Baptiste Coulmont

De quel endroit viennent les Parisiens ?

En utilisant les données de l’INSEE sur la mobilité des résidents entre 2005 et 2008, il est possible de repérer les départements d’origine des néo-parisiens.
J’ai essayé de prendre en compte la taille des départements d’origine et des arrondissements d’arrivée, pour repérer les flux “significatifs” (qui ne sont pas toujours les flux les plus importants).
Note de lecture : cette carte compte tous les “78” comme des Versaillais, et tous les “77” comme des Melunais.
La carte avec les numéros de département est ci-dessous :

Dans un article sur Metropolitiques, Lucie Bargel analyse le vote des “originaires”, celles et ceux qui sont vues comme étant “d’ici”, mais qui vivent “là bas”. Elle pointe l’existence de villages dans lesquels il y a plus d’inscrits (sur les listes électorales) que de résidents (au sens du recensement). Cet “effet Bargel”, est-il fréquent ?

La carte suivante laisse penser que oui.

Cliquez pour agrandir
Sur cette carte, les zones en rouge sont celles où les inscrits sur les listes électorales de la commune sont plus nombreux que les résidents de la commune. Certes il existe un lien entre la résidence et l’inscription sur les listes électorales. Mais une résidence “secondaire” dans une commune peut suffire à être inscrit sur la liste de cette commune. Et il y a aussi tous ces “jeunes” (et moins jeunes), qui, ayant quitté leurs parents, continuent, par attachement peut-être, à voter là où ils résidaient. Traditionnellement, ces personnes ont été qualifiées de “faux inscrits” [Sineau. “L’abstentionnisme parisien…” RFSP 28(1), 1978, 55-72] (on trouve aussi l’expression chez Gaxie dans Explication du vote: Un bilan des études électorales en France) en suivant l’idée que ces personnes ne devraient pas être inscrites.

Creusons un peu cette carte. Si l’on se restreint aux résidents majeurs (en enlevant les enfants, qui ne votent pas et qui donc n’ont rien à faire dans l’histoire), que remarque-t-on ?

Cliquez pour agrandir

On voit donc apparaître une France de l’attachement, en rouge. Une “France du vide” (démographique) mais une France qui n’a pas été entièrement quittée par celles et ceux qui n’y habitent plus vraiment. La France des montagnes : Morvan, Alpes, Pyrénées. La France des plâteaux : le Perche, les Ardennes sont visibles sur cette carte. Et, aussi, une France de la Côte (regardez bien, à l’Ouest normand ou breton, où presque tous les villages du littoral immédiat sont roses ou rouges) pleine de résidences secondaires. Au total, plus de 17 000 communes ont plus d’inscrits sur les listes électorales que de résidents majeurs. Cela peut sans doute contribuer aux difficultés rencontrées par de nombreux villages dans la constitution de listes de candidats complètes pour les municipales.

Une représentation graphique montre une relation entre l’altitude d’une commune et le rapport entre nombre d’inscrits et nombre de résidents… là se niche peut-être le cœur de “l’effet Bargel”.

Mais une altitude (1000 mètres) ne signifie pas la même chose partout en France. Il y a des “1000 mètres” très difficiles à atteindre et des “1000 mètres” bien plus aisés à atteindre. Je propose deux régressions (linéaires et locales), sans pondération (ce qui donne à chaque village ou ville un poids égal) ou avec une pondération par le nombre d’inscrits. Dans les quatre cas, la relation est positive.

L’étude de la relation entre la variation de la population et la “surinscription” est moins univoque. Le graphique suivant met en abscisse la variation relative de la population (entre 1999 et 2011) et le ratio “inscrits sur résidents majeurs” en 2008/2009.
La régression linéaire sur les communes a un coefficient négatif : avoir perdu des habitants est corrélé à “avoir plus d’inscrits que de résidents majeurs”. Mais si on prend en compte la taille des communes (leur population en 2011), alors le coefficient est très proche de zéro : la surinscription n’est pas liée à la variation relative du nombre d’habitants.

Cliquez pour agrandir

L’inscription sur les listes électorales étant liée, quand même, à une forme de résidence (ancienne, partielle, secondaire…) il est possible que les villes et villages comptant une grande proportion de résidences secondaires soient aussi des endroits avec une surinscription plus forte. C’est, globalement, le cas :

Cliquez pour agrandir
Plus il y a de résidences secondaires (en proportion) plus il y a d’inscrits “en trop” (par rapport aux résidents majeurs).

On peut aussi regarder s’il existe une relation entre la proportion d’actifs résidents dont le travail se trouve à l’extérieur de la commune et la surinscription. J’utilise là une variable non pas pour elle-même, mais comme indicateur de la situation communale : une zone de résidence plus que de travail. Une partie des surinscrits sont peut-être des personnes qui travaillent et vivent en dehors de la commune où ils sont inscrits.

Le graphique suivant résume les corrélations entre variables (prises deux à deux) :

Mais alors, ce rôle de l’altitude c’est peut-être juste la combinaison du déclin de la population et d’un nombre important de résidences secondaires combiné à une situation d’emploi particulière ? Une régression linéaire multiple, sur ces quatre variables, laisse penser que non : une altitude plus élevée reste associée à une surinscription plus forte (en contrôlant les autres variables). L’effet Bargel résiste bien à la régression !

Cette surinscription a-t-elle des conséquences électorales ? Après tout, ces non-résidents ne votent peut-être pas, s’il faut, pour voter, se déplacer. Ces villages où se trouvent plus d’inscrits que de résidents, doivent connaître un taux d’abstention plus élevé que la moyenne, n’est-ce-pas ? Pas vraiment : participation et surinscription semblent corrélées.

Peut-être que les “surinscriptions” ont lieu dans des zones électoralistes… et que ceux qui résident ailleurs mais y sont inscrits continuent, même à distance, à participer intensément. Il est probable (à vérifier…) que si ces résidents temporaires font l’effort de s’inscrire (ou ne font pas l’effort de s’inscrire ailleurs), alors ils font aussi, peut-être, l’effort de voter (ou d’établir une procuration). Distance au vote ou vote à distance ? ce “ou” n’est pas exclusif. Il est certainement possible d’analyser cette “surinscription” comme la surmobilisation de groupes ou de personnes, qui arrivent à voter, à élire, sans avoir à résider.

Maintenant, vous pouvez retourner lire l’article de Lucie Bargel.

Notes : Les cartes ont été réalisées avec R, package maptools, à partir d’un shapefile des communes (GeoFla) et de données de l’INSEE (pour le recensement) et du ministère de l’intérieur (pour le nombre d’inscrits sur les listes électorales). J’ai bien conscience que ces sources n’ont pas la même origine, qu’une “résidente” et qu’une “inscrite” sont les résultats de définitions différentes… mais qui ne sont pas sans lien entre elles. L’appariement des données s’est fait très rapidement mais un peu “à la louche” quand même.

Un correspondant m’envoie un problème. Dans le cadre d’une enquête portant sur la socio-histoire d’un quartier, il a eu accès à des archives qui indiquent, pour quelques pâtés de maison (pâtés d’immeubles), la composition sociale.
Ces données apparaissent sur des cartes réalisées à différents moments :

Les zones les plus foncées sont celles où la population a fréquemment une certaine caractéristique (peu importe la caractéristique, que ce soit la composition sexuée, la proportion de cadres ou de joueurs de banjo).
La question posée était : comment refaire la carte ? Plus précisément, il m’écrit : “Je souhaite montrer les évolutions que connaissent ces différentes zones en utilisant les fonctions cartographiques de R, surtout les cartes choroplèthes et en cercles proportionnels. En bref, comment faire pour coder ces zones ?”

Ce n’est pas très compliqué :
Pour commencer, il faut retracer les formes. Pour cela, il est possible de créer une carte sur google maps (cliquer sur “My places” (à côté de “Get Directions”) dans l’interface de google maps (il vous faudra peut-être un compte google).
Il est ensuite possible de dessiner des formes (“shapes”), et de leur associer un identifiant (qui sera la “clé” à partir de laquelle associer les données chiffrées).

Ensuite, google maps permet d’exporter les “shapes” au format .kml

Voici une explication en vidéo :

Et dès qu’on a du .kml, alors on peut lancer R.
Imaginons que notre fichier .kml s’appelle quartier.kml

Dans R : (Note : il faut le package osmar, que j’ai présenté ici)

library(maptools)
library(rgdal)
library(osmar)
#charger les polygones du quartier :
quartier < - readOGR("Desktop/quartier.kml",layer="quartier")
#charger la carte du quartier
#grâce au package osmar [info] 
src < - osmsource_api()
bb <- center_bbox(LONGITUDE,LATITUDE, 800, 800)
ua <- get_osm(bb, source = src)
#dessiner les bâtiments (c'est optionnel)
bg_ids <- find(ua, way(tags(k == "building")))
bg_ids <- find_down(ua, way(bg_ids))
bg <- subset(ua, ids = bg_ids)
bg_poly <- as_sp(bg, "polygons")
#dessiner les routes (pour donner une idée)
plot(bg_poly, col = "lightgray",border="#ffffff00")
cw_ids <- find(ua, way(tags(k %in% c("highway"))))
cw_ids <- find_down(ua, way(cw_ids))
cw <- subset(ua, ids = cw_ids)
cw_line <- as_sp(cw, "lines")
plot(cw_line, add = TRUE, col = "black",lwd=10)
plot(quartier,add=TRUE,col=CODECOULEUR)

Created by Pretty R at inside-R.org

Cliquez pour avoir un PDF vraiment yummy-yummy

Par comparaison, voici un morceau de la carte originale :

Je ne sais pas ce que mon correspondant va faire avec ses cartes, mais l’objectivation cartographique peut sans doute contribuer au raisonnement sociologique.

Il y a parfois un intérêt certain à créer des cartes dans un format vectoriel. Je vais ici utiliser le paquet “osmar”, qui permet d’utiliser des données en provenance d’OpenStreetMap, avec le logiciel R.

cliquez pour ouvrir la carte au format pdf
Pour réaliser cette carte, j’ai suivi les instructions présentées dans ce document osmar: OpenStreetMap and R, by Manuel J. A. Eugster and Thomas Schlesinger.
Pourquoi passer par osmar ? L’on trouve des shapefiles extraits de OpenStreetMap sur différents sites (comme cloudmade), mais ces shapefiles commencent à être très lourds, et ils ne contiennent qu’une partie des informations disponibles sur OpenStreetMap.

install.package(osmar)
library(osmar)
src <- osmsource_api()
bb <- center_bbox(3.0775880813598633,50.37404355240673, 1000, 1000)
ua <- get_osm(bb, source = src)
 
#tracer les bâtiments
bg_ids <- find(ua, way(tags(k == "building")))
bg_ids <- find_down(ua, way(bg_ids))
bg <- subset(ua, ids = bg_ids)
bg_poly <- as_sp(bg, "polygons")
plot(bg_poly, col = "gray",border="gray")
 
#tracer une zone "commerciale"
nat_ids <- find(ua, way(tags(v %in% c("commercial"))))
nat_ids <- find_down(ua, way(nat_ids))
nat <- subset(ua, ids = nat_ids)
nat_poly <- as_sp(nat, "polygons")
plot(nat_poly, col = "#ffaaaa11",add=TRUE,border="#ffffff00")
 
#tracer les cours d'eau
nat_ids <- find(ua, way(tags(k %in% c("waterway"))))
nat_ids <- find_down(ua, way(nat_ids))
nat <- subset(ua, ids = nat_ids)
nat_poly <- as_sp(nat, "polygons")
plot(nat_poly, col = "#aaaaff",add=TRUE,border="#aaaaff",lwd=2)
 
#tracer les parcs
nat_ids <- find(ua, way(tags(k %in% c("leisure"))))
nat_ids <- find_down(ua, way(nat_ids))
nat <- subset(ua, ids = nat_ids)
nat_poly <- as_sp(nat, "polygons")
plot(nat_poly, col = "#99dd99",add=TRUE,border="#99dd99")
 
#tracer les rues, de différentes épaisseurs
cw_ids <- find(ua, way(tags(v %in% c("residential","pedestrian"))))
cw_ids <- find_down(ua, way(cw_ids))
cw <- subset(ua, ids = cw_ids)
cw_line <- as_sp(cw, "lines")
plot(cw_line, add = TRUE, col = "pink",lwd=1)
 
cw_ids <- find(ua, way(tags(v %in% c("secondary"))))
cw_ids <- find_down(ua, way(cw_ids))
cw <- subset(ua, ids = cw_ids)
cw_line <- as_sp(cw, "lines")
plot(cw_line, add = TRUE, col = "pink",lwd=5)
 
cw_ids <- find(ua, way(tags(v %in% c("tertiary"))))
cw_ids <- find_down(ua, way(cw_ids))
cw <- subset(ua, ids = cw_ids)
cw_line <- as_sp(cw, "lines")
plot(cw_line, add = TRUE, col = "pink",lwd=3)

Created by Pretty R at inside-R.org

Les relations observées entre les candidats et la fréquence du vote par procuration se repèrent-elles ailleurs qu’à Paris ? On peut commencer par regarder ce qui se passe dans une autre grande ville, Lyon.
Tout d’abord, une petite carte. Où l’on voit que les arrondissements centraux de Lyon, 1er, 2e et 6e, pratiquent plus la procuration que le 8e arrondissement.

Comme à Paris, la relation est positive entre la fréquence de la procuration et le taux de participation (graphique non reproduit).
Et les grandes corrélations perçues à Paris sont encore valables à Lyon. Les bureaux de vote favorables à l’extrême gauche ont peu de procurations :

Idem avec les bureaux de vote où Mélenchon réalise un score élevé.

La relation est encore négative pour ce qui est des votes lepénistes :

Et ce n’est pas le candidat Hollande qui se trouve faire un score élevé dans les bureaux de vote où la procuration est élevée.

Comme à Paris, donc, on observe une relation positive entre votes Sarkozy et votes par procurations [entre bureaux de votes “sarkozystes” et bureaux de votes “à procuration”]

Mais à la différence de Paris, on observe une relation positive entre votes pour Eva Joly et votes par procuration, avec, cependant, une forte variance.

[Idem avec le vote Bayrou, qui, à Paris comme à Lyon, est positivement relié — par bureau de vote — au vote par procuration]
J’ai donc bien tendance à croire que le vote par procuration n’est pas socialement neutre ni politiquement neutre. Bien que le droit soit offert à tous, et que la libéralisation de la procédure avait pour but de favoriser le vote, il me semble que le recours à ce droit est plus le fait de certaines personnes que d’autres. Est-ce pour des raisons “objectives” (du type : les ménages aisés partent plus en vacances que les autres), ou pour des raisons d’engagement politique (du type : je suis empêché de voter, mais je vais tout faire pour voter pour mon candidat) ou de socialisation politique… il semble bien que les “procurateurs” soient le reflet inversé des abstentionnistes.

Note : j’ai récupéré les données sur le site de la ville de Lyon, avec R (package XML).

Deux cartes rapides, sur la fréquence de la procuration, par département, en 2002, aux premier et deuxième tours.
On se souvient qu’en 2002, Le Pen (père) s’était qualifié pour le deuxième tour.
La carte de la procuration, au premier tour, ressemblait à cela :

Et au deuxième tour, à ceci :

Il y eu, en 2002, presque deux fois plus de procurations au deuxième tour (755 000) qu’au premier (400 000).
Et, entre les deux tours, quelques constantes : les Corses aiment les procurations encore plus que les Parisiens.

Je viens de découvrir que l’IGN mettait maintenant gratuitement à disposition de tous le fichier shapefile GEOFLA communes, qui permet de produire des cartes de toutes les communes de France. Combinez cette carte avec des données en provenance de l’INSEE (par exemple sur la répartition des revenus), et hop :

Sur cette carte, plus c’est bleu, plus, en gros, “c’est riche”, et plus c’est rouge, plus, en gros, “c’est pauvre”. [l’indicateur est la médiane du revenu fiscal des ménages divisé par le nombre d’unité de consommation du ménage, en 2009]
Cette carte a été réalisé avec R, assez simplement : voir mon tutoriel sur la cartographie avec R pour en savoir plus, et en faire autant.

C’est peut-être le besoin de se rassurer, de s’assurer qu’on n’est pas seulement ici, mais bel et bien là, qui fait se rencontrer le bout d’un doigt et la carte des stations.

Quand j’étais petit, et que Paris était une ville étrangère, ces zones arrachées m’indiquaient où j’étais : il suffisait de les repérer pour pouvoir ensuite s’orienter. Les traces d’usage collectif remplaçaient fort bien le “Vous êtes ici” accolé à certaines cartes. Crowdsourcing avant l’heure, objectivation d’une combinaison du volume de fréquentation de chaque station et de son caractère touristique. Aujourd’hui, dans la plupart des stations, les cartes sont protégées par un film plastique, qui empêche d’user trop vite la zone de la station.

En 1994, une artiste italienne, Paola di Bello, avait photographié, dans les 350 stations du métro, ces zones. Pour ensuite en reconstituer une grande carte du métro, sur lesquelles les stations étaient soumises à la disparition paradoxale. On trouve quelques explications de sa démarche sur le site de Paola di Bello.
Note : Ce billet est un effet secondaire de la lecture de Petite sociologie de la signalétique : Les coulisses des panneaux du métro.

J’ai trouvé un sondage eurobarometre amusant (Eurobarometer 73.3, New Europeans) à l’adresse suivante http://ec.europa.eu/public_opinion/archives/ebs/ebs_346_en.pdf. Cette question m’a particulièrement intéressé : «QB10T : quels sont les pays autres que (NOTRE PAYS) auxquels vous vous sentez le plus attaché ?»
Si l’on ne garde que le pays le plus cité, l’on peut obtenir le graphe suivant :

Les Belges, les Luxembourgeois, les Portugais, les Italiens, les Néerlandais, les Espagnols se sentent plus attachés à la France qu’à un autre pays (en dehors du leur). Les Français se tournent vers l’Espagne (comme les Royaumunistes et les Italiens).
On peut essayer de représenter le graphe précédent en le greffant sur une carte de l’Europe.

C’est une manière de mettre en lumière le fait que, souvent, les pays auxquels les citoyens européens se sentent attachés sont des pays qui leur sont géographiquement proches. Les exceptions : la russophilie des Bulgares, l’italomania des Roumains… n’en ressortent que plus.
Le mystère auquel ces données nous confrontent, c’est bien d’expliquer, maintenant, pour quelle raison étrange la France n’a plus gagné l’Eurovision depuis 1977.

  Pratiquons l’open-data : eurobarom2011QB10T (format XLS). Ces deux images ont été faites avec R et divers “packages”, igraph et maptools.

L’on trouve sur un site de l’université de Strasbourg une liste de tous les tremblements de terre à proximité de la France métropolitaine, depuis 1980 : ici.
Ce qui donne, une fois gardés les tremblements de magnitude supérieure à 3, ceci :

La taille et la couleur des points sont proportionnels à la magnitude.
(fait avec R, package maptools, en suivant mon “tutoriel pour la cartographie avec R“)