Baptiste Coulmont

L’enquête POF 2024-2025, qui portait sur l’usage des réseaux sociaux, a interrogé un peu plus de 13000 étudiants et étudiantes. Parmi eux, 245 normalien·ne·s. Une question portait sur le soutien à la cause des femmes. Plus précisément on a demandé : « Parmi ces causes, lesquelles vous tiennent le plus à cœur ? (maximum 3 réponses) ». Et l’une des causes était « ☐ Droits des femmes ».

Dans le document qui suit, je compare les réponses des normalien·ne·s de Saclay et celles des étudiant·e·s des universités. Comme le cursus à l’ENS commence en L3, je ne garde que les quelques 6000 étudiants de niveau d’étude L3 et supérieur, afin de comparer deux populations de même âge académique.

[Fréquence du soutien à la cause des femmes]

Dans leur ensemble, les étudiant·e·s des universités déclarent plus souvent (9 point de pourcentage en plus) soutenir les droits des femmes : 43% des normaliens et normaliennes déclarent soutenir la cause des femmes, et 52% des étudiant·e·s des universités font de même.

Mais si on regarde ce que les *hommes* et les *femmes* (et j’ai placé les non-binaires et autres déclarations avec les femmes) déclarent, que voit-on ? Que les normaliens déclarent plus souvent que les universitaires hommes les droits des femmes comme une cause qui leur tient à cœur. Même chose pour les femmes.

Ainsi 71% des normaliennes et 66% des universitaires femmes — une différence de 5 points — ont placé les droits des femmes dans les causes soutenues. 29% des normaliens contre 23% des universitaires — une différence de 6 points — ont fait de même.

[Fréquence du soutien à la cause des femmes, en fonction du genre]

Si *et les hommes et les femmes* soutiennent, à l’ENS, plus souvent cette cause que les étudiant·e·s des universités, comment se fait-il que, toutes et tous ensemble, la relation soit inversée ? La réponse est dans la composition genrée des institutions : 66% des normalien·ne·s sont des hommes, alors que 66% des étudiant·e·s des universités du collectif POF sont des femmes. Donc si la proportion d’universitaires déclarant soutenir la cause des femmes est plus élevée que celle des normaliens, c’est parce qu’il y a plus de femmes parmi les universitaires, alors même que les hommes normaliens déclarent plus souvent soutenir cette cause que les étudiants, et que les normaliennes elles aussi déclarent plus souvent soutenir cette cause que les étudiantes. En moyenne, les normalien·ne·s ont des réponses d’hommes et les étudiant·e·s des réponses de femmes.

Les universités enquêtées et l’ENS ont d’autres différences : les universités ont une proportion moindre d’étudiants en « Sciences Technologies Santé (STS) », elles comptent moins d’étudiants de classes supérieures… Que serait la fréquence du soutien à la cause des femmes *si les universitaires avaient les mêmes caractéristiques que les normaliens et normaliennes*, la même composition sexuée, disciplinaire et de classe ?

Il y a 245 normaliens dans la base, et 5800 étudiant·e·s des universités. Je sélectionne un sous-échantillon de 245 étudiant·e·s qui a la même distribution par sexe/discipline/niveau d’étude et origine sociale. Par exemple j’ai un certain nombre de normaliens, disons 5, qui sont
`Un homme ; Sciences Humaines et Sociales (SHS) ; L3 ; Ménages à dominante cadre`… et je peux en sélectionner aussi 5, aléatoirement, parmi les étudiants des universités de l’enquête. Une fois le sous-échantillon de 245 étudiant·e·s constitué, je calcule la fréquence du soutien à la cause des femmes. Et je fais cela 1000 fois. À chaque fois, puisque les individus sont sélectionnés au hasard, la fréquence varie un peu.

Si les universités étudiées avaient la même composition que l’ENS, environ 36,5% des étudiant·e·s soutiendraient la cause des femmes, soit un peu moins que la fréquence parmi les normalien·ne·s (43%). Dans le graphique suivant, l’histogramme situé sur la ligne “Universités” représente la distribution des fréquences « contrefactuelles » mesurées.

[Fréquence du soutien à la cause des femmes, après appariement entre étudiant·e·s des universités et normalien·ne·s]

Ainsi « toutes choses égales par ailleurs », les normaliens et normaliennes soutiennent plus fréquemment la cause des femmes que les universitaires.

D’autres techniques que celle que je viens d’utiliser donnent des résultats proches. Une technique très proche, l’*optimal matching* (avec le package `MatchIt` dans R) ou d’autres modalités de *matching* conduisent aux mêmes conclusions.

Autre technique : une régression logistique permettra d’estimer que, toutes choses égales par ailleurs, la fréquence du soutien déclaré à la cause des femmes est 7 points plus élevée à l’ENS Paris-Saclay que dans les universités enquêtées par le collectif POF.

Les “épreuves classantes nationales” sont l’examen qui précède, pour les étudiants et étudiantes en médecine, le choix de spécialité et d’internat. Jusqu’en 2023, la liste nominative des personnes reçues, ainsi que leur rang de classement, étaient publiées au Journal officiel.

En comparant cette liste avec les prénoms des bébés nés environ 24 ans plus tôt, il est possible d’estimer quelle proportion de Marie ou de Maxime a fini par devenir médecin – en faisant l’hypothèse que tous ces médecins sont nés en France.

Sur la période 2014-2023, le nombre de personnes classées aux épreuves est d’environ 8 à 9 000. Et il y a, pour les années 1990 à 1999, environ 770 000 naissances par an. Ce qui fait qu’environ 1,1 à 1,3% des bébés finissent par devenir médecins.

Je compare le nombre de candidats reçus au nombre de naissances (pour la période correspondant en gros aux années de naissance des candidats).
Je n’ai gardé que les prénoms donnés plus de 5000 fois sur 10 ans (soit plus de 500 naissances par an en moyenne).
Pour les filles, et pour ces prénoms, Anne est le plus “médecin”, car 4,2% des bébés Anne sont devenues médecin (au sens de “reçue aux épreuves classantes nationales”)… et tout en bas du tableau, vous trouverez Alison : seulement 3 Alison sur 1000 deviennent médecin.

Et maintenant les hommes. Edouard est au top : 2,7% des bébés Edouard sont devenus médecin. Vous voyez tout de suite que c’est moins que Anne ! Et tout en bas du tableau, Dylan. Mais regardez Kevin. Très faible taux, mais en tant que patient·e vous avez plus de chance de rencontrer un Docteur Kevin qu’un Docteur Edouard, tant il y a eu de bébés Kevin.

Dans le fichier détail du recensement, on dispose de plusieurs informations sur l’âge des personnes recensées :

• on a leur année de naissance, ANAI
• on a leur mois de naissance, MNAI
• on a leur « âge révolu », AGEREV, c’est à dire l’âge atteint lors de leur dernier anniversaire
• on a leur « âge détaillé », AGED, c’est à dire l’âge en « différence de millésimes » : si vous êtes né en 2000 et que vous êtes recensés en 2023, cet âge sera de 23 ans… même si vous n’avez pas encore atteint votre anniversaire

Le plus souvent l’âge détaillé est un an plus élevé que l’âge révolu.

Mais on ne sait pas quand les personnes ont répondu au recensement. On sait que les enquêtes annuelles (dites EAR, enquêtes annuelles de recensement) ont lieu en janvier. Et que l’enquête annuelle de 2021 n’a pas eu lieu, en raison des confinements. On peut retrouver l’année de l’EAR à partir d’un petit calcul. Je veux calculer l’âge au mois près.

Les personnes nées entre février et décembre ont toujours AGED = AGEREV + 1.
62% des personnes nées en janvier ont AGED = AGEREV (et 38% AGED = AGEREV +1). Celles qui ont AGED = AGEREV sont celles qui sont nées début janvier (avant le début de l’EAR). Celles qui ont AGED = AGEREV + 1 sont celles qui sont nées après le début de l’enquête annuelle de recensement.
L’âge, c’est EAR-ANAI. L’âge en mois, c’est EAR{janvier} – ANAI{MNAI}. L’année du recensement, EAR, c’est : ANAI + AGED.
Et donc l’âge en mois c’est : AGED – (MNAI-1)/12.

On peut alors calculer la proportion de jeunes adultes n’habitant pas chez leurs parents, en fonction de leur âge, que ce soit l’âge révolu, l’âge mensuel ou l’âge détaillé, pour la France entière et, en pointillé, pour les personnes qui sont nées en Île de France et qui y résident encore au moment du recensement.

Est-ce que le « Top 20 » des prénoms d’une année donnée contient des prénoms récents ? Est-ce que, au contraire, il est composé de prénoms zombie qui s’accrochent au sommet du palmarès ?
Il semble que ce « Top 20 » soit régulièrement recyclé : en moyenne, quand on remonte dans le temps, on voit, pour chaque année remontée, un prénom disparaître.

cliquez pour agrandir

Et pour les années suivantes : même chose, on peut voir que quand on avance dans le temps, chaque année voit un prénom disparaitre du « Top 20 ».

cliquez pour agrandir

Mise à jour d’un graphique déjà présenté ici, concernant l’espace partagé des disciplines.

Je m’appuie ici sur les postes universitaires (professeur·e·s et maître·sse·s de conférences) rattachés à plusieurs sections du Conseil national des universités. Ça donne à voir un espace de l’interdisciplinarité, et notamment un grand espace de disciplines proches, en sciences humaines et sociales.

Depuis que le Recensement ne recode plus le sexe du conjoint (ou de la conjointe) quand le couple est de même sexe, il est possible d’étudier ces couples de même sexe. Du moins une partie de ces couples. Dans le graphique suivant, on trouvera les professions où la proportion de couples de même sexe est élevée. Je différencie les professions par sexe, et ainsi les « Stewards » sont les hommes de la profession « 546d » (Hôtesses de l’air et stewards). Les « Ambulancières salariées » sont les femmes de la profession « 526e : Ambulanciers salariés ». Et attention, je ne calcule ces proportions que sur les personnes en couple (il n’y a pas 9% d’ambulancières en couple avec une personne de même sexe, il y a 9% des ambulancières-en-couple qui sont en couple avec une personne de même sexe).

Ce graphique a été créé à partir des données du « Recensement 2021, fichier détail, individus localisés à la région » de l’Insee.

Dans un cours de visualisation des données (une introduction à {ggplot}), j’ai rapidement présenté quelques graphiques réalisés par le sociologue W.E.B Du Bois pour l’exposition universelle de Paris en 1900. Si vous ne connaissez pas ces graphiques et le contexte de leur création, regardez cette série d’articles : W. E. B. Du Bois’ staggering Data Visualizations are as powerful today as they were in 1900.
Une étudiante m’a demandé s’il était facile de reproduire ces graphiques avec R. On trouve des réplications de ces graphiques réalisées avec R :

• Recreating a Du Bois chart in ggplot, par Ella Hollowood
• ggplot2 meets W. E. B. Du Bois, par Matthew A.
• The Charts of W.E.B. Du Bois – Part 1 par Greg Schick

Mais je n’ai pas trouvé de réplication de ce graphique :

Daniel Murray collection (Library of Congress).

Alors je me suis mis au travail, et voici le résultat :

(J’ai déposé le code sur github)

Je suis heureux de voir la publication de « Dupont n’est pas du Pont. Sociographie de la noblesse d’apparence », un article sur les noms à particule, dans la revue Histoire & Mesure. Les lectrices de ce blog connaissent mon intérêt pour l’onomastique, et notamment pour les noms à particule, que portent Vicomtes, Duchesses, Princes… mais aussi des personnes qui n’ont rien de la noblesse d’Ancien régime.

L’article est disponible sur cairn.info et des documents annexes sont accessibles ici.

C’est que, la particule, ça vous change un homme. Sur ces affiches, Dany Vicomte Daniel de Boon joue sur deux clichés, à gauche celui du ch’ti sympa mais pas futé, à droite celui du nobliau hautain et méprisant, “de Boon des Hauts de France” (qui semble imiter le duc de Wellington). Voilà qui demandait une investigation sociologique…

Trève de blague… L’article est essentiellement composé de deux parties. L’une qui explore la diminution de la part des gens à particule dans divers secteurs des élites françaises (écoles supérieures, magistrature, assemblées élues, hiérarchie cléricale catholique…), une diminution qui commence en 1789 mais qui n’est pas achevée aujourd’hui. S’il y a régression vers la moyenne, le rythme de la régression est lent.
La seconde partie explore la place contemporaine des hommes et femmes à particule à partir de sources nominatives diverses, ce qui permet de mettre en lumière des différences résidentielles (qui s’expliquent par l’inertie immobilière), des différences professionnelles et des différences politiques.

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

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