentielles. À cette étape, les variables clés de l’étude et leurs liens avec les objectifs du projet peuvent être déterminés. Les facteurs contextuels (p. ex. contexte historique et actuel des communautés et des personnes représentées, contexte législatif) peuvent de même être cernés, y compris la nature de l’analyse (p. ex. présentation de statistiques descriptives, modélisation multivariée), et le niveau de désagrégation et d’intersectionnalité parmi les variables clés choisies. Le niveau de désagrégation et les dimensions de l’intersectionnalité devraient également être déterminés en fonction de l’objet de la recherche.

Sélection des variables clés à l’étude : utilisation de la perception du policier ou des variables d’auto-identification

Comme il a été mentionné précédemment, les DDPIAR sont recueillies au moyen de deux méthodes : la perception du policier et l’auto-identification.

Perception du policier : Cette variable représente la meilleure évaluation par le policier de l’identité autochtone ou racisée d’une personne en fonction de l’observation de l’apparence de celle-ci et de tout autre renseignement connu du policier au moment de l’interaction (Ontario, 2005).

Ces renseignements sont importants, car les perceptions influent sur la prise de décisions des policiers pendant une interaction (Statistique Canada, 2022a; Correll, Park, Judd et Wittenbrink, 2002). Les données fondées sur les perceptions sont recueillies afin de surveiller les biais potentiels dans le cadre d’une prestation de services, d’un programme ou d’une fonction en particulier. Les données fondées sur les perceptions des policiers sont notamment utiles lorsqu’elles sont utilisées pour examiner la manière dont les biais systémiques concernant l’identité perçue des victimes et des auteurs présumés peuvent influer sur la prise de décisions et les résultats des services policiers (Ontario, 2018; Service de police de Toronto, 2022).

Auto-identification : Cette variable représente la façon dont une personne peut choisir de s’identifier en réponse à la question sur son identité autochtone ou racisée lors d’une interaction avec la police. L’auto-identification peut être fondée sur de nombreux facteurs, tels que le parcours, la famille, la communauté et la culture propres à la personne, ainsi que sur ses préférences et expériences personnelles, et elle peut changer au fil du temps.

Ces renseignements fournissent des précisions sur les expériences diverses des Autochtones ou des personnes racisées lorsqu’ils accèdent aux services policiers. Les données d’auto-identification sont particulièrement utiles lorsqu’elles sont utilisées pour déterminer si la race et d’autres identités auto-déclarées d’une personne sont liées à leurs résultats et à leurs expériences avec la police (Service de police de Toronto, 2022, p. 8). Cette forme de données peut aussi fournir des renseignements sur les obstacles systémiques auxquels les personnes issues de certaines communautés pourraient se buter lorsqu’elles s’adressent à la police (p. ex. pour signaler des crimes haineux ou une situation de violence conjugale) (Ontario, 2018).

Étant donné les différences qualitatives et quantitatives attendues entre la perception des policiers et les données autodéclarées sur l’identité, il est impératif d’analyser ces variables indépendamment les unes des autres et de ne pas les combiner ou faire de comparaisons directes entre elles.

Le fait de ne pas tenir compte des concepts sous-jacents représentés par ces variables est susceptible de donner lieu à des résultats trompeurs. Les utilisateurs de données doivent tenir compte de l’objectif de chaque variable et choisir celle qui convient à leur étude pour s’assurer que leurs résultats sont valides. Les données manquantes doivent également être prises en compte dans les stratégies analytiques.

Pour assurer une transparence complète, les utilisateurs de données doivent indiquer si les résultats relatifs à l’identité autochtone ou racisée découlent de données fondées sur la perception du policier ou de données fondées sur l’auto-identification.

Notes importantes concernant les catégories de groupes de population à partir desquelles sont recueillies les données déclarées par la police sur les identités autochtones et racisées

Comme il a été mentionné précédemment, l’identité autochtone et racisée recueillie à l’aide des méthodes de perception du policier et d’auto-identification est mesurée en s’appuyant sur les catégories de groupes de population de Statistique Canada. Lors de l’interprétation, de l’analyse et de la communication des données au public, les utilisateurs de données doivent tenir compte des éléments de nature délicate qui suivent.

Identité autochtone

Les utilisateurs de données doivent employer un langage qui reconnaît à la fois l’histoire commune des peuples autochtones du Canada et les expériences diverses de groupes distincts. À Statistique Canada, une approche analytique fondée sur les distinctions est utilisée pour examiner l’identité autochtone. Le gouvernement du Canada définit une approche fondée sur les distinctions comme « le fait de travailler de façon indépendante avec les populations des Premières Nations, métisses et inuites et les personnes intersectionnelles en reconnaissant leurs caractéristiques uniques » (Services aux Autochtones Canada, 2022; Services aux Autochtones Canada, 2023).

La désagrégation des données sur les populations des Premières Nations, métisses et inuites, lorsqu’elle est possible, permet aux chercheurs de rendre compte des résultats distincts de chaque groupe (voir l’annexe A pour connaître les données qui sont recueillies dans le cadre du Programme DUC). Il est important de noter que les communautés autochtones au Canada peuvent s’identifier à un clan, une communauté, une nation ou une famille linguistique particulière, au-delà des trois groupes autochtones distincts (Ontario, 2018). Il est possible de rendre compte de ces identités en utilisant la méthode de l’auto-identification, dans une option de réponse ouverte.

Le terme « panautochtonisation » décrit la tendance des personnes de différents groupes autochtones à être regroupées sous le terme général « autochtone », en ignorant leurs caractéristiques culturelles, historiques et linguistiques uniques. En reconnaissant le risque de panautochtonisation, les chercheurs peuvent être plus conscients de la diversité des communautés autochtones et éviter les généralisations.

Afin d’éviter la panautochtonisation, il faut établir une distinction claire entre les identités des Premières Nations, métisses et inuites, ainsi que la façon dont ces identités peuvent se chevaucher. Statistique Canada reconnaît que les méthodes de collecte de données devraient permettre de rendre compte des identités autochtones fondées sur des distinctions, ce qui permettrait de mieux comprendre les expériences du système de justice pénale. À ce titre, la collecte des DDPIAR dans le cadre du Programme DUC a été élargie de telle sorte que les services de police peuvent déclarer les renseignements perçus sur l’identité autochtone fondés sur des distinctions au moyen d’une variable « détaillée » de perception du policier, tout en permettant la collecte de renseignements partiels sur l’identité autochtone au moyen d’une variable de catégorie « générale », lorsque la perception fondée sur des distinctions n’est pas réalisable. La méthode de collecte de données fondées sur l’auto-identification permet de déclarer l’identité autochtone fondée sur les distinctions, en utilisant les catégories de groupes de population de Statistique Canada et une option de réponse ouverte.

En raison des limites engendrées par les tailles d’échantillon, les analyses effectuées au moyen des catégories de groupes de population de Statistique Canada peuvent ne pas permettre la désagrégation entière des groupes autochtones. Il importera d’établir un équilibre entre les buts de la recherche, les données accessibles et les conclusions qui peuvent en être tirées. En outre, il pourrait être impossible de désagréger les données pour les populations des Premières Nations, métisses et inuites en utilisant les DDPIAR fondées sur les perceptions des policiers, pour qui la distinction entre les groupes pourrait ne pas être visuellement perceptible.

Population noire et autres populations racisées

La population noire^Note 16 du Canada est composée de plus de 300 origines ethniques ou culturelles, parlant plus de 250 langues (Statistique Canada, 2024c). En dépit de la grande diversité de ces populations au Canada, les données sur les personnes d’ascendance africaine sont souvent amalgamées dans une seule identité racisée désignée « noire ».

La collecte de DDPIAR dans le cadre du Programme DUC est fondée sur les catégories normalisées de groupes de population de Statistique Canada, lesquelles comprennent la catégorie « Noir ». Alors que ces normes sont en train d’être examinées en vue d’une modification future pour mieux rendre compte des groupes représentés (Statistique Canada, 2024b), il importe de noter qu’à l’heure actuelle, elles présentent un inconvénient quant à la capacité analytique des DDPIAR en ce qui concerne les renseignements sur la population noire.

Des préoccupations similaires à propos de l’auto-identification touchent d’autres groupes racisés au Canada qui connaissent des circonstances particulières et dont les histoires, les langues, les ethnicités et les cultures uniques, riches et diverses pourraient ne pas être bien reflétées dans les champs de données.

Il est recommandé que les utilisateurs de données tiennent compte de cette limite dans leur utilisation des DDPIAR et fassent preuve de diligence raisonnable en reconnaissant la diversité des populations qui sont représentées ou qui présentent un intérêt particulier pour leur projet de recherche. Les utilisateurs de données doivent être conscients de la manière dont les populations étudiées ont été façonnées au fil du temps et selon la région géographique, l’ethnicité et la culture. Ils doivent reconnaître l’hétérogénéité qui existe à l’intérieur des groupes, en prenant note des répercussions négatives des déclarations généralisantes.

Interpréter plusieurs variables relatives à l’auto-identification dans le Programme de déclaration uniforme de la criminalité

Si la méthode de collecte de données fondées sur la perception du policier ne permet de choisir qu’une seule catégorie d’identité, la méthode de collecte par auto-identification permet de choisir plusieurs catégories de population, y compris une catégorie de réponse « ouverte »^Note 17, laquelle offre aux victimes et aux auteurs présumés la possibilité de préciser leur identité dans leurs propres mots, en plus — ou au lieu — de choisir une catégorie parmi celles proposées dans la liste de sélection fournie (annexe A). La possibilité de sélectionner de multiples options avec la méthode de collecte par auto-identification peut appuyer les analyses de données sur les personnes ayant de multiples identités racisées.

Lors de l’analyse des DDPIAR, les utilisateurs de données pourraient vouloir recatégoriser les variables d’auto-identification si de multiples catégories raciales sont déclarées. La recatégorisation peut se faire en créant de nouvelles catégories d’« identité multiple » combinant certains groupes. Cette façon de procéder peut mener à diverses interprétations des données, selon la façon dont l’utilisateur de données choisit de grouper et d’analyser les identités multiples.

Pour interpréter correctement les résultats, il est essentiel de bien comprendre les différentes approches :

• Les utilisateurs de données peuvent créer une nouvelle catégorie « identité multiple » dans laquelle seront inclus les répondants qui s’identifient à plus d’un groupe de population autochtone ou racisé. Des recherches antérieures laissent entendre que les personnes déclarant une identité multiraciale sont plus susceptibles que celles déclarant une seule identité racisée d’avoir vécu des expériences distinctes (Hernández, 2018). Toutefois, il est important de noter que cette catégorisation peut ne pas pleinement rendre compte des nuances des expériences au sein des identités racisées ainsi qu’entre celles-ci (British Columbia Ministry of Citizens’ Services, 2023).
• Dans les cas où la taille des échantillons est adéquate et où une catégorie générale « identité multiple » peut masquer des différences importantes, les chercheurs peuvent créer des catégories plus précises qui combinent les identités de groupes de population particuliers, comme « Noir et Blanc », « Inuit et membre des Premières Nations », « Métis et Noir », « Sud-Asiatique et Blanc », « Asiatique de l’Est et Blanc » et « Asiatique de l’Est et Noir ». Cette approche peut être utile pour refléter et analyser les expériences des personnes présentant une combinaison diverse d’identités multiracisées.
• Lorsqu’un répondant indique être à la fois « Blanc » et d’identité racisée, les chercheurs peuvent envisager de le recatégoriser comme faisant partie de l’identité racisée. Cette approche est fondée sur l’idée selon laquelle les personnes qui s’identifient comme étant blanches et comme étant racisées peuvent avoir des expériences plus proches de celles d’identité racisée en raison des effets de la racialisation (British Columbia Ministry of Citizens’ Services, 2023; Ontario, 2018; Statistique Canada, 2022b). Toutefois, il est important de reconnaître que les expériences biraciales ou multiraciales sont différentes des expériences monoraciales, et qu’une telle recatégorisation des personnes rendra moins bien compte des nuances de leur identité racisée (British Columbia Ministry of Citizens’ Services, 2023). Dans de nombreux cas, le maintien des deux catégories peut fournir une analyse plus détaillée et intersectionnelle.

Si un utilisateur de données choisit de recatégoriser des groupes d’identité multiple, il est recommandé qu’il explique clairement la manière dont les catégories de groupes de population sont utilisées. Il convient d’accorder une attention particulière à la sélection des catégories à combiner, plus particulièrement en tentant d’établir un équilibre entre l’utilité analytique et la généralisation.

Prévention des préjudices

Les données peuvent très facilement nuire aux personnes et perpétuer les inégalités (British Columbia Office of the Human Rights Commissioner, 2020). Les données sur les populations autochtones et racisées ont toujours été utilisées par les gouvernements pour justifier le colonialisme et l’assujettissement des populations autochtones et racisées dans la société, au Canada et à l’échelle mondiale, et continuent d’être une source de préjudice (Ontario, 2018; Rossiter et Ndekezi, 2021; Nations Unies, 2018). Dans le contexte de ce document, la prévention des préjudices renvoie aux mesures qui sont prises pour prévenir qu’une mauvaise utilisation des DDPIAR ne se perpétue ou ne se renforce, ou aux mesures prises pour atténuer le risque d’une telle utilisation.

Les utilisateurs des DDPIAR doivent être conscients des conséquences involontaires et potentielles de leurs travaux fondés sur ces données, et faire tout leur possible pour ne pas causer des préjudices. Le message communiqué au moyen des données devrait être intentionnel et, en fin de compte, bénéficier aux communautés représentées ainsi qu’à la société dans son ensemble (Nations Unies, 2018). Il est donc important que les données sur l’identité soient traitées avec sensibilité, en raison des façons dont elles ont été exploitées pour enfreindre les droits fondamentaux des populations autochtones et noires ainsi que ceux d’autres populations racisées au Canada (Ontario, 2018). À l’étape de la conceptualisation, les utilisateurs de données devraient examiner si la manière dont les DDPIAR sont utilisées dans leurs analyses causera un préjudice supplémentaire aux personnes et aux communautés étudiées.

Pour prévenir les préjudices, les utilisateurs de données ont la responsabilité essentielle de mettre en œuvre des mesures de protection robustes lorsqu’ils travaillent avec les DDPIAR, y compris les mesures suivantes :

• Mobilisation communautaire : En tant que principe directeur du cadre, la mobilisation communautaire peut être conceptualisée comme une méthode visant à réduire le risque de préjudice causé par l’utilisation des données. La mobilisation auprès des communautés du début à la fin du projet de recherche témoigne du respect accordé aux personnes représentées par les données et peut aider à s’assurer que les données sont utilisées de façon éthique et conforme aux valeurs de la communauté (voir l’encadré 3). Elle aidera aussi les utilisateurs de données à avoir recours à celles-ci d’une manière qui encourage un changement positif.
• Atténuation de la stigmatisation et du profilage : Les utilisateurs de données doivent s’assurer que la recherche ne contribue pas à renforcer les stéréotypes existants, les pratiques de profilage ou le ciblage de communautés particulières. Il est essentiel de présenter les résultats de manière à favoriser leur compréhension.
• Renforcement de la construction sociale de la race et de la racialisation : Les utilisateurs de données doivent mettre l’accent sur le contexte social et historique de la race et de la racialisation. Bien qu’il soit nécessaire de préciser que ces concepts sont importants pour comprendre les disparités sociétales et éclairer les questions relatives au traitement différentiel, il est crucial d’éviter de perpétuer des stéréotypes ou des préjugés nuisibles et de ne pas présenter la criminalité comme un trait inhérent à certains groupes (Foster et autres, 2023; Service de police de Toronto, 2022).
• Riche contextualisation : Pour assurer une compréhension exhaustive des données et des résultats analytiques, les chercheurs doivent fournir un contexte historique et contemporain suffisant. Pour ce faire, il convient de passer en revue la documentation universitaire, les publications d’organismes communautaires et les lois qui régissent les services policiers. Le contexte particulier de la population à l’étude doit être examiné et pris en compte. Si plusieurs groupes sont examinés, le contexte de chacun doit être pris en compte séparément.
• Compétence culturelle : Afin que les utilisateurs de données comprennent mieux la complexité des données sur les identités autochtones et racisées, leur participation à une formation de sensibilisation à la diversité culturelle (voir l’annexe C pour des exemples de ressources) est encouragée, notamment une formation mettant l’accent sur les contextes historiques qui continuent d’avoir une incidence sur ces communautés au Canada. Cette formation peut donner lieu à une plus grande sensibilité et à un plus grand respect à l’égard des diverses expériences représentées dans les données. La compétence culturelle peut aussi être acquise en parlant directement avec les communautés pour aider à formuler des questions et à élaborer des approches analytiques adaptées sur le plan culturel.
• Sécurité culturelle : Pour assurer l’utilisation respectueuse et éthique des données sur les identités autochtones et racisées, on encourage les utilisateurs de données à suivre une formation sur la sécurité culturelle (voir Curtis et autres, 2019; So, Price, O’Mara et Rodrigues, 2024). Cette formation met l’accent sur la compréhension des déséquilibres du pouvoir inhérents à la recherche et à la collecte de données, reconnaissant le risque d’un nouveau traumatisme, et est centrée sur les points de vue des communautés autochtones et des groupes racisés. La sécurité culturelle va au-delà de la sensibilisation et de la compétence, et exige que les utilisateurs de données fassent un examen de leurs propres préjugés, hypothèses et positionnement par rapport aux communautés représentées dans les données. Pour ce faire, il faut reconnaître les répercussions continues du colonialisme et du racisme systémique. En outre, pour favoriser la sécurité culturelle, il faut établir des relations respectueuses avec les communautés et assurer leur participation significative à toutes les étapes du processus de recherche, de la collecte des données à l’analyse, à l’interprétation et à la diffusion des résultats. Cette approche de collaboration vise à créer un espace sécuritaire de partage de l’information et à assurer que les données sont utilisées à l’avantage des communautés concernées.
• Formation anti-préjugés : Les utilisateurs de données doivent prendre conscience de leurs propres préjugés et de la manière dont ceux-ci peuvent influer sur un projet, et ce, à partir de la formulation des questions jusqu’à l’interprétation des données et la diffusion des résultats. Pour atténuer l’incidence de ces préjugés, les utilisateurs de données devraient envisager de suivre une formation anti-préjugés précisément adaptée à l’analyse des données et de participer aux activités continues de mobilisation consultative auprès des communautés. Une liste de ressources de formation et éducatives figure à l’annexe C.

Intersectionnalité

L’intersectionnalité, un terme inventé par l’avocate juriste Kimberlé Crenshaw en 1989, était utilisée à l’origine pour souligner l’intersection des formes de marginalisation que vivent les femmes noires en raison de multiples systèmes d’oppression (p. ex. le racisme et le sexisme). Le concept d’intersectionnalité a depuis été appliqué dans des contextes plus larges pour améliorer notre compréhension de la manière dont la vie d’une personne est façonnée par l’influence d’une multitude d’identités, de relations et de facteurs sociaux. Ces facteurs se combinent pour créer des formes croisées de privilège et d’oppression (Gouvernement du Canada, 2024).

Au moment d’interpréter des DDPIAR, il est impératif de tenir compte des complexités de l’intersectionnalité. Les utilisateurs de données doivent éviter de trop simplifier les résultats en amalgamant les identités (voir l’encadré 4 au sujet de la panautochtonisation) et en regroupant arbitrairement les groupes de population racisée (British Columbia Ministry of Citizens’ Services, 2023), tout en traitant avec les normes statistiques nécessaires à l’analyse d’échantillons de petite taille. Afin d’assurer une compréhension nuancée, les utilisateurs de données doivent s’efforcer, dans la mesure du possible, d’effectuer une analyse désagrégée et de compléter les DDPIAR avec d’autres sources de données.

En outre, pour quantifier et comprendre les problèmes systémiques de racisme et de discrimination au sein des services policiers et du système de justice pénale, il est important de comprendre la manière dont les différents facteurs sociodémographiques interagissent entre eux. En d’autres termes, l’identité autochtone ou racisée doit être considérée en tenant compte d’autres facteurs comme le genre, la région géographique, l’âge, l’éducation et le revenu, pour examiner leur intersection dans les cas de contacts avec le système de justice pénale^Note 19. Par exemple, les chercheurs peuvent utiliser des modèles statistiques pour explorer la façon dont ces facteurs interagissent et déterminer les plus forts prédicteurs de contacts avec le système de justice pénale et les résultats correspondants (voir l’encadré 7).

Données et analyse

Cette étape de l’approche systématique de la recherche englobe la planification analytique et la détermination des méthodologies permettant de répondre aux questions de recherche. La présente section du cadre décrit certaines considérations techniques importantes en ce qui concerne l’utilisation des DDPIAR, en mettant l’accent sur les aspects suivants :

• mesures de la disproportion et de la disparité, y compris la comparaison et l’établissement de seuils;
• déterminants sociaux de la justice et couplage de données, y compris l’analyse multivariée;
• normes statistiques;
• qualité des données.

Bien que les considérations analytiques décrites dans le cadre mentionnent des mesures et des méthodes analytiques couramment utilisées, elles devraient être prises en considération dans toute approche analytique menée au moyen des DDPIAR.

Mesures de la disproportion et de la disparité

Les indices de disproportion et de disparité sont des mesures couramment utilisées par les institutions publiques pour comparer les résultats des communautés autochtones et des groupes racisés dans les différentes sphères sociales, y compris les systèmes de santé, d’éducation et de justice pénale (Ontario, 2018). Plus précisément, ces mesures peuvent être utilisées pour repérer de possibles traitements injustes et résultats inéquitables (Service de police de Toronto, 2022, p. 8).

Des disproportions et des disparités surviennent lorsque des politiques, des programmes et des services présentent des avantages et des inconvénients inégaux pour différents groupes selon les identités socioéconomiques et démographiques, ce qui entraîne une différence dans les résultats (Ontario, 2018)^Note 20. Les Normes relatives aux données en vue de repérer et de surveiller le racisme systémique, telles qu’établies par le gouvernement de l’Ontario (2018), définissent les indices de disproportion et de disparité comme suit :

• Un indice de disproportion est une mesure qui détermine la surreprésentation ou la sous-représentation d’un groupe d’intérêt par rapport à leur représentation au sein d’un certain groupe de référence ou d’une certaine population « repère » (voir l’encadré 5). Par exemple, la population de toutes les victimes ou de tous les auteurs présumés peut être utilisée comme repère aux fins de représentation pour ce qui est des types d’infractions particuliers du Programme DUC. Un autre repère fréquemment utilisé est la représentation au sein de la population résidente locale. Les disproportions répondent à la question suivante : si chaque personne avait une probabilité égale d’être impliquée dans une interaction avec la police, certains groupes seraient-ils surreprésentés par rapport à leur représentation au sein de la population? Cependant, elles ne permettent pas d’expliquer pourquoi il existe une surreprésentation.
• Un indice de disparité est une mesure qui détermine les différences dans les résultats entre un groupe d’intérêt et un certain groupe de référence. Par exemple, la proportion d’un groupe autochtone ou racisé ayant un certain résultat (p. ex. accusations portées) pourrait être comparée (repère) à la proportion de personnes blanches ayant le même résultat. Les disparités indiquent si les personnes de certains groupes sont susceptibles de recevoir un traitement différent à certaines étapes clés de prise de décisions au sein du système de justice pénale. Là encore, les disparités ne permettent pas d’expliquer pourquoi il existe une surreprésentation, mais elles peuvent indiquer des points précis pour la recherche future.

On recommande aux utilisateurs de données de s’assurer de déterminer et de définir clairement les repères utilisés dans leur analyse et les raisons pour lesquelles ils les ont sélectionnés.

Établissement de seuils

Les seuils pour les mesures de disparité et de disproportion sont des valeurs prédéterminées représentant le niveau auquel les mesures sont considérées comme indiquant une disparité ou une disproportion considérable. Ces seuils aident à établir des priorités pour les domaines nécessitant des recherches plus poussées. Avant d’analyser des DDPIAR, les utilisateurs de données devraient déterminer les seuils appropriés : Quelle serait l’ampleur de la différence entre les résultats des groupes pour qu’elle soit considérée comme indiquant des disparités ou des disproportions raciales à signaler?

La détermination des seuils appropriés implique un équilibre délicat entre sensibilité et spécificité :

• Sensibilité : Un seuil bas pourrait rendre compte de disparités ou de disproportions même petites, de sorte qu’aucun problème potentiel n’est ignoré. Toutefois, un tel seuil peut mener à des situations de signalement où la différence est minime et ne justifie peut-être pas des ressources importantes pour de la recherche ou des programmes.
• Spécificité : Un seuil élevé ne ferait que signaler de grandes disparités ou disproportions, ce qui pourrait pousser à négliger des situations moins graves, mais quand même préoccupantes.

Pour régler les problèmes susmentionnés, on pourrait envisager un système à plusieurs niveaux avec des seuils variables selon la gravité de l’événement et l’ampleur de la disparité ou de la disproportion. Par exemple :

• Niveau 1 — Seuil inférieur pour les événements à grandes répercussions : Dans le cas des événements les plus graves, un seuil plus bas pourrait être établi pour faire en sorte que même de petites disparités fassent l’objet d’une attention.
• Niveau 2 — Seuil moyen pour les préoccupations plus larges : Pour les événements relativement moins graves, mais qui préoccupent tout de même beaucoup, un seuil moyen pourrait être utilisé pour susciter des recherches et des enquêtes supplémentaires.
• Niveau 3 — Seuil supérieur pour la surveillance des tendances : Dans le cas d’événements d’incidence moindre, un seuil plus élevé pourrait être utilisé pour surveiller les tendances potentielles et les problèmes émergents.

Il convient de noter que la mobilisation auprès des communautés — et le souci de leur participation active — ainsi que la recherche d’une orientation universitaire experte lors de l’établissement des seuils peuvent aboutir à des solutions plus efficaces et à une plus grande adhésion chez les personnes directement touchées par les disparités et les disproportions raciales.

Pour des suggestions de lecture sur la façon de déterminer les seuils appropriés, voir le cadre d’analyse des données pour l’équité raciale du Service de police de Toronto et les Normes relatives aux données en vue de repérer et de surveiller le racisme systémique du gouvernement de l’Ontario.

Points à prendre en considération pour les approches fondées sur des repères

L’objectif des DDPIAR, et des données désagrégées plus généralement, est d’aider à déceler le racisme systémique et à l’éliminer en abordant les questions connexes dans les politiques, les procédures et les pratiques des services policiers, lorsqu’elles existent.

Au moment d’interpréter des ratios, il est important de tenir compte du fait que de nombreux facteurs à l’origine de la sous-représentation ou de la surreprésentation dans les données des services de police peuvent être indicateurs de racisme systémique. Ces facteurs peuvent être internes ou externes aux services de police, et ils peuvent être d’ordre systémique ou individuel. Les préjugés des policiers (d’ordre individuel) et les pratiques institutionnelles et culturelles (d’ordre systémique) constituent des exemples de facteurs internes aux services de police. Les choix et gestes personnels (d’ordre individuel) et les facteurs sociaux et démographiques (d’ordre systémique) constituent quant à eux des exemples de facteurs externes aux services de police (McCausland et Baldry, 2023; Association des chefs de police de l’Ontario, s. d.).

En raison de la complexité de ces facteurs qui s’entrecroisent, il est impossible de connaître la cause précise des disparités observées. Prises de manière isolée, les DDPIAR peuvent uniquement servir à déterminer les domaines de préoccupation nécessitant une enquête et une intervention plus poussées. Toutefois, lorsqu’elles sont utilisées conjointement avec différentes méthodes et sources de données, les DDPIAR peuvent fournir des renseignements utiles sur le racisme systémique au sein des services policiers et du système de justice pénale, et éclairer la prise de décisions.

Au moment de choisir une méthode d’analyse, les chercheurs doivent tenir compte des limites des différentes méthodes. Voici certains éléments à prendre en considération pour les techniques où l’utilisation de repères est pertinente.

Répartition de la population

Lors du calcul des indices de disproportion, les utilisateurs de données doivent tenir compte de la répartition des groupes de population à l’échelle locale, dans les différentes régions géographiques. Les groupes autochtones et racisés ne sont pas répartis équitablement entre les différentes régions, et des repères très généraux de la population résidente (p. ex. à l’échelle nationale, provinciale) sont susceptibles de masquer l’étendue réelle de la représentation dans les données policières. La population des résidents locaux devrait plutôt être mise en correspondance aussi étroitement que possible avec des régions desservies par les services de police. Ainsi, les mesures de disproportion devraient être fondées sur des populations repères appropriées, dont au moins une qui représente idéalement la composante démographique de la région desservie par les services de police à l’étude. Il serait alors possible de comprendre plus précisément la représentation à l’intérieur des données de la police pour une région en particulier. Cependant, il convient de noter que peu de services de police seulement desservent des régions qui concordent de près avec des RMR. Il s’agit d’une limite à prendre en considération dans l’analyse.

Représentation dans l’analyse des points de décision

L’analyse des points de décision permet l’examen du niveau de représentation à des points précis des données des services policiers et est considérée comme un indice de disparité. Les résultats peuvent être utilisés pour fournir des précisions sur les caractéristiques relatives aux personnes et aux infractions qui pourraient avoir une incidence sur les résultats, mais les liens de cause à effet ne seront pas établis. En outre, il convient d’accorder une attention particulière aux limites géographiques, car les indices à l’échelle nationale ne tiennent pas compte des différences entre les divers secteurs de compétence en matière de pratiques policières et de normes de déclaration. Prises de manière isolée, ces mesures ne fournissent pas de précision sur les raisons pour lesquelles des tendances de représentation pourraient être observées à différents points de la criminalité déclarée par la police, mais le couplage avec d’autres sources de données pourrait éclairer la prise de décisions dans le processus de justice pénale. En rassemblant les données de différents points de décision, il est possible d’isoler certains points de décision qui sont impliqués de manière distincte dans les résultats de certains groupes.

Répercussions des désavantages cumulatifs

Alors que les analyses de disproportion et de disparité peuvent indiquer où les groupes autochtones et racisés peuvent être sous-représentés ou surreprésentés dans les crimes déclarés par la police, les facteurs à l’origine des résultats observés ne peuvent pas être isolés au moyen de ces techniques analytiques. Par conséquent, les différences dans les résultats ne peuvent être attribuées à un facteur en particulier. De plus amples travaux seraient requis pour déterminer les attributs causaux, et il faudrait tenir compte d’aspects des services policiers et de facteurs sociétaux plus vastes, comme ceux qui accroissent la probabilité que les membres de certaines communautés entrent en contact avec la police (Association des chefs de police de l’Ontario, s. d.; encadré 6).

Il est recommandé de faire preuve de prudence au moment de déterminer où l’on retrouve des disproportions et des disparités, compte tenu de la façon dont la région géographique, les caractéristiques démographiques, la législation et les pratiques policières peuvent influer sur l’analyse. Au-delà des indices de disproportion et de disparité, les utilisateurs de données doivent utiliser des méthodes plus rigoureuses pour explorer les divers facteurs ayant une incidence sur les risques et les résultats du système de justice (voir l’encadré 7).

Déterminants sociaux de la justice et couplage de données

La disproportion et la disparité ne sont pas nécessairement des preuves d’inégalités raciales systémiques (Ontario, 2018). Une analyse plus approfondie est nécessaire pour déterminer la mesure dans laquelle la disproportion et la disparité peuvent être expliquées ou influencées par des facteurs propres au système de justice pénale ou des déterminants sociaux externes. Bien que les facteurs propres au milieu policier comme les préjugés des policiers, les politiques institutionnelles et la culture organisationnelle soient importants, des facteurs externes comme les comportements et les choix individuels, les conditions sociales et les facteurs démographiques jouent également un rôle dans la représentation (McCausland et Baldry, 2023; Association des chefs de police de l’Ontario, s. d.).

Les déterminants sociaux de la justice peuvent contribuer à une meilleure compréhension de ces interactions complexes, en fournissent un cadre très utile pour l’analyse des DDPIAR en conjonction avec d’autres ensembles de données pertinents (Institut de recherche en politiques publiques, 2020; McCausland et Baldry, 2023). Les déterminants sociaux de la justice sont des facteurs sociaux qui déterminent la probabilité que des personnes aient des contacts avec le système de justice pénale, leurs expériences à l’intérieur de ce système, et l’issue à laquelle elles peuvent s’attendre. Ces facteurs sont regroupés en cinq catégories : revenu, emploi, logement stable, éducation et santé (y compris la santé mentale et les dépendances) (Institut de recherche en politiques publiques, 2020; Sécurité publique Canada, 2022)^Note 21. Les personnes qui obtiennent de piètres résultats selon ces mesures sont communément désignées comme étant « à risque », car elles sont plus susceptibles de participer à des activités menant à des contacts avec la police ou de vivre dans des situations précaires prédictives de ces interactions.

En couplant les DDPIAR et les ensembles de données renfermant des renseignements sur ces déterminants sociaux, les chercheurs peuvent mieux comprendre les facteurs structurels qui contribuent aux disparités raciales dans la criminalité déclarée par la police. Leurs recherches pourront ainsi éclairer l’élaboration des politiques et les interventions visant à remédier à ces disparités^Note 22.

Alors que les indices de disproportion et de disparité présentent des limites quant aux renseignements qu’ils peuvent fournir, ils reposent sur des méthodes faciles à comprendre, ce qui est très utile dans le cadre des activités de mobilisation communautaire. Aux fins de la mobilisation, les services de police devraient combiner des méthodes analytiques qui varient en complexité — des complexes et des plus simples. Aux fins de la production de données plus robustes pour analyser le rôle de multiples facteurs qui peuvent se recouper et contribuer à ce qu’une personne soit plus susceptible d’être représentée comme victime ou auteur présumé dans les crimes déclarés par la police, les utilisateurs de données peuvent envisager d’utiliser une forme d’analyse multivariée (voir l’encadré 7) mettant à profit le couplage de données, en combinaison avec les indices de disproportion et de disparité. Avant d’effectuer le couplage de données, les utilisateurs de données devraient consulter des experts pour s’assurer que leur méthode de couplage est valide. Il convient de noter que le couplage des données peut être considéré comme une atteinte à la vie privée et doit être fait en tenant compte des principes de proportionnalité.

Normes statistiques

Le Plan d’action sur les données désagrégées de Statistique Canada (2024a) repose sur quatre principes directeurs^Note 23 :

• Les données et les analyses devraient être désagrégées au niveau de détail démographique le plus fin possible, tout en respectant la qualité et la confidentialité.
• L’analyse devrait se concentrer sur l’intersectionnalité plutôt que sur des interactions binaires.
• Les normes approuvées de Statistique Canada pour la désagrégation devraient être appliquées dans l’ensemble des programmes.
• Les données devraient être accessibles au niveau géographique le plus bas possible, proportionnellement à la nécessité des données et au risque pour la protection de la vie privée, l’équité et la transparence (pour en savoir davantage, voir les Principes de nécessité et de proportionnalité de Statistique Canada).

De petites tailles d’échantillons peuvent limiter la capacité de désagréger les données au niveau le plus bas en raison de préoccupations liées à la confidentialité. Dans de tels cas, il pourrait être nécessaire de combiner des catégories. Toutefois, d’autres options devraient être explorées d’abord, comme l’élargissement de la portée de l’analyse ou la prolongation de son délai de réalisation pour augmenter la taille globale de l’échantillon. Par exemple, on peut envisager d’utiliser des méthodes statistiques appropriées pour les petits domaines, comme les méthodes d’estimation sur petits domaines. Si la combinaison de catégories est inévitable, celles-ci devraient être logiques et significatives afin de refléter les expériences et les situations communes des groupes qui sont combinés (British Columbia Ministry of Citizens’ Services, 2023).

Si des catégories sont combinées, il est très important de l’indiquer et de reconnaître la diversité de la population autochtone ou racisée qui peut être occultée. Les utilisateurs de données doivent expliquer les limites analytiques causées par ces regroupements et fournir une mise en contexte plus large pour aider les lecteurs à comprendre les différences potentielles qui pourraient être manquées. Ils pourront ainsi s’assurer que les résultats rendent fidèlement compte des expériences des différents groupes étudiés. Les utilisateurs de données pourraient aussi envisager de présenter les résultats aux groupes communautaires concernés pour s’assurer qu’ils sont représentatifs des expériences vécues.

Qualité des données

Il est recommandé, afin d’assurer une analyse des DDPIAR de grande qualité, que les utilisateurs de données respectent les six principes clés du Cadre d’assurance de la qualité de Statistique Canada ou les procédures de qualité des données de leur propre institution^Note 24.

Statistique Canada définit la qualité générale des données suivant six dimensions clés présentées dans le Cadre d’assurance de la qualité :

• la pertinence;
• l’exactitude;
• l’actualité;
• l’accessibilité;
• l’intelligibilité;
• la cohérence.

Ces dimensions sont définies dans le tableau 1 ci-dessous, et sont accompagnées de suggestions sur la façon dont elles peuvent être appliquées dans le contexte des DDPIAR.

Interprétation et communication des résultats

À cette étape de l’approche systématique de la recherche, les utilisateurs de données déterminent les résultats attendus des conclusions de l’étude, les répercussions sur le traitement des questions de recherche ainsi que les points à prendre en considération et les limites. Dans le contexte du cadre, les considérations importantes liées aux DDPIAR comprennent notamment :

• une contextualisation suffisante;
• une déclaration transparente et accessible;
• une perspective axée sur l’action;
• une mobilisation continue et réciproque.

Contextualisation suffisante

Pour éviter les préjudices lors de l’utilisation de données sur les communautés autochtones et les groupes racisés, il est très important de fournir un contexte riche. Les utilisateurs de données doivent éviter de tirer des conclusions réductrices ne tenant pas compte des facteurs historiques et contemporains qui façonnent les expériences actuelles, plus particulièrement l’héritage colonial du Canada (voir l’encadré 8). De plus, ils doivent accorder une attention particulière à la reconnaissance des problèmes systémiques plus vastes qui contribuent à désavantager certaines personnes et à accroître leur probabilité d’interactions avec le système de justice pénale (British Columbia Office of the Human Rights Commissioner, 2020).

Lorsqu’ils examinent les implications potentielles de la publication de données, les utilisateurs de données doivent être conscients des risques de la perpétuation de récits nuisibles. Ce risque peut être évité en fournissant une mise en contexte appropriée aux données et en évitant de présenter les résultats suivant une perspective fondée sur les lacunes, laquelle peut nuire aux membres de la communauté étudiée. De même, les utilisateurs de données devraient éviter de généraliser les résultats sans tenir compte du contexte sociohistorique plus large qui influe sur les tendances au chapitre de la criminalité et de la victimisation. Il faudrait mettre l’accent sur l’élaboration d’une narration équilibrée autour des données. En contextualisant soigneusement les constatations, les utilisateurs de données peuvent aider à prévenir la stigmatisation et la représentation stéréotypée de certaines communautés.

Dans le cadre d’une contextualisation suffisante, il est aussi important que les utilisateurs de données tiennent compte de tout contexte législatif ou d’ordre juridictionnel pertinent qui pourrait avoir une incidence sur les pratiques et les procédures des services policiers. Dans la mesure du possible, une telle mise en contexte doit être fournie pour faciliter une interprétation plus exhaustive des données.

Il est recommandé de fournir un contexte suffisant dans tous les produits analytiques pour s’assurer que les lecteurs ont une compréhension nuancée et exacte des données.

Voici quelques exemples et pratiques exemplaires pour mettre les résultats en contexte :

• publier des études qui reflètent un récit équilibré des expériences des Autochtones et des personnes racisées;
• veiller à ce qu’un éventail diversifié d’identités et d’expériences des populations concernées soient représentées dans les études;
• fournir des renseignements contextuels pertinents pour appuyer l’interprétation de l’analyse, y compris :
  • les expériences historiques et actuelles du racisme et de la discrimination systémiques;
  • les répercussions du colonialisme sur les communautés d’intérêt;
  • l’activisme communautaire, dont les efforts d’autodéfense et de prise en compte des préoccupations reflétées dans les données;
• reconnaître la diversité des groupes autochtones et racisés et fournir des renseignements à ce sujet, en utilisant une perspective intersectionnelle pour comprendre la façon dont les identités, les régions géographiques et les cultures multiples peuvent influer sur les expériences individuelles;
• éviter de faire des généralisations sur des groupes entiers;
• communiquer des données sur les populations autochtones et racisées uniquement lorsqu’elles sont pertinentes et qu’elles peuvent être suffisamment contextualisées;
• rendre compte de tout contexte législatif connu des pratiques et procédures policières qui pourraient varier d’un secteur de compétence à l’autre et influer sur les résultats de recherche;
• participer à la mobilisation communautaire pour mieux comprendre le contexte sociohistorique local pouvant permettre d’expliquer, ou du moins, de positionner les conclusions.

Déclaration transparente et accessible

Afin d’assurer la transparence et l’accessibilité des produits de DDPIAR, les utilisateurs de données devraient fournir des renseignements détaillés sur les méthodologies utilisées dans l’analyse des DDPIAR et tout inconvénient rencontré, y compris :

• les unités d’analyse : définir clairement les principales unités d’analyse, ce qu’elles mesurent et la façon dont elles ont été classées et utilisées;
• les méthodes analytiques : expliquer toute méthode complexe ou unique utilisée et les raisons pour lesquelles elle a été choisie;
• les repères et les groupes de référence : préciser les repères et les groupes de référence utilisés dans l’analyse et les raisons de leur choix;
• les seuils : préciser clairement les seuils utilisés pour révéler les disproportions ou les disparités et les raisons de leur choix;
• la qualité des données et la responsabilité : décrire les mesures prises pour assurer la qualité et la confidentialité des données. Il est possible d’en savoir davantage à ce sujet en consultant les Lignes directrices pour assurer la qualité des donnée;
• les limites : reconnaître les limites des données et fournir suffisamment d’éléments contextuels et tout autre renseignement essentiel au lecteur, dans la mesure du possible. Cette reconnaissance comprend celle de toutes les limites connues des données et des méthodes utilisées et de la façon dont elles pourraient influer sur l’interprétation des conclusions.

Perspective axée sur l’action

Les utilisateurs de données doivent tenir compte, dès le départ, des implications politiques de leur recherche fondée sur les DDPIAR, en prenant soin d’inclure les éléments pouvant mener à la prise de mesures dans leur analyse des données, quand c’est approprié ou pertinent de le faire^Note 25.

Il est recommandé qu’en se fondant sur les résultats de l’analyse des données, les utilisateurs de données devraient examiner les façons dont les résultats peuvent être utilisés pour soutenir les communautés et dont ils peuvent être mis en œuvre par les responsables des programmes et des politiques au service du changement social.

Lorsqu’ils mettent l’accent sur la nature pragmatique de la recherche, les utilisateurs de données peuvent tenir compte des facteurs qui contribuent à la pertinence (voir le tableau 1).

Selon le mandat de Statistique Canada et les principes fondamentaux des statistiques officielles, les renseignements fournis doivent satisfaire au critère de l’utilité pratique, c’est-à-dire qu’ils doivent être pertinents pour la population canadienne. Les renseignements peuvent être jugés pertinents lorsqu’ils répondent à l’une des exigences suivantes :

• L’analyse ou les données fournissent-elles des bases solides qui peuvent être mises en œuvre par les responsables des programmes et des politiques au service du changement social (actions à mener) et au bénéfice des communautés?
• L’analyse ou les données fournissent-elles des renseignements qui répondent aux questions de recherche soulevées par d’autres ministères ou intervenants (p. ex. les projets à recouvrement des coûts)?
• L’analyse ou les données fournissent-elles de nouveaux renseignements (valeur ajoutée)?
• L’analyse correspond-elle à une exigence prévue par la loi?
• L’analyse encourage-t-elle la transparence?
• L’analyse permet-elle de répondre à une question ou à un besoin cerné dans le cadre des initiatives de mobilisation communautaire?

Mobilisation communautaire continue et réciproque

Il est impératif d’établir des liens de confiance et de nouer des relations solides grâce à la mobilisation. Celle-ci permet de s’assurer que l’analyse des données reflète fidèlement la voix et les préoccupations des communautés représentées et les expériences qu’elles vivent. En fin de compte, cette approche collaborative mène à des produits analytiques plus précieux et plus efficaces, et témoigne du respect envers les communautés concernées.

Lorsque les ressources le permettent, les utilisateurs de données sont encouragés à établir des mécanismes officiels de rétroaction, comme des comités consultatifs communautaires. Ces groupes peuvent contribuer à l’examen du processus d’analyse des données tout au long de celui-ci. Grâce à une mobilisation continue auprès des communautés, les utilisateurs de données peuvent mettre en œuvre les pratiques suivantes :

• Amplifier la voix des communautés : Présenter les données du point de vue des communautés représentées et ainsi leur donner le pouvoir d’agir.
• Favoriser la sensibilité culturelle : Effectuer l’analyse et l’interprétation d’une manière qui correspond aux valeurs des communautés.
• Créer une narration équilibrée : Examiner les défis des populations d’intérêt tout en mettant en évidence leurs forces dans un souci de compréhension des expériences qu’elles vivent.

L’encadré 3 décrit les pratiques de Statistique Canada en matière de mobilisation auprès des communautés autochtones. Dans le contexte de l’interprétation et de la communication des résultats, ces activités de mobilisation peuvent fournir aux utilisateurs de données des outils pour :

• appliquer l’éthique et les méthodes de recherche autochtones clés suivant les conseils des partenaires autochtones et en collaboration avec eux;
• discuter des aspects pratiques de la participation communautaire à la recherche et à la présentation des résultats, notamment en ce qui concerne la langue :
  • les utilisateurs de données doivent garder à l’esprit que le langage est un outil qui peut être utilisé pour reproduire ou renforcer les inégalités sociales. La terminologie est très importante et des termes stigmatisants peuvent perpétuer des stéréotypes nuisibles. Par conséquent, il faut faire preuve de prudence;
• présenter l’analyse d’une manière facile à comprendre et qui trouve un écho auprès de la communauté.

Par exemple, l’utilisation d’une terminologie propre à la recherche autochtone est importante pour assurer le respect culturel et une représentation exacte, ainsi que pour établir la confiance entre les communautés autochtones et la communauté de recherche.

Conclusion

Le présent cadre a été conçu comme composante de l’initiative de collecte de DDPIAR. Il vise à guider les utilisateurs de données suivant la diffusion de la plus récente version du Programme DUC (version 2.5), qui a été mis à jour pour inclure l’identité autochtone et racisée des auteurs présumés et des victimes d’actes criminels déclarés au Canada. À l’origine, le cadre a été mis au point en réponse aux commentaires reçus, dans le cadre d’un exercice de mobilisation, à propos de l’importance d’aider les utilisateurs de données à utiliser, interpréter, analyser et diffuser les DDPIAR de manière responsable et éthique pour éviter de causer des préjudices aux communautés concernées par les données. Le public visé par ce rapport est constitué des utilisateurs de données du Programme DUC qui prévoient recourir aux données nouvellement recueillies sur les identités autochtones et racisées, dans n’importe quel format, à n’importe quel moment du cycle de données, ainsi qu’à tous les dérivés de ces données, y compris les données personnalisées et publiées.

Le cadre poursuit deux objectifs principaux :

• Appuyer l’utilisation responsable et éthique des DDPIAR au moyen de cinq principes directeurs, proposés pour éviter que les communautés concernées ne soient davantage stigmatisées et marginalisées par l’utilisation de ces données.
• Fournir les outils et l’encadrement nécessaires à l’interprétation prudente et avisée des données relatives à la diversité culturelle, ainsi qu’à l’élaboration de renseignements probants sur lesquels appuyer la prise de décisions afin de parvenir à des résultats plus équitables au sein des services policiers.

Comme il a été précisé au début de ce document, cette publication est parue avant la collecte des données du Programme DUC 2.5. Il s’agit donc d’un document d’orientation générale et il est possible qu’il ne réponde pas à certaines questions que les utilisateurs de données pourraient avoir à propos de l’utilisation, de l’analyse, de l’interprétation ou de la diffusion des données. Dès que les données du Programme DUC 2.5 commenceront à être recueillies et que Statistique Canada les recevra, une nouvelle évaluation du cadre pourra donner lieu à une mise à jour des lignes directrices. Toute modification ou documentation d’intérêt supplémentaire pour les utilisateurs de données du Programme DUC 2.5 leur seront communiquées.

Annexes

Annexe A : Nouvelles variables du Programme de déclaration uniforme de la criminalité (DUC 2.5)

Version 2.5 du Programme de déclaration uniforme de la criminalité (DUC) Spécifications d’extraction

À compter du 13 février 2024, le système du Centre canadien de la statistique juridique et de la sécurité des collectivités (CCSJSC) est prêt à recevoir la nouvelle version (version 2.5) du Programme de déclaration uniforme de la criminalité (DUC). Le présent document fournit des renseignements sur le format normalisé de la version 2.5 pour la présentation de données qui sont compatibles avec le système de traitement du Programme DUC du CCSJSC. Nous reconnaissons que les renseignements relatifs aux lignes directrices opérationnelles concernant la collecte de renseignements sur l’identité autochtone et racisée sont nécessaires pour modifier les systèmes de gestion des dossiers utilisés par les services de police. Le Groupe de travail spécial sur les normes de données de l’Association canadienne des chefs de police (ACCP) se charge de déterminer les lignes directrices opérationnelles, les normes en matière de données et les pratiques exemplaires. Les résultats de ces travaux seront communiqués dans les mois à venir. Il est recommandé que les mises à jour du système de gestion des dossiers (SGD) n’aient lieu qu’une fois ces lignes directrices établies et communiquées.

Aperçu des modifications

La version 2.5 du Programme DUC inclut l’ajout de 13 nouvelles variables dans le dossier de la victime et de 13 nouvelles variables dans le dossier de l’accusé ou du suspect pouvant être inculpé (ASI) concernant l’identité autochtone et racisée (groupe de population). Ces variables comprennent deux variables de perception du policier (une générale et une détaillée) et des variables d’auto-identification pour lesquelles jusqu’à 10 options peuvent être sélectionnées et un champ d’écriture ouvert peut être rempli, au besoin. En outre, quelques modifications ont été apportées aux variables existantes du programme. Les variables des accusations portées ou recommandées (SECTION1, SECTION2, SECTION3 et SECTION4) dans le dossier de l’accusé ou du suspect pouvant être inculpé (ASI) sont passées de 6 à 7 espaces pour permettre la saisie des articles du Code criminel qui comportent 7 espaces (y compris le point); par exemple, article 320.102 du Code criminel. Enfin, les variables CSCSEX et VICSEX ont été renommées CSCGEN et VICGEN pour être compatibles avec le changement apporté en 2018 à la terminologie prévoyant l’utilisation du mot « genre ». Il n’y a pas de modification aux options valides ou à tout autre renseignement concernant la collecte de données sur le genre; il s’agit simplement d’une mise à jour du nom de la variable, qui peut ne pas avoir d’incidence sur les systèmes de gestion des dossiers.

Renseignements généraux concernant la collecte et la communication de données sur l’identité autochtone et racisée par l’intermédiaire de la version 2.5 du Programme DUC

Les services de police qui adoptent la version 2.5 du Programme DUC auront la souplesse de communiquer les données au Programme DUC selon la méthode de perception du policier, la méthode d’auto-identification, ou les deux. Avant d’apporter des modifications aux systèmes de gestion des dossiers de la police afin de permettre la déclaration au Programme DUC, il faut déterminer la méthode de collecte qu’un service de police choisit d’utiliser (option d’« adoption »). La déclaration d’une réponse valide est obligatoire, peu importe la méthode de collecte, conformément aux spécifications décrites ci-dessous.

• Méthode de collecte de données fondées sur la perception du policier : Dans le cas des services de police qui choisissent de déclarer des données sur les identités autochtones et racisées recueillies au moyen de la méthode de perception du policier, le choix d’un groupe de population est obligatoire dans le Programme DUC, et une seule sélection est possible. Voir la section ci-dessous pour obtenir des renseignements détaillés sur les variables de perception du policier.
• Méthode de collecte fondée sur l’auto-identification : Dans le cas des services de police qui choisissent de déclarer des données sur les identités autochtones et racisées recueillies au moyen de la méthode d’auto-identification, la déclaration d’une réponse valide est obligatoire, y compris l’option de sélectionner « Impossibilité de s’auto-identifier » ou « Refus de s’auto-identifier ». Jusqu’à 10 sélections sont possibles pour cette méthode de collecte, qui permet en plus un champ d’écriture ouvert. Voir la section ci-dessous pour obtenir des renseignements détaillés sur les variables d’auto-identification.

Note concernant l’harmonisation de la version 2.5 du Programme DUC avec d’autres normes des secteurs de compétence existantes

Statistique Canada reconnaît et félicite l’excellent travail réalisé par d’autres autorités compétentes , comme l’Ontario, en ce qui a trait à l’élaboration de normes et à la collecte de données fondées sur la race pour éclairer les politiques et les programmes du secteur public. Nous reconnaissons également que d’autres services de police au pays peuvent adopter ou envisager l’approche de l’Ontario ou vouloir explorer une autre voie pour recueillir des données déclarées par la police sur les identités autochtones et racisées. Les spécifications et les normes élaborées pour la version 2.5 du Programme DUC sont conformes aux normes adoptées par les secteurs de compétence qui recueillent actuellement une forme ou une autre de données fondées sur la race, y compris les Normes relatives aux données en vue de repérer et de surveiller le racisme systémique de l’Ontario. Statistique Canada continuera de collaborer avec les services de police et les fournisseurs du système de gestion des documents adapter la version 2.5 du Programme DUC à l’aide des normes utilisées ou adoptées.

Groupe de population perçu des victimes et des ASI par le policier (général et détaillé)

Le groupe de population perçu des victimes et des ASI par le policier est composé de deux variables : le groupe de population perçu par le policier (général) et le groupe de population perçu par le policier (détaillé). Ces deux variables sont présentes dans le dossier de la victime et dans le dossier de l’ASI. Le groupe de population perçu par le policier (général) et le groupe de population perçu par le policier (détaillé) ne peuvent pas se contredire. Les valeurs et les combinaisons valides sont indiquées dans le tableau ci-dessous. Par exemple, si le groupe de population perçu par le policier (général) est 10 « autochtone », le groupe de population perçu par le policier (détaillé) doit être soit 11 « Première Nation », 12 « Métis », 13 « Inuk (Inuit) » ou 00 « Aucun sélectionné/non spécifié ». Les options présentées en gris ci-dessous sont destinées uniquement à la programmation du SGD et ne sont pas destinées à être visibles aux policiers comme option de sélection. Une réponse valide de la population est nécessaire. Ce point est expliqué en détail plus loin dans le présent document.

Groupe de population perçu par le policier (général)

Groupe de population perçu par le policier (détaillé)

Spécifications pour les services de police qui choisissent de ne pas recueillir les variables du groupe de population perçu des victimes et des ASI par le policier (général et détaillé) :

Si un service de police n’est pas en mesure de recueillir les variables du groupe de population perçu par le policier détaillé et général pour le dossier de la victime ou de l’ASI (c.-à-d. que le service de police n’a pas l’intention de recueillir des données sur le groupe de population au moyen de la méthode de perception du policier), le code 98 « Information non recueillie par le service de police » doit être activé automatiquement dans le SGD pour la variable générale et la variable détaillée du groupe de population perçu par le policier pour tous les dossiers. Un service de police peut uniquement décider de ne pas recueillir les deux variables, et non seulement l'une d'entre elles.

Groupe de population autodéclaré des victimes et des ASI, et champ ouvert correspondant

Le groupe de population autodéclaré des victimes et des ASI comprend 10 variables identiques avec la même liste d’options valides et un champ ouvert correspondant qui peut être utilisé si la victime ou l’accusé souhaite préciser un groupe de population qui n’est pas inclus dans la liste d’options.

Variables du groupe de population autodéclaré

Les variables du groupe de population autodéclaré permettent aux victimes et aux ASI d’autodéclarer jusqu’à 10 groupes de population différents. Le même code ne peut pas être sélectionné plusieurs fois. On y trouve des options pour les situations où les victimes ou les ASI sont incapables de fournir ces renseignements ou refusent de s’auto-identifier. Comme les options de groupe de population perçu par les policiers présentées plus haut, les options en gris ci-dessous sont destinées uniquement à la programmation du SGD et ne sont pas destinées à être visibles comme option de sélection.

Groupe de population autodéclaré (1 à 10)

Champ ouvert correspondant au groupe de population autodéclaré

La variable du champ ouvert correspondant permet à la victime ou à l’ASI de saisir le groupe de population autodéclaré de son choix au lieu, ou en plus, de la liste de sélection fournie. Il n’y a aucune limitation pour ce qui peut être écrit dans ce champ, mais il y a un maximum de 80 caractères/chiffres. Cette variable est présente dans le dossier de la victime et de l’ASI.

Champ ouvert correspondant au groupe de population autodéclaré