Baptiste Coulmont

Vivre à deux est économique : il est possible d’économiser sur le logement par exemple (une chambre pour deux), ou sur la voiture (une pour deux). Il est aussi possible d’accumuler des ressources : ce n’est pas la même chose d’être en couple avec un.e conjointe « inactif.ve » (c’est à dire quelqu’un qui n’est ni en emploi, ni au chômage) ou en emploi.
Or tout le monde n’est pas en couple, ni en couple avec un.e conjoint.e en emploi. On peut le constater en explorant le Fichier détail du recensement 2016.

Le graphique suivant se concentre sur les hommes et les professions ayant les plus gros effectifs masculins.

Tout en haut, les hommes ayant déclaré être serveurs. Environ 60% d’entre eux ont déclaré ne pas être en couple cohabitant (voir la définition). Par comparaison, ce n’est le cas que de 25% environ des professeurs du secondaire. 15% environ des ouvriers non qualifiés du gros oeuvre du bâtiment, des maçons qualifiés (ouvriers), des artisans maçons ou des nettoyeurs ont des conjointes « inactives » (moins de 5% pour les professeurs du secondaire, les agents de police, ou éducateurs sportifs). Plus de 15% des cadres commerciaux des PME, des cadres des services administratifs des PME, des artisans maçons et des artisans peintres en bâtiment ont des conjointes qui exercent à temps partiel.
 

cliquez pour agrandir

Penchons-nous maintenant sur des professions aux effectifs masculins un peu moins nombreux. Ce que l’on voyait déjà sur le graphique précédent (des employés et des ouvriers plus souvent célibataires ou avec des conjointes inactives, au chômage ou à temps partiel) se répète sur celui-ci. Les professeurs des écoles, comparés aux ouvriers non qualifiés de type artisanal, sont moins souvent célibataires, et très peu d’entre eux ont une conjointe inactive.

cliquez pour agrandir

Et au milieu… les médecins libéraux généralistes. Plus de 15% d’entre eux ont une conjointe « inactive », 20% une conjointe qui exerce un emploi à temps partiel. Peu d’entre eux déclarent ne pas être en couple.

Si l’on place en abcisses la proportion d’hommes “célibataires” (c’est à dire pas en couple selon la définition de l’insee) et en ordonnées la proportion de conjointes inactives, au chômage ou à temps partiel (uniquement pour les hommes en couple), voici le graphique qui apparaît :

cliquez pour agrandir

En rose, et dans le quadrant nord-est, les ouvriers. Les employés sont plutôt au sud-est : une fréquence importante de célibataires, mais leurs conjointes sont moins souvent “inactives, à temps partiel ou au chômage”. Les artisans sont dans le quadrant ouest/nord-ouest : peu de célibataires, mais une proportion assez élevé de conjointes sans emploi ou à temps partiel. En vert, les cadres : souvent en couple, et en couple avec une conjointe qui n’est pas inactive, au chômage ou à temps partiel. Les médecins généralistes ressemblent, sur ce point, à des “artisans, commerçants, chefs d’entreprise”.

Au final, donc, des situations très différentes suivant les professions individuelles, ce qui inciterait à concevoir — encore plus qu’on ne le fait habituellement — la position sociale à l’échelle du ménage (voir par exemple cet article récent). Ou alors à garder en tête que derrière un médecin, il y a souvent une conjointe, et une conjointe avec du temps, que derrière un ouvrier non qualifié, il n’y a souvent pas de conjointe (du moins, plutôt, pas de conjointe avec qui l’ouvrier cohabite, ce qui est différent), et que derrière un professeur (des écoles ou du secondaire), il y a souvent une conjointe en emploi. Et donc des possibilités d’économie, ou d’épargne, bien différentes.
Une partie de ces différences est due à la distribution par âge de ces professions : les serveurs sont plutôt jeunes. Une autre au poids des immigrés : s’ils habitent en France au moment du recensement mais que leur conjointe est au Portugal ou en Pologne, sont-ils considérés comme vivant en couple ?

[Note : j’ai considéré que les “étudiantes” n’étaient pas “inactives”, ni au chômage, ni à temps partiel. Les positions changeraient un peu si j’avais inclus les étudiantes dans la catégorie inactive, au chômage ou à temps partiel.]

Le graphique suivant est une manière de représenter la première vague de décès de la covid19.

Certains pays ont atteint et dépassé un pic de décès. Mais il semble bien que la décroissance soit plus lente que l’augmentation. On peut le voir pout l’Italie, l’Espagne, la France… La courbe n’est pas symétrique.

Cela se voit moins quand on trace tous les pays sur le même graphique.

Je me suis donc amusé à centrer et réduire les vagues. C’est à dire à les aligner sur un maximum de 1 (la courbe atteint la valeur 1 le jour du maximum de décès) :

Et à caler toutes les courbes sur le jour du maximum, pour les synchroniser :

Si on trace ensuite la courbe moyenne, on peut remarquer qu’en effet (quand on considère que chaque pays a le même poids), la décroissance est plus lente que la croissance :

Et en vidéo, ça donne ceci :

Confinement ou pas, les différents compteurs, de voitures, de vélos, d’avion, de gigaoctets, et les différents capteurs (de pollution), continuent de compter et de capter (quand ils ne tombent pas en panne). Parfois des groupes organisent la mise en ligne des comptages (comme le font les animateurs de l’OpenSky Network. À partir de ces comptages, on peut repérer la diminution importante du nombre d’avions décollant ou atterrissant dans les aéroports de la métropole :
 

cliquez pour agrandir
 
Si on s’intéresse à son bilan carbon et aux vélos, moins polluants, on trouvera sur OpenData Paris les résultats des sites de comptage de vélo, mis à jour quotidiennement, apparemment de manière automatique :
 

cliquez pour agrandir
On voit que le trafic vélo était important en janvier, moment de grève à la RATP et à la SNCF contre la réforme des retraites. On peut constater la sévérité du confinement, qui réduit à presque rien la circulation à deux roues. Une légère tendance à la hausse s’observe entre fin mars et fin avril.

Les voitures (et les camions, les bus…) sont comptées elles aussi. Mais le fichier n’est mis à jour que mensuellement. Le graphique ci-dessous (que je mettrai peut-être à jour plus tard) s’arrête donc début avril [Il est maintenant mis à jour]. Là aussi l’ordre de confinement a fait chuter la circulation motorisée, à Paris : le maximum du trafic routier de jour n’atteint pas le minimum du trafic de nuit.
 

cliquez pour agrandir

Il en va de même pour le volume des données échangées sur le réseau wifi public de Paris. Sans pouvoir se rendre en bibliothèque ou dans un lieu public municipal, ce réseau est inaccessible (sauf aux personnes qui habitent juste à côté de la bibliothèque et qui peuvent se connecter). Là aussi, le fichier est mis à jour mensuellement. On ne repère donc ici que les débuts du confinement. [Mis à jour : on a maintenant les données jusqu’à début mai 2020]
 

cliquez pour agrandir

 
Tout ça a-t-il fait chuter la pollution ? Moins que ce que je pensais. Les capteurs d’AirParif (le réseau de surveillance de la pollution en Ile de France) continuent de sniffer du NOX :
 

cliquez pour agrandir

Dans le cadre de l’épidémie de covid19, l’INSEE a décidé de publier, chaque semaine, le nombre de décès quotidien des semaines précédentes, avec une partie des informations que l’on trouve dans le Fichier des personnes décédées, récemment déposé sur data.gouv.
Ces informations, publiées quasiment en « temps réel », permettent de visualiser la hausse de la mortalité en mars-avril 2020 par rapport aux années précédentes.
Le graphique suivant représente le nombre de décès quotidiens de 2001 à 2019 (en grisé) et le nombre de décès en 2020 (en rouge). En règle générale, le nombre de décès est élevé l’hiver, diminue régulièrement jusque vers juillet-août, pour ré-augmenter à l’automne. Les décès causés par la vague de chaleur de 2003 sont particulièrement visibles : pendant trois semaines, les décès avaient été bien plus nombreux que la moyenne, et pendant une dizaine de jours supérieurs au maximum des années 2001-2019.
Comme on peut le constater aussi, l’année 2020 avait commencé comme une année on ne peut plus normale : les décès quotidiens se trouvaient très proches de la moyenne.

cliquez pour agrandir

Ce graphique permet déjà de se faire une idée de l’importance de la pandémie : à partir de début mars 2020 et pendant un mois, la courbe de l’année (en rouge) s’écarte de la moyenne. À partir de début avril, un peu plus de deux semaines après le début du Confinement, le nombre de décès commence à diminuer. On constate la rapidité et la brutalité de l’augmentation au regard des autres épisodes épidémiques. Car on peut aussi mettre en lumière des épisodes de grippe particulièrement meurtriers au cours des années récentes, comme en 2015, 2017 et 2018, quand la courbe des décès quotidiens s’écarte, pendant plusieurs semaines, de la courbe moyenne. [Même s’il faudrait tenir compte de l’augmentation de la population française : il y a bien plus de résidents en 2018 (65 millions) qu’en 2001 (60 millions).] Tous ces décès “en plus” n’ont pas pour origine des grippes, mais, comme l’illustre Arthur Charpentier, ces données permettent d’estimer la surmortalité.

cliquez pour agrandir

On peut aller un peu plus loin, au risque de rendre le graphique moins clair. Tout d’abord on peut prendre en considération la sous-estimation du nombre de décès, dans les chiffres publiés par l’INSEE en « temps réel » : les chiffre publiés en “semaine 1” sont révisés à la hausse en “semaine 2”, et encore en “semaine 3”. Dans le graphique, il est donc très probable que le nombre de décès entre les 7 et 14 avril 2020, publié aujourd’hui, soit revu à la hausse la semaine prochaine : je vais m’appuyer sur les révisions passées pour estimer un nombre définitif. Dans le graphique suivant donc, le nombre de décès estimé — toutes causes de décès confondues — est en rouge pointillé.
On dispose aussi des décès suite à la covid19 recensés par les hôpitaux et les établissements d’hébergement pour personnes âgées dépendantes (Ehpad) : le nombre de ces décès est publié chaque jour, et on peut les récupérer sur le site de l’European Centre for Disease Prevention and Control, ce qui peut nous indiquer la tendance entre le 15 et le 24 avril 2020. Ces données (lissées par une moyenne mobile hebdomadaire) sont représentées en vert sur le graphique suivant. On constate un décalage : les chiffres hospitaliers sont publiés rapidement, ceux des Ehpad plus lentement, avec plusieurs jours de décalage.

cliquez pour agrandir

Au final, il y a eu, en mars et jusqu’au 24 avril 2020, plus de 29 300 décès en plus de la moyenne (mais comme c’est une moyenne bi-décennale, elle prend en compte des populations moins nombreuses).

Le premier tour des élections municipales s’est déroulé dans un contexte de pandémie, qui n’a pas incité à la participation électorale. Le taux d’abstention en 2020 est donc beaucoup plus élevé que le taux d’abstention observé en 2014, comme les deux cartes suivantes permettent de le voir :

cliquez pour agrandir

En prenant la même discrétisation (le même découpage de couleurs) on remarque que l’abstention augmente de manière globale : tout se décale vers le rouge et les zones participationnistes, bleu-foncées, disparaissent. La géographie générale n’est pas bouleversée : ce sont bien dans les quartiers d’habitat populaire, à Paris, que l’abstention reste la plus élevée, en 2014 comme en 2020. Mais la hausse de l’abstention n’est quand même pas semblable partout.

La carte suivante montre le différentiel entre 2014 et 2020 : plus la couleur est sombre, plus la hause de l’abstention a été forte. J’ai été confronté à un petit problème : les frontières des bureaux de vote ont changé entre 2014 et 2020. Certains bureaux ont été scindés en plusieurs bureaux (une trentaine), d’autres ont vu leurs bordure se décaler d’une rue ici, d’un pâté de maison là. J’ai préféré donc passer à un carroyage. J’ai découpé Paris en 2800 petites zones et j’ai affecté à ces zones une moyenne interpolée de l’abstention en 2014, de l’abstention en 2020 puis j’ai calculé la différence.

C’est surtout dans le sud de Paris (bas du 16e, 15e, 14e, 13e, 5e et 12e) que la hausse de l’abstention a été élevée.

Mais est-il possible de savoir un peu plus précisément qui s’est abstenu ? Peut-être les plus âgés, particulièrement soumis à un risque de développer les formes graves de Covid19. Je vais m’appuyer sur la composition par âge des bureaux de vote pour explorer la relation entre classes d’âge et abstention.

Les graphiques suivants comparent les bureaux de vote de 2014 et ceux de 2020 (sans essayer de s’assurer de la correspondance des frontières, avec tous les problèmes que cela pose donc). On peut voir que dans les bureaux de votes où la proportion de plus de 53 ans est élevée (les deux derniers panels), alors la hausse de l’abstention est, en tendance, plus élevée que dans les bureaux où ces plus de 53 ans sont en proportion plus faible. Mais il s’agit de corrélation écologique : on ne peut pas savoir si ce sont les personnes âgées des bureaux où il y a relativement plus de personnes âgées qui se sont abstenues, ou si ce sont les plus jeunes des bureaux “âgés” qui se sont abstenus… et les différences sont faibles.

Dans certaines professions, la proportion d’immigrés est très faible. C’est le cas, par exemple, de ce qui concerne la fonction publique. Dans d’autres, la proportion est bien plus élevée : les traducteurs et interprètes sont souvent «nés étrangers à l’étranger». Entre 2006 et aujourd’hui, la proportion d’immigrés dans la population active employée a eu tendance à augmenter, mais pas partout de la même manière.

Il faut vraiment cliquer pour agrandir et lire le graphique

La proportion d’immigrés est passée de 29% à 37% pour les nettoyeurs (PCS 684A). Elle a aussi augmenté de manière significative pour les employés de l’hôtellerie, le clergé séculier, les chercheurs de la recherche publique, certains ingénieurs. Au contraire, elle a diminué pour certains artisans (chaudronnier, “des services”), pour les “auteurs littéraires et scénaristes”, … Les professions qui comptaient une proportion importante d’immigrés (et d’immigrées) en 2006 ont vu la part des immigrés augmenter plus que la moyenne : cet écart se repère par la couleur du point : plus la couleur est bleu-foncé plus l’écart à la tendance moyenne est important (à la baisse), et le contraire quand le rouge est intense.
Dans le graphique je n’ai pas tracé les points des toutes petites professions (quand moins de 250 personnes ont été recensées).

Mourir, ça semble être une activité sociale comme une autre. Avec les petits problèmes posés par les difficultés à interroger les personnes ayant accompli cette activité.
On ne meurt donc pas tout à fait au même moment suivant l’âge et la période :

cliquez pour agrandir

Alors certes, sur le graphique précédent, les demi-savants vont me dire “l’axe des ordonnées ne commence pas à zéro”, et cette visualisation laisse croire à des écarts plus importants qu’en réalité. Mais certaines tendances sont intéressantes : mis à part entre 10 et 39 ans, on meurt moins le week-end qu’en semaine, parce qu’on meurt aujourd’hui “à l’heure de l’hôpital”. On meurt le week-end quand on meurt d’un accident de voiture, mais les politiques visant à réduire l’alcoolisme au volant semblent, depuis les années 1970, avoir une certaine efficacité… au sens où la distribution s’égalise dans la semaine.

Si, au lieu de s’intéresser à la base des décès, on s’intéresse à la base des accidents de la circulation (qui recense les personnes décédées mais aussi les personnes blessées ou non), on peut aussi distinguer des variations suivant l’heure de l’accident.

cliquez pour agrandir

L’âge moyen des personnes accidentées varie de 30 ans vers 3 heures du matin (les vieux dorment, à cette heure là) à 46 ans vers 10 heures du matin (les jeunes sont occupés, à l’école ou au travail). Et si l’on distinguait par jour de la semaine, on verrait que l’âge moyen passe nettement sous les 30 ans dans la nuit du vendredi au samedi, et du samedi au dimanche.

Sources : Fichier des personnes décédées (sur data.gouv.fr) et Base de données accidents corporels de la circulation (aussi sur data.gouv.fr). Code R sur Github

Entre 2015 et 2020, environ 11000 postes d’enseignants-chercheurs ont été ouverts au recrutement (dans ce qu’on appelle la “session synchronisée”). Une partie de ces recrutements, environ 2000, sont des postes multidisciplinaires. Les universités cherchent par exemple à recruter un.e anthropologue qui soit aussi spécialiste d’histoire ancienne. Ou un.e géographe urbaniste. En gros, la multidisciplinarité concerne 20% des recrutements, ce qui semble assurer à la fois l’existence des disciplines et l’exigence de transferts entre disciplines.

Bien entendu ces postes multidisciplinaires sont rarement des postes de “littérature française et science du médicament” ou d'”urbanisme et astrophysique”. On peut alors mettre en lumière les proximités disciplinaires. Dans le graphique suivant, les lignes indiquent des postes ouverts dans deux sections. Il y a ‘beaucoup’ de postes qui sont “Mathématiques et Mathématiques appliquées” ou “Géologie et géodynamique”, ou “Géographie et urbanisme”, quelques uns en “psychologie et neuroscience” ou entre économie et gestion. La taille des points dépend du nombre total de postes ouverts entre 2015 et 2020 (que les postes soient monodisciplinaires ou pluridisciplinaires).

cliquez pour agrandir

Il peut y avoir des choses bizarres : comme dans tout fichier administratif, parfois, un “17” devient un “71” et un “11” devient un “1” suite à des coquilles. Cela pourrait expliquer les liens entre “Science de l’éducation” et “Milieux denses”, qui me semblent étranges. [Vérification faite, ce n’est pas étrange, ce sont des postes dont le profil indique “Didactique des sciences”.]

Les couleurs, issue d’un algorithme de recherche de communautés, placent ensemble des disciplines qui ont plutôt tendance à partager des postes entre elles plus qu’avec les autres.

L’homogamie, ou le fait d’épouser (ou d’être en couple) avec quelqu’un de socialement proche, est fréquente. Un bon nombre d’enseignant.e.s sont en couple avec des enseignant.e.s. Idem avec les ingénieur.e.s, ou les avocat.e.s. Mais parfois, les couples sont formés de personnes occupant des professions proches, mais différentes.
Le graphique suivant considère qu’il y a un lien entre deux professions (dans des couples composés de personnes de sexes différents) quand le couple est bien plus fréquent que ce que l’on observerait si les couples se composaient de personnes sélectionnées au hasard dans l’espace social. Et j’ai différencié les couples non mariés des couples mariés.

cliquez pour agrandir

Explorons quelques coins de l’espace ainsi dessiné :

On a ici un monde d’employés de la restauration et de mécanicien.

Et un autre morceau de l’espace, juste en dessous : le monde de l’alimentation, de l’hotellerie et des magasins.

On terminera par un monde de la fonction publique : agents des impots, magistrature… allié au monde médical.

Celles et ceux qui souhaitent explorer peuvent chercher les professions “pivot”, celles qui font le lien entre un monde et un autre.

Qu’ai-je du faire pour tracer cette carte, que l’on trouve dans le billet écrit avec Lucie Bargel et intitulé « À la campagne, la victoire est en ville », sur le blog Terrains de campagne

D’abord, que représente-t-elle ? Les zones où il y a plus d’inscrit.e.s sur les listes électorales que de résident.e.s français.es majeur.e.s.

Il faut d’abord récupérer les résultats électoraux à l’échelle des communes. Par exemple, les résultats de la présidentielle de 2012. Ces listes indiquent, pour chaque commune, combien il y a d’inscrits sur les listes, ce qui est essentiel pour pouvoir calculer, par exemple, un taux d’abstention.
Il faut ensuite récupérer les Fichiers détails du recensement 2012 (fichier « individus localisés au canton-ou-ville »), car ces fichiers permettent de sélectionner les Français majeurs (les individus recensés, de nationalité française, et âgés de 18 ans ou plus en 2012). Les résultats du recensement agrégés à l’échelle des communes, que l’on trouve facilement sans avoir de calcul à faire n’indiquent pas si les personnes majeures sont de nationalité française.
Et on rapproche les deux bases : Inscrits et Résidents.
Mais : la géographie du recensement de l’année N est celle de l’année N+2. Par exemple, si la commune de Triffoulli a été fusionnée avec la commune des Oies en 2012 ou 2013, les résultats du recensement sont diffusés pour la nouvelle commune de Triffoulli – Les Oies.
Il faut donc faire passer la base Inscrits de la géographie 2012 à la géographie 2014.
De plus, les résultats du recensement sont diffusés non pas toujours à l’échelle des communes, mais à celle du “Canton-ou-Ville” (à la géographie N+2). Il faut donc associer à chaque commune du fichier des Inscrits le Canton-ou-Ville dans lequel elle se trouve.
Et là, on peut faire la jointure des deux bases et calculer un ratio Inscrits/Résidents-français-majeurs.

Et ça ne suffit pas : il faut aussi transformer le fonds de carte “Geofla communes” (2014) en fusionnant les polygones des communes qui appartiennent aux mêmes “cantons-ou-villes”. Maintenant, on peut associer le ratio calculé précédemment à la carte.

La carte que l’on ferait pour l’année 2012 révèlerait une géographie intéressante. La sur-inscription est fréquente dans les petites villes de plateau et de montagne, et dans une série de villages du littoral. Mais… les enquêtes annuelles de recensement ont lieu tous les cinq ans, avec une méthode particulière pour les petites villes. Est-ce que la carte ne serait pas une illusion ?
C’est pour cela que j’ai souhaité m’assurer de la stabilité de cette géographie sur plusieurs années, plusieurs recensements, des élections différentes. La distribution géographique est stable. Il reste à l’analyser.

Pour aller plus loin : « À la campagne, la victoire est en ville », sur le blog Terrains de campagne