Categories

Archives

Archive for 2017

Pour l’anonymisation, voir Coulmont ?

Il y a quelques années, j’ai mis en ligne un outil permettant l’anonymisation des enquêtés : à partir des résultats nominatifs au bac, j’ai regroupé les prénoms qui obtenaient le même profil de résultats.
Après quelques années, cet outil commence à être utilisé [j’en avais parlé en 2012]. Et parfois, celles et ceux qui l’utilisent font le plaisir de le citer. Comme je suis un peu bête, j’ai oublié d’indiquer une manière unique de citer cet outil : voilà qui ne facilite pas la citation. Un petit bilan quantitatif s’impose donc.

Nicolas Jounin le mentionne dans Voyage de classes.

Et on en trouve l’usage dans une poignée de thèses soutenues récemment :


Thèse de Géraldine Comoretto

 


Thèse de Maud Gelly

 


Thèse de François Reyssat

 


Thèse de Marjorie Gerbier-Aublanc

 

Youpi ! N=5 ! [Si vous l’avez utilisé dans votre thèse, n’hésitez pas à me le signaler]

Une petite prime à la difficulté

Il y a peu de femmes députées, mais depuis la loi sur la parité, il y a presque autant de candidats que de candidates. Certes. Mais les femmes sont investies, en tendance, dans des circonscriptions plus difficiles à gagner.
On peut mettre cela en évidence en prenant les candidatures aux élections législatives de 2012.
On commence par s’intéresser à l’élection présidentielle et on calcule le score de chaque candidat au premier tour, dans chacune des circoncriptions. Hollande fait tant dans telle circonscription, etc… Puis on s’intéresse aux élections législatives, et on affecte les candidats-députés à chaque candidat-président en fonction de son “étiquette” : les candidats-députés socialistes sont affectées à Hollande, les candidats-députés “UMP” à Sarkozy, etc…
On peut alors regarder si les candidates-députées socialistes, par exemple, sont investies dans des circonscriptions où Hollande a fait un bon score ou un mauvais score, et faire la même chose pour les candidats-députés.
On sépare les candidats “sortants” (celles et ceux qui étaient déjà députés, et qui, très souvent, ont été élus dans des circonscriptions où leur “candidat-président” a fait un bon score) des candidats “nouveaux”.

cliquez pour agrandir

Ce que l’on peut voir, c’est que les candidates sont investies dans des circonscriptions où leur “candidat-président” a fait un mauvais score (un score plus bas que sa moyenne). Les candidats, eux, non. De ce fait, il est plus difficile d’être élue députée que d’être élu député.

Un peu d’imputation

Les résultats électoraux publiés sur opendata.paris.fr sont de bonne qualité : ils proviennent directement du bureau des élections de la ville de Paris. Mais il y a de petites bizarreries dans le nombre de votes par procuration de quelques bureaux de vote. C’est assez habituel : le nombre de votes par procuration ne change pas le résultat, et il ne fait pas partie des données scrutées avec attention (le nombre de voix reçues par les candidats, le nombre de votants…). C’est une donnée annexe, d’un peu moins bonne qualité.
Par exemple, les bureaux 10-1 et 16-46 ont indiqué zéro vote par procuration au premier tour des présidentielles. Tous les autres bureaux de vote ont au moins 9 procurations. Et les bureaux qui ont moins de 15 votes par procurations se trouvent tous dans les 18e, 19e ou 20e arrondissements. Les bureaux immédiatement adjacents au 10-1 et au 16-46 ont eux aussi bien plus de procurations.
J’ai donc été vérifier les listes d’émargement, à la préfecture de Paris. J’ai compté les procurations. Et en effet, le 10-1 a vu 81 procurations au premier tour, et le 16-46 a vu 44 votes par procuration. Aurai-je pu prédire ces chiffres et m’épargner un aller-retour en métro ?


Comme le montre le graphique ci-dessus, dans les deux bureaux concernés, le “vrai” taux de procuration ne devrait pas être zéro, mais plutôt 3% pour l’un et 4,5% pour l’autre.
Au lieu d’une régression sur une seule variable, on peut prendre en compte simultanément d’autres variables. L’idée est ici de se servir des corrélations assez fortes entre variables : taux d’abstention, proportion de votes Fillon ou Macron, taux de bulletins nuls… pour assigner une valeur probable au taux de procurations au premier tour.

Si l’on fait cette régression en enlevant les bureaux “problématiques”, alors on obtient 6,3% de procurations pour le bureau 10-1 et 4,6% pour le bureau 16-46. Soit, en valeur absolue : 74 procurations pour le 10-1 et 44 pour le 16-46. On tombe pipe-poil sur le vrai nombre pour le bureau du 16e, on est en dessous de 7 votants pour le bureau du 10e arrondissement. Pas mal !

Le problème se repose pour le second tour : certains bureaux ont des nombres de procurations très improbables, près de 400. Et d’autres assesseurs semblent avoir au contraire oublié un 1 devant le chiffre 11 ou 27. Et encore un bureau à zéro procuration.

Pour estimer le nombre de procurations réelles dans ces bureaux (que je n’avais pas pu identifier avant ma visite à la préfecture), je peux utiliser les résultats du second tour (vote Macron, abstention, bulletins nuls), mais aussi ceux du premier tour : ainsi le vote Fillon au premier tour est assez prédictif, ainsi que, bien entendu, le recours à la procuration au premier tour.

Une première régression permet d’identifier les bureaux aux chiffres aberrants : ce sont les bureaux dont le taux de procuration prédit est très éloigné du taux de procuration observé. On les enlève du jeux de données, on répète la régression, et on affecte à ces bureaux le taux de procuration prédit par cette nouvelle regression.

Cette procédure va faire augmenter artificiellement le « R^2 » de la régression, puisqu’on enlève les points aberrants et qu’on les remplace par des points prédits. Heureusement, cela ne porte que sur moins de 10 bureaux sur les 896 bureaux parisiens. Et ça permet de tracer des cartes un peu plus jolies.

Des recours différents à la procuration

Le graphique suivant est complexe, mais le résultat est intéressant : la procuration des « beaux quartiers » n’est pas celle des autres quartiers parisiens.

cliquez pour agrandir

Examinons-le pas à pas.
Tout d’abord, j’ai calculé, pour chacun des 896 bureaux de vote parisiens, la composition par âge (18-25 ans, 26-35 ans… jusqu’aux 65 ans et plus). L’idée est de regarder si la procuration est plus fréquente, par exemple quand les jeunes électeurs sont en forte proportion, ou au contraire si c’est quand les électeurs âgés sont bien représentés. On voit alors qu’il n’y a pas de corrélation entre fréquence d’une classe d’âge et fréquence de la procuration, sauf concernant les 55-65 ans : plus cette classe d’âge est importante, moins il y a de procurations.

Ensuite j’ai décomposé ces quartiers suivant l’importance du vote pour François Fillon. La géographie sociale parisienne fait que ce sont dans les “beaux quartiers” de l’Ouest (7e, 8e, 16e, nord du 15e, sud du 17e…) que les votes pour Fillon étaient nombreux. J’aurai pu prendre la proportion d’électeurs à particule, ou la proportion d’électeurs ayant plus de deux prénoms, ou un autre découpage géographique… et les résultats auraient été proches.

Dans les “beaux quartiers” (ici les points bleus, la ligne bleue est une droite de régression) le recours à la procuration est généralement indépendant de la proportion de telle ou telle classe d’âge. Sauf pour les quartiers qui comptent une proportion importante de jeunes électeurs : dans les beaux quartiers, plus il y a de jeunes, plus le recours à la procuration est important. Et la relation s’inverse pour les quartiers populaires (ceux qui n’ont pas voté Fillon, en rouge ici) : plus il y a de jeunes électeurs, moins il y a de procuration. Une hypothèse : dans les quartiers de l’Ouest parisien, un “jeune électeur” est en vacances, en stage, ou étudiant… loin de Paris. Il donne procuration à ses parents. Dans les quartiers populaires, c’est moins souvent le cas.

Ces relations s’inversent quand les trentenaires et les quadragénaires sont nombreux. Dans les beaux quartiers, leur part n’est pas corrélée au recours à la procuration. Mais dans les quartiers où le score de F. Fillon est faible, alors la part de ces trentenaires et quadra est positivement liée à la fréquence de la procuration. Et c’est encore plus vrai dans les quartiers où le score du candidat de l’UMP était très faible. Ces classes d’âges sont-elles plus mobiles en dehors des “beaux quartiers” ? Ou alors, si l’on réfléchit en ayant en tête les comportements des mandataires, il est possible de penser que ces classes d’âge recueillent plus fréquemment les procurations des plus jeunes et des plus âgés, qu’elles servent de “pivot” permettant aux plus jeunes et aux plus âgés de voter tout en étant absents.

Sans avoir accès aux informations sur les procurations individuelles (il faut pour cela aller recueillir les listes d’émargement, ce que j’ai commencé à faire), il est difficile d’aller plus loin dans le raisonnement et la mise à l’épreuve des hypothèses.

Les immigrés cadres

Dans l’ancien département de la Seine (Paris et sa banlieue proche), où résident les cadres ?
La carte suivante s’intéresse aux personnes non immigrées : dans les zones en rouge, la population active est composée de plus de 70% de cadres et de professions intermédiaires, dans les zones en bleu, de moins de 34%.


Cliquez pour agrandir

On voit que Paris et l’Ouest ont une proportion importante de cadres et de professions intermédiaires.

Interessons-nous maintenant aux immigrés. La proportion de cadres et de professions intermédiaires dans la population active immigrée est plus faible. Mais grosso modo la distribution géographique ressemble à la précédente. Parmi les immigrés, il y a aussi plus de cadres à l’Ouest.

Cliquez pour agrandir

Les distributions géographiques sont proches, mais pas semblables. On peut voir qu’il y a certaines zones où semblent résider relativement plus de cadres immigrés (en proportion du total des actifs immigrés) que de cadres non-immigrés (en proportion du total des actifs natifs). Par exemple des zones où, parmi les immigrés actifs, il y a 45% de cadres (ce qui est bien supérieur à la moyenne — chez les immigrés) et où il n’y a “que” 50% de cadres parmi les natifs actifs (ce qui serait inférieur à la moyenne — chez les natifs).
Il y a des lieux où les immigrés de classe sup sont plus fréquents qu’attendus (par comparaison avec les natifs de classe sup) — et des lieux où ils sont relativement moins fréquents. Ce sont des différences de différences. Des lieux où, finalement, les immigrés cadres s’installeront un peu moins fréquemment que les immigrés natifs (des lieux refusés) et des lieux où il y aura un peu plus d’installation par comparaison aux natifs (des lieux recherchés).

Pour tracer la carte suivante, j’ai lissé les données en prenant en compte les 4 plus proches voisins (en pondérant par la population des IRIS).


Cliquez pour agrandir

Ces lieux : Anthony, Chatenay Malabry, Courbevoie et un morceau de Nanterre, mais aussi la zone frontière entre les 13e et 14e arrondissements.

Il s’agit de « différences de différences » : cette carte ne représente pas les zones où se trouvent beaucoup d’immigrés, mais où, après avoir pris en compte les différences et similitudes de distributions (géographique et statistique) entre les populations actives “natives” et “immigrées”, on repère un « résidu », des zones où l’on ne s’attendrait pas à voir “autant” ou “si peu” de cadres immigrés. … Mais il n’est pas certain qu’une telle carte soit très utile.

Zones de sur-performance

À partir des résultats au premier tour de l’élection présidentielle de 2017, à Paris, on peut tracer cette carte montrant les zones où les différents candidats ont réalisé des scores supérieurs à leur moyenne parisienne.

cliquez pour agrandir

Et voici le code, non commenté. Je commence par repérer où se trouvent les zones de sur-performance (les bureaux de votes). J’extrait du fond de carte parisien les 4 zones distinctes. Je trace ensuite quatre cartes les unes sur les autres.

library(tidyverse)
library(classInt)
library(RColorBrewer)
library(maptools)
library(rgdal)

setwd("~/Dropbox/projets-R/")

# le "shapefile" se trouve sur opendata.paris.fr
paris<-readOGR("../data/2017-listes-paris/secteurs-des-bureaux-de-vote-3/",
               "secteurs-des-bureaux-de-vote")

# frontières des arrondissements
parisarr <- readOGR ("../procurations/paris/arrondissements/parisarr.shp", layer="parisarr")
# les résultats électoraux se trouvent sur opendata.paris.fr
df <- read_csv2("~/Dropbox/procurations/paris/paris-2017/resultats_electoraux.csv")
df <- df %>% filter(`date du scrutin`=="2017-04-23") %>% 
  select(3,4,6,7,8,9,10,12,14,15,16,17) %>% 
  spread(key=`nom du candidat ou liste`,value=`nombre de voix du candidat ou liste obtenues pour le bureau de vote`) %>% 
  mutate(numbv=paste(`numero d'arrondissement 01 a 20`,`numero de bureau de vote 000 a 999`,sep="-"))

res <- df %>% group_by(numbv) %>% 
  summarize(arr=mean(as.numeric(`numero d'arrondissement 01 a 20`)),
            prop_macron=100*MACRON/`nombre d'exprimes du bureau de vote`,
            prop_lepen=100*`LE PEN`/`nombre d'exprimes du bureau de vote`,
            prop_fillon=100*FILLON/`nombre d'exprimes du bureau de vote`,
            prop_melenchon=100*(HAMON+`MÉLENCHON`)/`nombre d'exprimes du bureau de vote`) %>% 
  gather(key=type,value=valeur,-numbv,-arr)

res <- res %>% group_by(type) %>% 
  mutate(sur_rep=valeur/(mean(valeur)+.2*sd(valeur))) %>% # "la moyenne et un peu plus" (.2 écart type)
  filter(sur_rep>1) %>% group_by(numbv) %>% 
  mutate(keep=type[which.max(sur_rep)],valeur_keep=valeur[which.max(sur_rep)]) # on garde le candidat "le plus au dessus" de sa moyenne

# on ne garde pas les bureaux dupliqués
res <- res[!duplicated(res$numbv),]

# extraction des zones-candidats
macron <- subset(paris,paris$id_bv %in% res$numbv[res$keep=="prop_macron"])
lepen  <- subset(paris,paris$id_bv %in% res$numbv[res$keep=="prop_lepen"])
melenchon <- subset(paris,paris$id_bv %in% res$numbv[res$keep=="prop_melenchon"]) # avec le score d'Hamon ajouté
hamon <- subset(paris,paris$id_bv %in% res$numbv[res$keep=="prop_hamon"])
fillon <- subset(paris,paris$id_bv %in% res$numbv[res$keep=="prop_fillon"])

png("~/Desktop/parissur_rep.png",width=1100,height=800,res=150)
par(mar=c(1,0,1,1))
plot(paris) # on commence par "tracer" Paris 

m<-match(macron$id_bv,res$numbv)
plotvar<-res$valeur_keep
nclr <- 3
plotclr <- brewer.pal(nclr,"Greens")
class <- classIntervals(plotvar[m], nclr, style="fisher",dataPrecision=1)
colcode <- findColours(class, plotclr)
plot(macron,col=colcode,border=colcode,add=T)

m<-match(fillon$id_bv,res$numbv)
plotvar<-res$valeur_keep
nclr <- 3
plotclr <- brewer.pal(nclr,"Blues")
class <- classIntervals(plotvar[m], nclr, style="fisher",dataPrecision=1)
colcode <- findColours(class, plotclr)
plot(fillon,col=colcode,border=colcode,add=T)

m<-match(melenchon$id_bv,res$numbv)
plotvar<-res$valeur_keep
nclr <- 3
plotclr <- brewer.pal(nclr,"Reds")
class <- classIntervals(plotvar[m], nclr, style="fisher",dataPrecision=1)
colcode <- findColours(class, plotclr)
plot(melenchon,col=colcode,border=colcode,add=T)

m<-match(lepen$id_bv,res$numbv)
plotvar<-res$valeur_keep
nclr <- 3
plotclr <- brewer.pal(nclr,"Purples")
class <- classIntervals(plotvar[m], nclr, style="fisher",dataPrecision=1)
colcode <- findColours(class, plotclr)
plot(lepen,col=colcode,border=colcode,add=T)

plot(parisarr,add=T,lwd=.1) # on ajoute les frontières des arrondissements
legend(2.232, 48.91,legend=c("Hamon/Melenchon","Le Pen","Fillon","Macron"), fill=c("red","purple","deepskyblue","chartreuse3"), cex=1, bty="n",title="")
title(main="Zone de sur-performance des candidats. Paris. Présidentielles 2017.")
title(sub="Fond : opendata.paris.fr | données : Ville de Paris | Cartographie : B. Coulmont\nZones où les candidats font mieux que leur moyenne",line=-.5,cex.sub=.8)
dev.off()

Et, en bonus, le code, amélioré par Christophe P. :


library(tidyverse)
library(classInt)
library(RColorBrewer)
library(maptools)
library(rgdal)

rep_data_secteurs < - 'DATA/secteurs-des-bureaux-de-vote'
# "../data/2017-listes-paris/secteurs-des-bureaux-de-vote-3/"


setwd("~/Dropbox/projets-R/")

# le "shapefile" se trouve sur opendata.paris.fr
paris<-readOGR(rep_data_secteurs,
               "secteurs-des-bureaux-de-vote")

# frontières des arrondissements
parisarr <- readOGR ("../procurations/paris/arrondissements/parisarr.shp", layer="parisarr")
# les résultats électoraux se trouvent sur opendata.paris.fr
df <- read_csv2("~/Dropbox/procurations/paris/paris-2017/resultats_electoraux.csv")
df <- df %>% filter(`date du scrutin`=="2017-04-23") %>% 
  select(3,4,6,7,8,9,10,12,14,15,16,17) %>% 
  spread(key=`nom du candidat ou liste`,value=`nombre de voix du candidat ou liste obtenues pour le bureau de vote`) %>% 
  mutate(numbv=paste(`numero d'arrondissement 01 a 20`,`numero de bureau de vote 000 a 999`,sep="-"))

res < - df %>% group_by(numbv) %>% 
  summarize(arr=mean(as.numeric(`numero d'arrondissement 01 a 20`)),
            prop_macron=100*MACRON/`nombre d'exprimes du bureau de vote`,
            prop_lepen=100*`LE PEN`/`nombre d'exprimes du bureau de vote`,
            prop_fillon=100*FILLON/`nombre d'exprimes du bureau de vote`,
            prop_melenchon=100*(HAMON+`MÉLENCHON`)/`nombre d'exprimes du bureau de vote`) %>% 
  gather(key=type,value=valeur,-numbv,-arr)

res < - res %>% group_by(type) %>% 
  mutate(sur_rep=valeur/(mean(valeur)+.2*sd(valeur))) %>% # "la moyenne et un peu plus" (.2 écart type)
  filter(sur_rep>1) %>% group_by(numbv) %>% 
  mutate(keep=type[which.max(sur_rep)],valeur_keep=valeur[which.max(sur_rep)]) # on garde le candidat "le plus au dessus" de sa moyenne

# on ne garde pas les bureaux dupliqués
res < - res[!duplicated(res$numbv),]

# extraction des zones-candidats
extract_zone <- function (name)
{
    field <- paste0("prop_", name)
    return(subset(paris,paris$id_bv %in% res$numbv[res$keep==field]))
}

macron <- extract_zone('macron')
lepen  <- extract_zone('lepen')
melenchon <- extract_zone('melenchon') # avec le score d'Hamon ajouté
hamon <- extract_zone('hamon')
fillon <- extract_zone('fillon')

png("~/Desktop/parissur_rep.png",width=1100,height=800,res=150)
par(mar=c(1,0,1,1))
plot(paris) # on commence par "tracer" Paris 

plot_candidate <- function (cand, color)
{
    m<-match(cand$id_bv,res$numbv)
    plotvar<-res$valeur_keep
    nclr <- 3
    plotclr <- brewer.pal(nclr, color)
    class <- classIntervals(plotvar[m], nclr, style="fisher",dataPrecision=1)
    colcode <- findColours(class, plotclr)
    plot(cand,col=colcode,border=colcode,add=T)
}

plot_candidate(macron, "Greens")
plot_candidate(fillon, "Blues")
plot_candidate(melenchon, "Reds")
plot_candidate(lepen, "Purples")

plot(parisarr,add=T,lwd=.1) # on ajoute les frontières des arrondissements
legend(2.232, 48.91,legend=c("Hamon/Melenchon","Le Pen","Fillon","Macron"), fill=c("red","purple","deepskyblue","chartreuse3"), cex=1, bty="n",title="")
title(main="Zone de sur-performance des candidats. Paris. Présidentielles 2017.")
title(sub="Fond : opendata.paris.fr | données : Ville de Paris | Cartographie : B. Coulmont\nZones où les candidats font mieux que leur moyenne",line=-.5,cex.sub=.8)
dev.off()

Procuration et type de vote

À Paris, tout le monde ne vote pas par procuration. Par définition, les abstentionnistes ne votent pas par procuration. Et plus il y a d’abstentionnistes dans un bureau de vote [techniquement, à l’extérieur du bureau de vote, bien entendu], moins il y a de procurations : c’est dans les quartiers où l’on participe beaucoup que l’on vote par procuration. De la même manière, là où le vote est fréquemment blanc ou nul, il y a peu de procurations.
Là où les « petits candidats » font leur meilleur score, c’est là où il y a peu de votes par procuration. Mais cette relation se vérifie aussi pour de nombreux candidats : en 2017 à Paris, la fréquence de la procuration est inversement reliée au score local des candidats Le Pen, Hamon, Mélenchon, Arthaud et Poutou… On voit ainsi que la droite de régression (et une régression locale) est orientée vers le bas : dans les zones où il y a eu beaucoup de procurations, il y a eu relativement peu de votes pour Jean-Luc Mélenchon.


cliquez pour agrandir

La relation est inversée pour Macron et Fillon : là où il y a eu beaucoup de procurations, c’est là où ces candidats ont fait leurs meilleurs scores. En 2012, les choses étaient un peu différentes. Il y avait eu plus de procurations au premier tour à Paris, et seul le candidat Sarkozy était associé à une corrélation positive.

Un enthousiasme débordant

« Par procuration, mais pas par défaut » : quelques pages qui décryptent le vote par procuration, à partir des données de l’Enquête électorale française du CEVIPOF (ENEF). Il apparaît bien comme une modalité préférentiellement choisie par des jeunes, des cadres, des diplômés du supérieur…
Mais ce que j’ai trouvé de plus intéressant, c’est le niveau d’intérêt des mandataires, celles et ceux qui reçoivent une procuration : ce sont des enthousiastes. J’imaginais, peut-être un peu naïvement, que les mandants (celles et ceux qui ne peuvent voter et qui font une procuration) étaient les plus enthousiastes (les plus intéressés par la politique en général, les plus décidés à voter, les plus intéressés par l’élection en particulier), notamment parce qu’ils doivent faire la queue, remplir un formulaire, etc… Mais non.
Mais alors pourquoi un tel enthousiasme ?

  • Voter est coûteux (en temps, en déplacement…) pour un rendement faible : que vaut sa toute petite voix individuelle ? Mais le rendement double pour les mandataires : ils sont porteurs de deux voix, la leur et celle de leur mandant. Doublement du rendement. Doublement de l’utilité de son déplacement. Création d’enthousiasme ! C’est la version pour économiste.
  • La confiance accordée par le mandant ou la mandante apporte de la satisfaction. « Vote pour Fillon. Je te fais confiance. » L’échange du secret (celui du vote) a un effet psychologique qui se traduit par une forme d’enthousiasme à l’idée de satisfaire la confiance qui nous a été faite. La version pour psychologue.
  • Le pouvoir détenu sur celle qui nous a donné sa voix pourrait aussi être une des pistes à suivre. « J’ai tout pouvoir sur cette voix. » La version libidinale.
  • C’est un effet de sélection. Face à divers choix possibles, les mandants ont sélectionné celui ou celle qui apparaît la mieux disposée à voter. « Théo BOF ? Non. Léa MOUAIS ? Non. Cléo WAOUH ? Ah oui. » On ne donne qu’aux plus enthousiastes du lot. La version à ne pas oublier.
  • L’enthousiasme préexiste, et il est même à l’origine de la procuration. « Quoi, tu n’es pas là dimanche ? Voter c’est important. En plus Mélenchon il a le meilleur programme ! Sérieusement. C’est facile de faire une procu. Ca te prendra même pas 15 minutes. Tu vois, tu télécharges et hop. T’as plus qu’à aller au commissariat. Non, c’est facile. Je t’y emmène. Là oui, tout de suite ! » La version dispositionaliste.
  • Ce n’est qu’un effet de la composition socio-démographique du groupe des mandataires : un peu plus âgés, plus “cadres sup”, plus diplômés, avec un peu plus d’enfants… que la moyenne. Si l’on compare à composition égale, il n’y a plus de débordement d’enthousiasme. L’enthousiasme n’est ici qu’un mirage. C’est la version toute-chose-égale-par-ailleuriste.

Tant d’hypothèses à tester ! N’est-ce pas formidable ?
Vous pouvez lire l’étude (sans la mise à l’épreuve des hypothèses) sur https://www.enef.fr/les-notes/

Ma vie dans l’EDP (1)

Une demi-journée par semaine, voire un peu plus, je me plonge via Big_Stat à l’INED dans l’Echantillon démographique permanent (EDP). Le but : comprendre “l’inscription ailleurs”, le fait d’être inscrit ailleurs que sur son lieu de résidence. C’est quelque chose de fréquent : cela concerne près d’un.e inscrit.e sur cinq.

Première découverte : l’EDP est découpé en “bases études”. Chaque base-étude contient l’ensemble de l’EDP, pour un millésime donné (avec les informations rétrospectives, recensements, etc…). Mais attention : les identifiants individuels de l’EDP-2012 ne sont pas ceux de l’EDP-2014. Première demi-journée de perplexité, avant de comprendre, et de tout reprendre à zéro.

Deuxième découverte : le lieu d’inscription électorale, quand ce n’est pas le lieu de résidence, n’est pas un lieu abandonné. C’est un lieu investi. Si on n’a pas été radié, c’est qu’on a encore (parfois) des attachements dans ce lieu. Une des bases de l’EDP porte sur les mariages. Et on peut regarder où se marient (en 2014) les personnes qui, en 2014 par exemple, sont “inscrites ailleurs” que sur leur lieu de résidence. Ca fait peu de monde (il faut sélectionner les individus EDP recensés en 2014, français, majeurs, inscrits sur les listes électorales, mais “inscrits ailleurs” que sur leur lieu de résidence, et qui se sont mariés en 2014). Nous partîmes 4 millions, nous arrivâmes 600.

     Femmes Hommes Effectifs
2012 27,5   19,5   600
2014 26,5   19,4   620

J’ai aussi fait le calcul pour 2012 aussi. Un quart des femmes, un cinquième des hommes (inscrits ailleurs et qui se marient) choisissent comme lieu du mariage non pas le lieu de résidence, mais le lieu de l’inscription électorale.

Alors certes, les effectifs ne sont pas énormes. Il faut que je fasse la même opération de sélection avec, par exemple, les recensements de 2008 à 2014. Il faudrait aussi que je travaille sur le lieu de résidence antérieur, ou sur les lieux d’inscription postérieurs au mariage : car le mariage est peut-être le dernier moment d’inscription ailleurs (le moment où certains arrêtent d’être inscrits chez leurs parents et où, enfin, ils s’inscrivent là où ils résident).

Viens chez moi, j’habite chez une copine…

… chantait Renaud il y a quelques années.
Cette chanson relevait, avec humour, qu’un «chez soi», c’est parfois chez un.e autre. Il n’est pas simple de saisir cette forme de résidence, mais on peut l’approcher à partir des listes électorales parisiennes. En effet, un champ, sur ces listes, donne la possibilité d’indiquer que l’on habite « chez Madame Dupont » ou « chez Monsieur Durand », que son nom n’est pas sur la boîte aux lettres, n’est pas sur d’autres documents, mais qu’on est joignable au 45 rue des Fleurs, « chez Madame Durand ».
Ces «chez» sont sur ces fichiers, explorons-les.
Ils ne sont pas nombreux : seulement 1,3% des inscrits. Mais comme il y a beaucoup d’inscrits, ça fait quand même près de 17 000 individus.
On peut voir qu’être “chez quelqu’un d’autre” est le fait des plus jeunes : Entre 19 ans et 40 ans, plus de 1,5% des inscrits ont un chez-soi chez l’autre. Plutôt des femmes, à cet âge. Mais après 35 ans, ce sont les hommes qui sont plus souvent que les femmes dans cette situation.

La proportion diminue avec l’âge, après 24 ans, à mesure qu’on se construit un chez soi chez soi.

Les inscrites qui habitent chez quelqu’un d’autre, pour la moitié d’entre elles, habitent chez un homme. Les inscrits, eux, sont près de 6 sur 10 à habiter chez une femme :

Sexe de la personne inscrite, sexe de la personne hébergeant
Sexe Autre cas Hébergeuse Hébergeur
F 5.7 43.9 50.4
M 6.3 57.1 36.6
Source : Listes électorales

À croire que ces hommes, en effet, “habitent chez leur copine”.

Aux jeunes âges, ce sont surtout des femmes qui habitent chez une femme. Entre 30 ans et 40 ans, la situation la plus fréquente, c’est une femmes qui habite chez un homme. Et après 40 ans, c’est surtout un homme qui habite chez une femme.