Démarche de recherche

3.2.1 Constitution de l’échantillon maître

Initialement, l’échantillon maître devait être constitué par la mise en commun des données de cinq organismes, soit la GCC, le MPO, le BST, la CNESST et la compagnie d’assurance MP2B. Toutefois, l’absence d’une clé de rapprochement commune à toutes les bases de données des partenaires a rendu l’automatisation du traitement statistique impossible. La constitution de l’échantillon maître utilisé dans le cadre de cette étude provient finalement de trois partenaires : la GCC, le BST et le MPO. Afin de mettre les bases de données ensemble, l’équipe de professionnels de Transports Canada basée à Rimouski et dirigée par Robert Fecteau s’est mise à l’œuvre. Ainsi, l’équipe s’est affairée pendant plusieurs semaines à vérifier et contre-vérifier chacune des données des trois bases de données afin de produire l’échantillon maître utilisé dans le cadre de cette recherche. L’annexe B présente les variables incluses dans le projet.

Les variables contenues dans la base de données de la GCC ont permis de dégager plusieurs constats notamment quant à la nature et au degré de gravité de l’événement accidentel, à sa localisation, aux impacts potentiels des conditions météorologiques sur le risque d’accident, etc. En ce qui concerne la base de données sur les opérations de pêche du MPO, les variables retenues ont entre autres permis d’identifier l’activité en cours lors de l’événement accidentel — en pêche, en transit, etc. — et le stade d’avancement de la saison et le nombre de débarquements effectués qui constituent des indicateurs du niveau de fatigue.

3.2.2 Limites de l’étude

Afin d’illustrer la complexité de l’entreprise visant à analyser les événements accidentels dans l’industrie des pêches, mentionnons d’abord que ce ne sont pas tous les accidents qui sont rapportés à la GCC ou au BST. Par exemple, un accident qui survient à quai ne requiert généralement pas l’intervention de la GCC, mais plutôt des ambulanciers et des services policiers. Par ailleurs, lorsqu’une réclamation est produite, elle l’est à partir du nom de l’assuré et non à partir du nom du bateau ou du nom du locataire de ce dernier, et ce, tant dans la base de données de l’assureur que dans celle de la CNESST. Finalement, comme les demandes de réclamations ne sont pas toujours réalisées en temps réel, il était pratiquement impossible de faire correspondre les dates de la base de données de l’assureur à celles d’un événement recensé par la GCC ou le BST.

Soulignons également que les bases de données des partenaires sont conçues pour répondre aux besoins de chacun et en fonction des usages spécifiques qu’en font les ministères. Par conséquent, les données manquantes ou erronées étaient nombreuses pour diverses raisons, sans pour autant s’avérer inutiles pour leurs usagers respectifs. Pour la GCC, la base de données provient essentiellement des rapports d’événements, dont l’usage consiste à dresser l’historique des étapes des sauvetages afin d’améliorer le processus d’urgence et d’archivage. Les noms servant à l’identification des bâtiments n’étaient pas standards et l’orthographe était souvent erronée, rendant le processus d’identification assez lourd. Pour ce qui est du MPO, l’usage des bases de données vise le contrôle et la gestion des stocks. Là aussi, les données relatives à l’émission de permis de pêche avaient leurs lots d’incohérences. Ces incohérences étaient suffisantes pour qu’il soit informatiquement impossible de joindre les deux bases de données à partir d’un identifiant unique.

Les analyses sont basées sur les données couvrant une période allant de 2005 à 2015. Ainsi, l’ensemble des résultats ne représentent pas le portrait actuel en 2020, mais bien le portrait d’une décennie. En fait, la mise à notre disposition des données varie en fonction des ministères. Puisque l’information n’est pas accessible en temps réel, l’établissement du portrait statistique des événements accidentels demeure un outil d’aide à la décision pertinent lorsqu’il s’agit d’évaluer les mesures mises en place et de cibler les priorités, sans pour autant permettre d’ajuster les stratégies dans l’immédiat.

Enfin, puisqu’il a été impossible d’apparier les données de la CNESST avec celles de la GCC en raison de l’absence de clé de rapprochement (l’identifiant du navire étant absent de la base de données de la CNESST), le nombre d’événements accidentels dans ce rapport est sous-estimé. Pour revenir à l’exemple d’un accident qui survient à quai, il est fort probable qu’une réclamation auprès de la CNESST sera effectuée sans que la GCC ait de traces de ce même événement, ce qui explique en partie les disparités observées entre les événements accidentels de la CNESST, de la GCC et du BST. De plus, les blessures mineures sont souvent non rapportées, ce qui indique que le nombre d’incidents mentionnés dans la présente étude est en deçà de la réalité.

Malgré cela, nous estimons que les analyses permettent d’identifier des tendances et d’orienter adéquatement les décideurs dans leurs évaluations.

3.2.3 Traitements et analyses des données

L’analyse des événements accidentels dans l’industrie de la capture des pêches maritimes commerciales est fondée sur des modèles et des techniques reconnus dans la littérature et fréquemment utilisés en statistique. Les analyses de régression et les analyses CHAID sont les méthodes retenues dans le cadre de notre recherche.

Comme le mentionnent Yergeau et Poirier, « [c]omme il est excessivement rare, voire impossible, de prédire un phénomène à l’aide d’une seule variable », des régressions linéaires multiples ont été utilisées dans le cadre de la présente étude. Les variables catégorielles ont été analysées selon la technique exploratoire publiée par Gordon V. Kass en 1980, soit la technique CHAID (Chi-squared Automatic Interaction Detector). Cette technique consiste à faire une analyse des données en fonction d’un arbre de décision. Le principal avantage de cette approche est le résultat visuel obtenu à la suite de l’analyse par algorithme, qui est plus facilement interprétable. Il est possible de déterminer quelles sont les interactions qui existent entre plusieurs variables et d’établir les relations de dépendance entre les variables. Cette technique est fréquemment utilisée lorsque la recherche est exploratoire et que les analyses aux multiples régressions ne sont pas nécessairement réalisables. Cette technique a été appliquée pour analyser les relations entre les causes, les effets, le type d’événement, la gravité des événements et les conditions intrinsèques aux flottilles de pêche.

En général, les modèles de régression sont construits dans le but d’expliquer (ou prédire, selon la perspective de l’analyse) la variance d’un phénomène (variable dépendante) à l’aide d’une combinaison de facteurs explicatifs (variables indépendantes). Dans le cas de la régression linéaire multiple, la variable dépendante est toujours une variable continue tandis que les variables indépendantes peuvent être continues ou catégorielles. La régression linéaire est appelée multiple lorsque le modèle est composé d’au moins deux variables indépendantes (Yergeau et Poirier, 2013).