Categories

Archives

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()

Lissage

Confronté à une carte de la France à l’échelon communal, on peut avoir parfois envie de calculer une moyenne prenant en compte plusieurs communes. En effet, il y a énormément de communes très petites, pour lesquelles un individu de plus ou de moins peut conduire à des taux différents. On peut passer de suite à l’échelle départementale (comme je le fais ici), mais on perd en finesse.

Par exemple, si je dresse la carte du ratio “Inscrits/résidents”, je me retrouve avec une carte qui semble stochastique. Il peut être intéressant de calculer non plus ce ratio pour une commune, mais pour le groupe des N communes les plus proches. Le GIF-animé, ci dessous, montre ce qu’il advient de cette carte quand on augmente le nombre de voisins (ici entre 1 et 32).
lissage-bargel
On voit apparaître plus clairement des zones où les inscrits sont plus nombreux que les résidents majeurs et des zones où, au contraire, les inscrits sont beaucoup moins nombreux que les résidents (à la fois parce que celles et ceux qui y résident sont inscrits ailleurs ou parce que ces résident.e.s n’ont pas le droit de vote en France).

Avec le logiciel R, voici les instructions qui permettent, à partir du fichier GEOFLA des communes (ici “france”), de déterminer les k plus proches communes voisines.

library(spdep) # package à charger : spdep
france.cntr<-cbind(france$X_CENTROID,france$Y_CENTROID) # on extrait les centroides des communes
k <- 8 # nombre de voisins à extraire
nn <- knearneigh(france.cntr, k, longlat=FALSE)
france.neighbors.knn <- knn2nb(nn)
df<-do.call(rbind.data.frame, france.neighbors.knn) # df est le data.frame contenant, pour chaque colonne i, l'indice des voisins d'ordre i 

 
Pour aller plus loin et mieux comprendre l’Effet Bargel .

Les particules électorales

Les fichiers nominatifs des candidatures aux élections locales, en France, permettent de repérer des candidates et des candidats portant des “noms à particule”, que j’appelle des “nobles” (même si, je sais…).
J’avais exploré, il y a quelques années, les noms des candidates à la députation. Est-ce que le gradient politique repéré alors (plus de nobles à droite qu’à gauche) est aussi visible lors des départementales ?

Le tableau suivant synthétise les données. Je n’ai enlevé que les “Autres Extrême Droite” qui n’étaient pas nombreux. Là encore, “Monsieur de Puypeu” et “Madame de Horan” sont plus présents à droite qu’à gauche. Le MoDem, présidé par un admirateur d’Henri IV, le FN, qui possède une branche royaliste maurassienne et “Debout la France” (qui n’est pas le groupuscule présidé par Philippe de Villiers, mais qui est un autre groupe à la droite de la droite présidé par Nicolas Dupont-Aignan). Mes nobles de gauche sont, assez souvent, des De Almeida ou des De Souza dont je n’ai pas trouvé la trace dans le Bottin Mondain.

Départementales 2015 Nb Manants NB Particule % Nobles
PartiGauche 176 0 0
Régionalistes 185 0 0
DVG 1736 3 0,17
FrontGauche 1029 5 0,48
SOC 2423 13 0,53
RadicalGauche 172 1 0,58
PCF 1502 9 0,6
DIV 465 4 0,85
EELV 1064 11 1,02
ExtremeGauche 81 1 1,22
UDI 790 12 1,5
DVD 2174 37 1,67
UMP 1821 32 1,73
DeboutLaFrance 283 6 2,08
FN 3727 96 2,51
MoDEM 224 6 2,61
Ecologistes(Autres) 68 2 2,86

Le gradient politique est maintenu.
Si l’on examine maintenant les 933 000 candidatures aux élections municipales de 2014, nous voilà confrontés à un petit problème. Nombreuses, très nombreuses sont les listes sans affiliation politique. Impossible de produire aussi rapidement la même analyse.
Mais il est possible de repérer l’inégale répartition, sur le territoire métropolitain, des descendants du Second Ordre. Il y a une géographie locale de la noblesse et il est aussi possible de repérer que le Diocèse de Paris compte un bon nombre de prêtres à particule. De la même manière, Paris attire la noblesse. 2,7% des candidats, à Paris, portent une particule, et ce n’est le cas que de 0,3% des candidats du Bas Rhin (j’avoue ne pas avoir considéré les von Kälkechoz comme des nobles). À Versailles même, les candidats à particule représentent plus de 11% de l’ensemble des candidats aux municipales.
noblescandidats-municipales-carte

Voici le TOP 14 des communes de plus de 50 000 habitants ayant la proportion la plus importante de candidats à particule :

Versailles 11,6
Paris 7eme secteur 11,1
Neuilly-sur-Seine 5,6
Paris 16eme secteur 4,8
Paris 5eme secteur 4,5
Paris 15eme secteur 3,9
Vannes 3,8
Colombes 3,3
Asnières-sur-Seine 3,2
Annecy 3,1
Sartrouville 3,0
Saint-Maur-des-Fossés 2,6
Nantes 2,6
Boulogne-Billancourt 2,5

Il serait sans doute plus utile de travailler à partir de la liste des quelques 3000 noms de famille que l’on trouve dans les annuaires de la “véritable” noblesse, et de distinguer ainsi, parmi les particules, les prétendues et les autres.

Municipales 2014 NbManants NbNobles %Nobles
Communistes 4657 21 0,449
PartiGauche 1817 9 0,493
ExtremeGauche 12743 66 0,515
DiversGauche 107871 634 0,584
PartiSocialiste 29122 182 0,621
FrontGauche 13648 91 0,662
MoDem 2829 19 0,667
UnionGauche 30156 212 0,698
UDI 13308 109 0,812
SansEtiq 403005 3339 0,822
Divers 85958 717 0,827
Verts 5288 46 0,862
DiversDroite 147551 1465 0,983
UMP 22784 262 1,137
UnionCentre 2346 31 1,304
FrontNational 19906 285 1,412
UnionDroite 20839 304 1,438
ExtremeDroite 760 15 1,935

Un dernier graphique : dans les communes où l’on trouve peu de nobles sur les listes de candidats tout comme dans les communes dans lesquelles on trouve beaucoup de nobles sur les listes, le gradient politique est maintenu. Les partis situés à gauche rechignent à la particule.
nobles-listes-municipales

Si l’on s’intéresse aux professions des élus, on retrouvera un gradient social. 4% des élus municipaux qui sont “magistrats” sont nobles. Ce n’est le cas que de 0,2% des élus qui sont “agents subalternes des entreprises publiques”.

Professions % Nobles
Magistrat 4,07
Propriétaire 3,48
Conseiller juridique 3,28
Administrateur de sociétés 3,06
Avocat 2,95
Grands corps de l’état 2,77
Notaire 2,11
Homme de lettres et Artiste 1,90
Agent d’assurances 1,81
Journaliste et autre média 1,76
Marin (patron) 1,72
Agent immobilier 1,69
Industriel-Chef entreprise 1,68
Cadre supérieur (secteur privé) 1,63
Vétérinaire 1,58
Ingénieur conseil 1,44
…[coupure]… …///…
Salarié agricole 0,50
Employé (autres entrep. publiques) 0,50
Retraité de l’enseignement 0,49
Ouvrier (secteur privé) 0,48
Fonctionnaire de catégorie C 0,45
Retraité des entreprises publiques 0,42
Agent subalterne (entr.publiques) 0,20
Source : Fichier des élus municipaux. Calculs B. Coulmont
Licence ODbL © IdeesLibres.org 04/2014, Ministère de l’Intérieur 03/2014
Est « Noble » tout porteur de nom à particule

D’autres documents s’avèrent intéressants : par exemple la liste des parrainages aux présidentielles. Les particules, là encore, sont inégalement réparties entre les candidats. 13% des parrains de Christine Boutin — située à la droite de la droite catholique — portent une particule. Ce n’est le cas que de 0,2% des parrains de Robert Hue, qui se présentait sous l’étiquette du Parti Communiste.

Candidat %Nobles
Christine Boutin 13,2
Philippe de Villiers 6,7
Jean-Marie Le Pen 5,1
Edouard Balladur 4,2
Alain Madelin 2,8
Nicolas Sarkozy 2,4
Jacques Chirac 1,9
Jacques Cheminade 1,8
François Bayrou 1,7
Frédéric Nihous 1,6
Jean Saint-Josse 1,6
Brunot Mégret 1,4
Lionel Jospin 1,2
Ségolène Royal 1,2
Corinne Lepage 1
Daniel Gluckstein 1
Arlette Laguiller 0,6
José Bové 0,6
Olivier Besancenot 0,5
Christiane Taubira 0,4
Marie-George Buffet 0,4
Dominique Voynet 0,2
Gérard Schivardi 0,2
Noël Mamère 0,2
Robert Hue 0,2
Jean-Pierre Chevènement 0

La France des spécialités agricoles

La France, c’est le pays des fromages, des agneaux, des miels, des vins, du cresson, etc… et depuis longtemps, ces productions font l’objet de protection diverses. Attention à ne pas produire de Camembert à Roquefort, ou de Champagne à Brie.
Deux bases produites par l’INAO (l’Institut national de l’origine et de la qualité), portant sur les aires géographique des AOC-AOP et des IGP, nous donnent un aperçu des France agricoles, si l’on relie ces bases au fichier des communes de l’IGN.
J’ai combiné ces deux fichiers pour cartographier, pour chaque commune de France métropolitaine, le nombre cumulé d’IGP et d’AOC/AOP. Le Nord de Paris est plutôt vide : est-ce parce que le blé et les betteraves n’ont ni AOC ni IGP, ni appellation d’origine, ni indication géographique protégée? Il apparaît en grisé (voir note). Certaines communes sont le lieu de plus d’une dizaine d’AOC/IGP : on y produit vins, fromages, boeufs, cresson, oies, bergamotes, miels, rillettes et saucisses, toutes plus authentiques les unes que les autres.
La France industrielle et minière y apparaît en vert : le charbon du Nord n’a pas d’AOC, l’acier de Lorraine non plus. Et le porc de Bretagne a sans doute tout eclipsé.

france-aoc-igp
cliquez pour agrandir

La victoire revient à la petite commune de Chassagne-Montrachet en Côte d’Or, lieu de 73 AOC/AOP et IGP (principalement du vin).

Note : J’ai choisi le grisé, car les bases n’indiquent pas “zéro” IGP dans ces communes. Elles n’apparaissent simplement pas dans les bases de l’INAO. Probablement parce que c’est “zéro”, mais on ne traite pas des “vides” comme des “zéros”, si ?

Le Suicide en 1890

Le Compte général de l’administration de la justice criminelle donne, pour le XIXe siècle, le nombre annuel de suicides par département. En combinant ces chiffres avec ceux des recensements, il est possible de cartographier les zones suicidogènes et les zones protégées.
Ainsi, en 1890, le taux des suicides variait, dans les départements de France métropolitaine, entre 46 suicide par millions d’habitant et 556 suicides par million.
suicide-1890
Les recensements sont disponibles sur le site de l’INSEE à partir de 1851 et jusqu’en 1921.
Il me semble que le Compte général de la justice n’a malheureusement pas été transformé en fichier utilisable directement. On les trouve sur gallica.bnf.fr mais sous la forme de copies numériques. Il faut donc faire un petit travail de copie.
Le “Compte général de la justice” a de nombreuses informations sur les suicides : nombre annuel par département, différencié selon les hommes et les femmes, par tranche d’âge, par état civil (marié, veuf, avec ou sans enfants…) On a aussi des informations sur le lieu du suicide, sur le mode de suicide :
suicide-1890-mode
Nous disposons aussi de la répartition mensuelle et des professions des suicidés, croisées avec le “motif présumé” (la “grossesse hors mariage” est le motif principal des suicides des “domestiques”).
La transposition de ces informations en base de données utilisables sera probablement un des exercices que je donnerai dans le cadre du cours que je vais donner sur Le Suicide de Durkheim… si, véritablement, on ne trouve pas de fichier déjà disponible.

Jeunes électeurs, vieux électeurs, à Paris

Toujours en partant des listes électorales, voici une estimation rapide de la densité de jeunes électeurs et électrices (de moins de 20 ans) et de la densité des séniors parmi les seniors, les électrices de plus de 91 ans (il y a moins d’électeurs, à cet âge). Des courbes de niveaux indiquent les zones de densité moyenne équivalente.
jeunes-vieux
Cliquer pour agrandir

L’image est parlante : la densité de jeunes électeurs est importante dans les quartiers populaires, et celle des super-seniors dans des quartiers plus bourgeois. Mais l’indicateur est imparfait. Les zones peu peuplées (8e arrondissement, par exemple) contiennent par définition peu d’électeurs, mais ne contiennent-elles pas plus de vieux électeurs que de jeunes électeurs ?
Ainsi une carte qui s’intéresserait à la proportion de jeunes électeurs (ou de vieux électeurs) parmi l’ensemble des électeurs donnerait une image un peu différente de Paris.

Paris, ville monde

Les listes électorales parisiennes (1,2 millions d’individus) renseignent sur le pays de naissance des électeurs parisiens. Une partie d’entre eux est née à l’étranger. Plus de 6000 au Viet Nam, un peu plus de 5000 au Liban, etc… On compte même un (ou une) électeur(e) né(e) au Vatican, ou plutôt ayant déclaré être né(e) au Vatican.
Ces électeurs sont peut-être “nés étrangers à l’étranger”, mais ils sont peut-être “nés français à l’étranger”. Mais l’étranger n’est pas toujours l’étranger : l’Algérie fut un moment des départements français, et les Algériens furent eux-aussi un moment des électeurs français. Et les pays changent de nom : où donc ont bien pu naître les électeurs français nés en “U R S S” ? Plus de 200 pays apparaissent dans ces listes : Paris est bien une ville-monde.
Mais il y a des mondes différents dans cette ville-monde.
Prenons donc les électeurs nés dans quelques pays choisis et examinons la dispersion spatiale de ces électeurs. J’ai superposé aux cartes des courbes de niveau qui donnent une idée imparfaite de la densité.
mondes-paris
L’on distingue bien des zones préférentielles : le Nord-Est parisien populaire, le Sud-Est du 14e arrondissement. Les électeurs et électrices nés au Liban ont ici une répartition bien spécifique : ils ont choisi le Paris du Sud-Ouest, 16e et 15e arrondissement. Reste à comprendre pourquoi…
Les électeurs nés aux États-Unis d’Amérique, eux, sont d’abord peu nombreux, mais aussi peu concentrés. Ils évitent visiblement le Paris populaire pour préférer le Paris touristique ou bourgeois.
La localisation a été réalisée grâce aux données du “projet BANO“, mais les coordonnées des points ont été légèrement modifiées. Note sur la lecture enfin : ce n’est pas parce qu’une zone est toute orange ou toute rose que les électeurs y résidant seraient majoritairement nés à l’étranger.

À pied, en voiture, à cheval ou en métro ?

Comment se déplacent les Franciliens pour aller au travail ?
Voici une petite exploration à partir des données du recensement 2010 (disponibles sur le site de l’INSEE). Il y a trois possibilités : à pied, en voiture, ou en transport en commun. L’occasion de faire une analyse “ternaire”. Ici, le vert-vert signifie le recours à la voiture, le bleu le recours aux transports en commun, et plus cela tend vers le rouge, plus les pieds sont utilisés pour aller au travail.
deplacements

Voici le “ternary plot” :

ggtern

J’étais tombé sur une image proche visualisant les transports dans le grand-Londres, mais je ne sais plus où.
Et si vous me dites : « mais moi, je marche jusqu’à ma voiture et je roule jusqu’à la gare… » Je vous répondrai d’aller visiter le site de l’INSEE pour comprendre la construction des données.
Note : par “à pied”, il faut comprendre “sans aucun déplacement”, “à pied”, ou “en deux-roues”

Géographie de la procuration

Les votes par procuration, à Paris, lors des Européennes de mai 2014, ont été plus fréquents dans les arrondissements centraux.
procuration-europeennes-2014
[Alors que, lors des Présidentielles ou des Législatives, septième, huitième et seizième ont un recours plus intense que d’autres arrondissements… Petite modification, donc, à prendre en compte.]

Un peu en avance

De nombreux travaux ont montré que, s’agissant des prénoms les plus fréquents, les cadres étaient “en avance” sur le reste des professions et catégories socioprofessionnelles. Des parents cadres vont avoir tendance à donner des prénoms un peu avant que des parents “professions intermédiaires” ou “employés” ne donnent les mêmes prénoms.
L’avance sur la mode peut-elle alors être prise comme indicateur indirect de position sociale ?
À partir des listes électorales parisienne, j’ai comparé, pour chaque “premier prénom”, l’année de naissance de l’électeur et l’année pendant laquelle son prénom atteint son rang le plus élevé. Ainsi un électeur prénommé Matthieu, né en 1979, sera considéré comme “en avance” de dix ans sur la mode (le prénom “Matthieu” atteint son meilleur rang national en 1989). On peut faire cela pour le million d’électeurs et d’électrices né-e-s en France et inscrit-e-s à Paris. Les prénoms très rares posent problème, car les données disponibles ne permettent pas de calculer l’année de leur “pic”. C’est le cas pour 8,3% des électeurs/trices.
La carte suivante montre, à l’échelle du bureau de vote, quelle est la proportion d’inscrits dont le prénom est au moins 3 ans “en avance” sur le pic.

avance

On remarquera aisément que les quartiers de Paris les plus “bourgeois” sont aussi ceux où les prénoms sont les plus fréquemment “en avance”. Comme si la mode pouvait naître dans un coin caché du septième arrondissement et essaimer, ensuite, dans le reste du corps social.