Référentiels et Nomenclatures

Suite à une première catégorisation, nous avons réalisé que les catégories retenues n’étaient pas tout à fait adaptées. En effet, ces dernières ne donnaient pas suffisamment de sens pour définir différentes catégories d’acteurs à partir des URLs collectés. Ce début d’indexation nous a permis de réaliser que nous ne disposions pas d’assez d’éléments pour pouvoir qualifier certains types de catégories juridiques par exemple.

Après réflexion, il a donc semblé plus judicieux de réaliser ce travail de catégorisation à partir de nomenclatures déjà existantes afin de constituer un référentiel plus cohérent. Un référentiel de base de données est un référentiel centralisé d’information sur les données : leurs significations, relations avec d’autres données, leurs origines, utilisations et formats. Un référentiel clair, logique et précis est un des gages de bonne interopérabilité d’un système d’information et à pour objectif de faciliter l’indexation.

Une nomenclature est une liste normalisée de termes qu’on va pouvoir utiliser dans un système d’information pour nommer des entités. Nous avons donc effectué un travail de recherche sur les nomenclatures déjà existantes sur les types d’entreprises (forme juridique) et sur les différents domaines d’activités. L’INSEE, L’Institut national de la statistique et des études économiques collecte, produit, qui analyse et diffuse des informations sur l’économie et la société françaises, met à disposition sur son site une nomenclature des activités françaises, la NAF. C’est une nomenclature des activités économiques productives, principalement élaborée pour faciliter l’organisation de l’information économique et sociale. Afin de faciliter les comparaisons internationales, elle a la même structure que la nomenclature d’activités européenne NACE, elle-même dérivée de la nomenclature internationale CITI. Nous avons également retenu la nomenclature des catégories juridiques. C’est une nomenclature à vocation inter-administrative, utilisée aussi dans la gestion du Registre du Commerce et des Sociétés. Elle sert de référence aux Centres de Formalités des Entreprises (CFE) pour recueillir les déclarations des entreprises.

Les données ont ainsi été enrichies selon un procédé de catégorisation à l’aide de ces deux nomenclatures de l’INSEE : la classification NAF (rèv. 2 de janvier 2008) et celle des Catégories juridiques (dernière mise à jour en 2018).

Capture d’écran du fichier de catégorisation des URLs

La colonne A “expanded_url” contient les URL. La colonne B “in_arc” contient le nombre d’occurence de chaque URL. La colonne C contient la 1ère catégorisation que nous avions mise au point au début du projet. Bien que cette catégorisation, jugée trop peu précise, ait été abandonnée, nous l’avons conservée dans nos fichiers à titre informatif. Elle a permis d’accélérer les travaux suivants de catégorisation.

Les colonnes D, E et F contiennent notre catégorisation finale. Les “catégories juridiques” sont issues du niveau II de la nomenclature des catégories juridiques de l’INSEE. Les “catégories NAF” qui se rapportent aux domaines d’activité des organisations, sont issues du niveau 1 (sections) de la nomenclature d’activités française de l’INSEE.

La colonne F apporte une précision supplémentaire sur les URL qui ont été catégorisées comme relevant de la catégorie NAF ”Information et communication”. Dans cette colonne nous avons utilisés les sous classes de la NAF (le niveau le plus précis) appartenant à la section “Information et communication” (il s’agit des sous-classes 58.11Z à 63.99Z).

Catégorisation des acteurs

Suite à un premier travail de cartographie qui nous a permis de repérer les acteurs du domaine de l’hydrogène, il est maintenant nécessaire de les catégoriser pour établir une typologie des acteurs qui s’intéressent à ce sujet. Il s’agit donc ici de définir différentes catégories d’acteurs à partir des URL récoltées, afin de procéder ensuite à un enrichissement des données.

Nous avons pu constater après un premier temps d’exploration que l’analyse des URL par nom de domaine met en évidence l’existence de nombreuses URL dont la forme résolue est encore une forme réduite. Il s’agit probablement d’un effet de transfert d’une URL déjà réduite. Il ressort également que certains noms de domaine correspondent à des plateformes (ex : youtube.com) et nécessitent de revenir à une forme plus explicite (voire l’URL complète) pour être catégoriser.

Pour prendre en compte ces deux remarques, la proposition retenue est la suivante : – Redéveloppement spécifique des URL sur-réduites. – Nécessité de marquer dans le fichier Excel les domaines pour lesquels il faut revenir à une forme plus complète.

Dans un deuxième temps, une réflexion sur la hiérarchisation des catégories et des sous-catégories s’est imposée. Les catégories ci-dessous ont finalement été retenus : Par la suite, dans le long et lent travail d’enrichissement de la base des URL, il a fallu réfléchir à des stratégies permettant de rationaliser l’activité. Par exemple,  traiter en priorité les URL avec le plus grand nombre d’occurrences. En général cette analyse  est un travail itératif, on découvre en même temps qu’on applique ces catégories,  qu’on est amené à affiner, voire à remettre en cause des hypothèses. L’objectif est d’éviter les marches arrières et de garder comme horizon la précision.
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search