Baptiste Coulmont

La carte ci-dessous représente la proportion des voix exprimées qui sont des votes par procuration, à Paris, par bureau de vote, pour les élections municipales, législatives et présidentielles, de 2007 à 2022.

cliquez pour agrandir
On retrouve des régularités : (1) le vote par procuration est plus fréquent en période de vacances scolaires ou de «pont» (et donc au moment des présidentielles, qui ont lieu pendant les vacances de printemps), (2) le vote par procuration est plus fréquent dans les beaux quartiers que dans la ceinture de logements sociaux situés à proximité du périphérique, et (3) le vote par procuration, lors des municipales, est plus fréquent là où le résultat de l’élection est incertain (mais ce point, je devrais le vérifier).

Si l’on calcule la fréquence moyenne, sur ces vingt scrutins, du vote par procuration, on peut tracer la carte suivante :

Comme les frontières des bureaux de vote ont changé entre 2007 et 2022, j’ai découpé Paris en petits carrés et estimé la fréquence qu’on aurait si les bureaux de vote étaient ces petits carrés.

L’Annuaire de l’éducation, ce sont des informations sur près de 70 000 établissements scolaires et administrations diverses de l’Éducation nationale. Il est en ligne sur data.gouv.fr.
Les établissements sont géolocalisés, et on dispose de leur statut (public, privé) et du nombre d’élèves.
On peut alors tracer assez rapidement une carte, comme celle-ci :

Les proportions ne doivent pas être totalement fausses : on retrouve bien la géographie connue de l’implantation des écoles privées en France.

Les établissements scolaires ont un nom, et ces noms varient en fonction du statut.

Le tout a été réalisé avec R, et le code est sur github : 2021-annuaire-education-github.R (parce que science ouverte, données libres, partage de code).

Maintenant que l’Institut géographique national a libéré ses données, on dispose des découpages géographiques à des échelles très fines : IRIS ou communes, par exemple.
Mais parfois, on a besoin d’un autre découpage de la France, parce que les données sont disponibles à une autre échelle, celle des ressorts des tribunaux judiciaires par exemple, ou un mélange de départements, régions, EPCI…

Commençons par les tribunaux. On trouve, sur le site de l’observatoire des territoires le tribunal de rattachement de toutes les communes françaises. On peut donc, à partir du fichier “ADMIN EXPRESS” de l’IGN, faire la jointure entre communes et tribunal, pour dessiner la carte des ressorts des 164 tribunaux.

La carte des ressorts des tribunaux :

que l’on peut relier à des données (comme la durée moyenne des affaires) :

Et maintenant le recensement. L’insee met à disposition, en accès libre, les fichiers détail du recensement. Il existe un fichier avec les individus localisés à la région, fichier proposant des variables avec des modalités très fines, comme la profession détaillée. Le titre du fichier est légèrement trompeur, car les individus sont localisés à l’échelle de la région pour les régions peu peuplées, mais aussi à l’échelle du département, pour les départements de plus de 700 000 personnes, et à l’échelle de l’EPCI (pour Paris, Marseille, Lille, Lyon, Bordeaux et Toulouse). Cela donne un découpage un peu incongru de la France, que voici :

Comme vous pouvez le constater, on trouve les départements peuplés de la Bretagne, des grosses métropoles, et de larges régions un peu plus vides.

Ce découpage n’est pas inutile. Voici, par exemple, une cartographie de la part d’immigré.e.s parmi les hommes et femmes de ménage auprès des particuliers :

Je vais essayer de mettre le code permettant de générer ces cartes sur github.

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.

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()

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).

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 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.

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.

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

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.

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.

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”.

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.

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.

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 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.

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 :

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.

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.

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.