Categories

Archives

Archives de la catégorie : 'cartographie'

L’évolution de l’abstention à Paris, 2014-2020

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.

Qui épouse qui ?

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.

Les dessous d’une carte

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

Marquée dans sa chair

Les données du recensement (Fichier détail “Logements ordinaires”) indiquent la date de construction des logements. On peut ainsi indiquer, sur une carte, la proportion des logements qui datent d’avant 1919.


cliquez pour agrandir

100 ans après la Première Guerre mondiale, les traces des destructions sont visibles dans le paysage, sous la forme de constructions neuves. Ci dessous la carte des zones détruites :

Source : wikipedia

Le taux de suicide départemental en France, 1827 – 2012

Le taux de suicide s’exprime en nombre de décès par 100 000 individus. Pour calculer ce taux (brut) à l’échelle des départements de la France métropolitaine, il faut donc à la fois le nombre de suicides et la population du département.
En France, on dispose, grâce au Compte général de l’administration de la justice criminelle, du nombre de suicides par départements depuis 1827, jusque 1931. Il faut juste tout recopier, à la main, dans un tableau. Ce sont des statistiques judiciaires, qui contiennent aussi une partie des tentatives de suicide connues de la justice.
On dispose aussi, depuis 1906, de statistiques dites “sanitaires”, issues des certificats de décès. Depuis 1968, c’est l’INSERM qui s’en occupe.
Mais il y a des trous : en raison des guerres, en raison de problèmes administratifs, certaines années ne sont pas disponibles. Ainsi on ne connait pas le nombre de suicides à Paris en 1870. On ne sait pas ce qui se passe en Alsace entre 1919 et 1925…
La population départementale est connue précisément à partir des recensements : mais ces recensements, jusqu’au début des années 2000, étaient réalisés tous les 5 ou 10 ans.
Pour produire l’animation, j’ai donc du extrapoler, imputer et lisser les données. Quelle est donc la population de l’Ariège en 1863 ? Si on connaît la population de 1861 et celle de 1865, on peut se dire que c’est entre les deux. L’effet des guerres, qui font chuter le taux de suicide, n’est pas visible ici : les cartes, trop lissées, font comme si rien n’avait eu lieu. Parfois, dans des départements à la population réduite, une poignée de suicides en plus (ou en moins) fait brutalement augmenter (ou chuter) le taux à un moment, sans que cette hausse se poursuive les années suivantes : je lisse donc les pics de la courbe.
L’ensemble permet de rendre visible l’augmentation du taux de suicide au XIXe siècle, que ce taux soit le reflet d’une augmentation de la fréquence réelle des suicide ou celui d’une plus grande attention administrative portée à l’identification des suicides. On repère aussi bien l’augmentation qui a lieu à partir du milieu des années 1970 et le reflux à partir de la fin des années 1980.

Anamorphoses cartographiques

Les bureaux de vote parisiens regroupent un nombre presque identique d’électeurs sur une surface approximativement de même taille. Mais le nombre d’inscrits varie de 1 à 2 et la surface varie aussi beaucoup.
La carte suivante, qui illustre où le vote Fillon fut fréquent à Paris, est donc trompeuse (comme toutes les cartes).

Trompeuse, parce qu’une bonne partie des bureaux où Fillon fait un score élevé sont des bureaux de grande surface et où relativement peu d’électeurs sont inscrits.
Il est possible de transformer la surface de chaque bureau afin que cette surface soit proportionnelle au nombre d’électeurs inscrits. La carte suivante illustre cette transformation par anamorphose :

Le huitième arrondissement disparaît presque entièrement, et le dix-huitième voit sa surface augmenter.

Pour celles que cela intéresserait, j’ai mis le code sur github.

Les différences entre les deux formes de cartes sont bien plus apparentes si l’on s’intéresse aux communes d’Île de France, car certaines (comme le 15e arrondissement) sont très peuplées alors que d’autres (en Seine et Marne par exemple) sont presque vides.

L’écart d’âge entre conjoints

En France, l’écart d’âge entre conjoints (de sexes différents) est de 2 ans et demi. En moyenne, dans un couple, l’homme est 2,5 ans plus âgé que la femme.
Mais il y a une géographie de cet écart d’âge. En France métropolitaine, voici ce que cela donne, à partir du “Fichier détail individu” du Recensement 2014. L’intérêt du Fichier détail du recensement, c’est de pouvoir travailler sur près de 4,5 millions de couples (effectif non pondéré). Les zones sous la moyenne sont en bleu, les zones au dessus de la moyenne sont en rouge.

Du bassin minier au nord à la Charente, l’écart d’âge est faible. Dans le centre et en Corse, il a tendance à être plus élevé. Même chose en région parisienne et particulièrement en Seine Saint-Denis. On pourrait certainement trouver une explication culturaliste ou matérialiste : France du partage égalitaire et des petites fortunes à l’Ouest, formes d’héritages autrement constituées au Centre. Clanisme corse ? Mais il y a, pour un sociologue, d’autres explications.
On sait, par exemple, que l’écart d’âge est plus important pour les couples âgés que pour les jeunes couples. Il se pourrait donc que les variations de l’écart d’âge soient dûes au fait qu’à certains endroits de France habitent surtout des couples jeunes, et qu’à d’autres endroits, des couples plus âgés résident.
Dans la carte suivante, je “contrôle” par l’âge moyen du couple (c’est à dire la moyenne de l’âge de chaque conjoint), au niveau individuel. Puis je trace la carte des écarts par rapport à cette moyenne. Par exemple, dans les couples dont l’âge moyen est 35 ans, l’écart d’âge moyen est de 2,5 ans. Si l’écart constaté pour le couple n° 2 542 447 est de 3 ans, alors je considère qu’il est 0,5 an plus âgé (c’est le “résidu”). La carte suivante représente donc la moyenne des résidus par zone.

Ce contrôle par l’âge n’a pas tendance à atténuer les différences entre zones. Il semble avoir peu d’effet.
On va alors contrôler par la catégorie socio-professionnelle : car les femmes cadres ont des goûts en matière d’hommes que n’ont pas les femmes ouvrières ou agricultrices. De fait, les couples “cadres-cadres” ont un écart d’âge plus faible que les couples “ouvriers-ouvrières”. Et il se pourrait donc que les écarts d’âge moyens par zone soient dûs à la composition socioprofessionnelle de ces zones.
La carte suivante montre, par l’éclaircissement des coloris, que, en effet, le contrôle par la CS réduit les écarts. Une bonne partie des zones “très rouges” ou “très bleues” étaient de cette couleur en raison de la composition sociale.

Mais on sait aussi que les personnes qui ont un diplôme du supérieur n’ont pas les mêmes choix que les personnes qui n’ont pas de diplôme. On contrôle alors par ce niveau de diplôme. Là encore, on voit un effet :

Enfin il semble y avoir toujours une zone rouge en Seine Saint-Denis. L’on sait que c’est le département où la proportion d’immigrés est la plus importante, en France. Or les immigrés (c’est à dire les personnes nées étrangères à l’étranger) ont pu se marier avant d’arriver en France. De fait l’écart d’âge dans les couples immigrés est plus élevé (peut-être en raison d’un effet de sélection lors de la migration, peut-être en raison de la composition socioprofessionnelle de ce groupe). On va donc contrôler par l’âge moyen du couple, la CS des conjoints, le diplôme des conjoints et le fait d’être immigré ou non-immigré.
La carte s’éclaircit et “jaunit”, car de nombreuses zones bleues deviennent jaunes clair : il n’y a presque plus de différences entre régions françaises si la structure de la population est prise en compte. Quelques mois d’écart tout au plus.

Reste le cas de la Corse. Il y a visiblement, là, un goût pour l’écart d’âge qui ne s’explique pas par les variables utilisées ici.

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, mobilisation

Au premier tour des régionales de 2015, 10578 Parisiennes et Parisiens ont votés par procuration (ils ont du trouver environ 10500 électeurs pour voter à leur place). Au second tour, ce sont 18104 personnes qui ont voté par procuration à Paris. Presque le double. Et comme il faut un nombre équivalent de personnes mandatées pour mettre le bulletin dans l’urne, ce sont environ 36 000 votes qui sont concernés par la procuration.
Cette augmentation des votes par procuration entre les deux tours ne sont pas réparties aléatoirement sur l’espace parisien. C’est surtout dans les bureaux de votes qui avaient déjà vu un grand nombre de procurations au premier tour que l’augmentation est la plus forte, mais on repère aussi que dans les arrondissement de l’Ouest (8e, 17e, 16e) le recours à la procuration avait été faible au premier tour, il est fort au second tour.
procurationsparisdiffreg2015